Agentic Workflows for Resolving Conflict Over Shared Resources: A Power Grid Application

Diese Arbeit stellt ein domänenunabhängiges Framework vor, das Konflikte zwischen mehreren LLM-basierten Agenten um gemeinsame Ressourcen durch bilaterale Verhandlungen, strukturierte Mediation und prozedurale Deeskalation löst, was an einem Anwendungsfall zur Optimierung von Kosten und Resilienz in elektrischen Verteilnetzen demonstriert wird.

Das Wesentliche

Stellen Sie sich vor, Sie leben in einer kleinen, modernen Stadt, die von einem riesigen, intelligenten Stromnetz versorgt wird. In dieser Stadt gibt es verschiedene „Verwalter", die alle versuchen, das Beste für die Stadt zu tun, aber leider oft unterschiedliche Vorstellungen davon haben, wie das gehen soll.

Dieser wissenschaftliche Artikel beschreibt ein neues System, um diese Verwalter zu koordinieren, damit sie nicht gegeneinander arbeiten, sondern zusammen eine Lösung finden. Hier ist die Erklärung in einfachen Worten:

Das Problem: Zwei Köche in einer Küche

Stellen Sie sich das Stromnetz wie eine große Küche vor.

• Verwalter A (Der Sparfuchs): Sein Job ist es, die Stromrechnung so niedrig wie möglich zu halten. Er sagt: „Wir müssen die Batterien entladen und den Dieselgenerator anwerfen, wenn der Strom teuer ist!"
• Verwalter B (Der Sicherheitschef): Sein Job ist es, die Stadt vor Blackouts zu schützen. Er sagt: „Nein! Wir müssen die Batterien voll laden und den Dieselgenerator auf Reserve halten, falls etwas schiefgeht!"

Beide wollen das Gleiche (eine funktionierende Stadt), aber ihre Anweisungen für die gleichen Geräte (Batterien, Generatoren) widersprechen sich. Früher hätte man einen strengen Chef brauchen müssen, der entscheidet, wer recht hat. Das ist aber oft zu starr und ignoriert die lokalen Bedürfnisse.

Die Lösung: KI-Assistenten als Diplomaten

Die Autoren haben eine neue Methode entwickelt, bei der Künstliche Intelligenz (KI) als Vermittler dient. Jeder Verwalter bekommt einen eigenen KI-Assistenten (einen „Agenten"). Diese KI-Assistenten sind wie geschulte Diplomaten. Sie können nicht nur rechnen, sondern auch denken und reden (sie nutzen sogenannte „Large Language Models", also fortschrittliche Sprach-KIs).

Das Ziel ist es, dass diese KI-Assistenten die Konflikte selbst lösen, ohne dass ein menschlicher Chef eingreifen muss.

Wie funktioniert das? Drei verschiedene Spielregeln

Das Papier stellt drei verschiedene Wege vor, wie diese KI-Diplomaten verhandeln können:

1. Der direkte Händedruck (Bilaterale Verhandlung):
   Die beiden KI-Assistenten setzen sich direkt an einen Tisch. Sie reden miteinander, tauschen Vorschläge aus und sagen: „Okay, ich mache einen Schritt zurück, wenn du auch einen machst."

   • Vorteil: Sehr schnell.
   • Nachteil: Manchmal ein bisschen chaotisch, da jeder versucht, das Beste für sich herauszuholen.

2. Der neutrale Schiedsrichter (Strukturierte Mediation):
   Hier gibt es einen dritten KI-Assistenten, den „Schiedsrichter". Die beiden Verwalter sagen dem Schiedsrichter, was sie wollen. Der Schiedsrichter hört zu, bewertet die Situation und schlägt einen Kompromiss vor.

   • Vorteil: Sehr fair und strukturiert.
   • Nachteil: Etwas langsamer, weil der Schiedsrichter erst alles prüfen muss.

3. Der mathematische Algorithmus (Prozedurale De-Konfliktierung):
   Hier gibt es keinen echten „Redner". Stattdessen folgt das System einem strengen mathematischen Regelwerk. Es berechnet immer wieder einen neuen Durchschnittswert basierend darauf, wie flexibel die Parteien sind.

   • Vorteil: Sehr vorhersehbar.
   • Nachteil: Wenn die Parteien zu stur sind, kommt das System manchmal nicht auf eine Lösung.

Das Experiment: Ein Testlauf im Stromnetz

Die Forscher haben dieses System an einem echten Beispiel getestet: Ein Stromnetz mit Dieselgeneratoren und Batterien.

• Der „Sparfuchs" wollte die Batterien leeren, um Geld zu sparen.
• Der „Sicherheitschef" wollte sie füllen, um sicher zu sein.

Das Ergebnis war beeindruckend:
In den meisten Fällen fanden die KI-Assistenten eine Lösung, die für beide Seiten besser war als ein einfacher Kompromiss.

• Bei der direkten Verhandlung einigten sie sich in nur 5 Runden. Sie waren sehr flexibel und fanden schnell eine Lösung, bei der die Batterien leicht entladen wurden, aber nicht ganz leer.
• Beim Schiedsrichter dauerte es etwas länger (9 Runden), aber das Ergebnis war sehr stabil.
• Der mathematische Weg hatte manchmal Schwierigkeiten, wenn die Parteien zu stur waren, aber im Durchschnitt lieferten alle Methoden bessere Ergebnisse als wenn man einfach nur den Durchschnitt der ersten Vorschläge genommen hätte.

Warum ist das wichtig?

Stellen Sie sich vor, in Zukunft haben wir nicht nur Stromnetze, sondern auch autonome Lieferroboter, Verkehrsleitsysteme und Finanzmärkte, die alle von KI gesteuert werden. Alle werden versuchen, ihre eigenen Ziele zu erreichen.

Ohne dieses neue System würden diese KIs ständig kollidieren – wie Autos, die alle gleichzeitig auf eine Kreuzung fahren wollen. Mit diesem System lernen die KIs, zu verhandeln, Kompromisse zu schließen und gemeinsam eine Lösung zu finden, ohne dass jemand ihre Geheimnisse (z. B. ihre genauen Kosten oder Sicherheitspläne) preisgeben muss.

Zusammenfassend: Die Autoren haben gezeigt, dass KI-Agenten lernen können, wie gute Nachbarn zu sein: Sie streiten nicht ewig, sondern finden einen Weg, der für alle funktioniert.

Technische Zusammenfassung

1. Problemstellung

Moderne cyber-physische Systeme, insbesondere im Bereich der elektrischen Energieverteilung, nutzen zunehmend semi-autonome Agenten (z. B. basierend auf Large Language Models, LLMs), die Entscheidungen über gemeinsame Ressourcen treffen. Ein zentrales Problem ist die Konfliktlösung (Deconfliction):

• Verschiedene Anwendungen (z. B. Kostenoptimierung vs. Resilienz) verfolgen oft widersprüchliche Ziele und fordern gleichzeitig dieselben Geräte (z. B. Batteriespeicher, Dieselgeneratoren) für unterschiedliche Setpoints.
• Herkömmliche Ansätze setzen oft eine zentrale Kontrolle, perfekte Information oder eine homogene Agentenarchitektur voraus, was in heterogenen, verteilten Systemen mit privaten Zielvorgaben und Datenschutzanforderungen nicht praktikabel ist.
• Es fehlt an Mechanismen, die Konflikte zwischen LLM-basierten Agenten lösen, deren Autonomie und vertrauliche Informationen (z. B. interne Kostenfunktionen) dabei schützen und gleichzeitig eine koordinierte Entscheidung ermöglichen.

2. Methodik und Framework

Die Autoren stellen ein domänenunabhängiges Framework vor, das LLM-basierte „Client-Agenten" verwendet, um Konflikte über gemeinsame Ressourcen zu verhandeln. Das Framework basiert auf drei Hauptkomponenten:

A. Designprinzipien für Client-Agenten

Die Agenten sind von der zugrunde liegenden Anwendungslogik entkoppelt und folgen folgenden Prinzipien:

• Trennung der Zuständigkeiten: Der Agent nutzt die Anwendung als Werkzeug zur Generierung von Vorschlägen, ist aber für die Verhandlung zuständig.
• Privatsphäre bei der Präferenzkommunikation: Agenten müssen verhandeln können, ohne ihre internen Zielfunktionen oder privaten Betriebsbeschränkungen preiszugeben.
• Zielverfolgung: Agenten streben ihr individuelles Optimum an, müssen aber im Rahmen des Multi-Agenten-Kontextes Kompromisse eingehen.
• Chain-of-Thought (CoT): Die Agenten nutzen einen strukturierten Denkprozess, um ihre Entscheidungen zu begründen und Verhandlungsschritte zu planen.

B. Drei Deconfliction-Modi

Das Framework definiert drei konkrete Modi zur Konfliktlösung:

1. Bilaterale Verhandlung (Bilateral Negotiation): Zwei Agenten verhandeln direkt miteinander, tauschen Angebote und Gegenangebote aus und passen ihre Vorschläge iterativ an, bis eine Einigung erzielt wird.
2. Strukturierte Mediation (Structured Mediation): Ein neutraler Mediator-Agent koordiniert die Verhandlung. Er sammelt Vorschläge, bewertet Konflikte und schlägt Kompromisse vor, wobei er die Autonomie der einzelnen Agenten wahrt.
3. Prozedurale (deterministische) Deconfliction: Statt eines Mediator-Agenten wird ein deterministischer Algorithmus verwendet, der auf einem gewichteten Konsensmechanismus (Weighted Consensus) basiert.
   • In jedem Iterationsschritt $k$ wird ein gewichteter Schwerpunkt (Centroid) $c_k$ berechnet.
   • Die Gewichte $w_{i,k}$ basieren auf der Flexibilität des Agenten $i$ (gemessen als Abstand zwischen dem aktuellen Vorschlag und dem vorherigen Konsens).
   • Agenten, die Kompromisse eingehen, erhalten höhere Gewichte; Agenten, die starr bleiben, verlieren an Einfluss.

C. Anwendungsfall: Stromverteilnetz

Das Framework wurde in einem Power-Grid-Szenario getestet:

• Szenario: Ein Verteilnetz mit Dieselgeneratoren (DG), Photovoltaik (PV) und Batteriespeichersystemen (BESS).
• Konflikt: Ein Kosten-Agent versucht, Betriebskosten zu minimieren (z. B. Entladung der Batterie bei hohen Strompreisen), während ein Resilienz-Agent Brennstoffreserven erhalten und die Batterie laden möchte, um die Systemstabilität zu sichern.
• Tools: Die Agenten nutzen Tools zur Berechnung optimaler Setpoints und zur Ermittlung eines „ausgewogenen Kompromisses" unter Berücksichtigung ihrer Flexibilitätsgrenzen ($\alpha_i$).

3. Wichtige Beiträge

1. Domänenunabhängige Formulierung: Ein Framework, das Anwendungen als abstrakte Agenten behandelt und drei spezifische Workflows (Verhandlung, Mediation, Prozedur) definiert.
2. Designprinzipien für LLM-Agenten: Eine formale Definition von CoT-Prozessen und Entscheidungsflüssen, die Privatsphäre und Autonomie wahren.
3. Iterativer gewichteter Konsens: Ein Mechanismus, der keine Optimierungslösung von den Anwendungen selbst erfordert, sondern auf der Demonstration von Flexibilität durch die Agenten basiert.
4. Vergleichende Evaluation: Eine umfassende Analyse der drei Modi anhand eines realistischen Stromnetz-Use-Cases.

4. Ergebnisse

Die Studie wurde mit einem modifizierten IEEE-123-Bus-System und synthetischen Daten durchgeführt. Die Ergebnisse basieren auf 20 Durchläufen pro Deconfliction-Modus:

• Konvergenzgeschwindigkeit:
  • Bilaterale Verhandlung: Erreichte Konsens in nur 5 Runden. Die direkte Kommunikation führte zu schnellen, strategischen Kompromissen.
  • Strukturierte Mediation: Benötigte 9 Runden. Der Mediator passte die Gewichte dynamisch an.
  • Prozedurale Deconfliction: Scheiterte in einem spezifischen Fall an der Konvergenz innerhalb von 10 Runden, da die Agenten fundamental unvereinbare Positionen (Laden vs. Entladen) beibehielten und die Flexibilität des Resilienz-Agenten gegen Null ging.
• Qualität der Lösungen (Pareto-Effizienz & Fairness):
  • Alle drei Methoden erreichten Endzustände, die signifikant besser waren als ein einfacher Durchschnitt (Initial-Centroid).
  • Bilaterale Verhandlung: Erzielte die höchste Pareto-Effizienz (Lösungen liegen nahe der Pareto-Front), zeigte aber eine hohe Varianz und geringe Fairness (ungleiche Kompromisse zwischen den Agenten).
  • Strukturierte Mediation & Prozedur: Zeigten eine höhere Konsistenz (geringere Varianz) und bessere Fairness (näher an der Linie $x=y$, also gleiche Kompromisslast), jedoch auf Kosten einer leicht reduzierten Pareto-Effizienz.
• Erfolgsmetriken: Alle Methoden übertrafen den Baseline-Ansatz (Initial-Centroid) in Bezug auf die Erfolgsmetriken für Kosten und Resilienz.

5. Bedeutung und Fazit

Das Paper demonstriert, dass LLM-basierte Agenten effektiv eingesetzt werden können, um Konflikte in kritischen Infrastrukturen zu lösen, ohne dass die Anwendungen ihre interne Logik offenlegen müssen.

• Trade-off: Es gibt einen klaren Zielkonflikt zwischen der Effizienz der Lösung (Pareto-Optimalität) und der Stabilität/Fairness des Prozesses.
  • Weniger Struktur (direkte Verhandlung) führt zu effizienteren, aber variableren Ergebnissen.
  • Mehr Struktur (Mediation/Prozedur) führt zu konsistenteren und faireren Ergebnissen, kann aber die globale Optimalität leicht einschränken.
• Zukunftsausblick: Die Autoren schlagen vor, die Struktur der Deconfliction-Prozesse weiter zu optimieren, um die Vorteile der Konsistenz und Fairness beizubehalten, während die Pareto-Effizienz verbessert wird.

Zusammenfassend bietet das Framework einen skalierbaren Ansatz für die Koordination autonomer Systeme in komplexen Umgebungen wie dem Smart Grid, der sowohl technische als auch datenschutzrechtliche Anforderungen adressiert.