AutoB2G: A Large Language Model-Driven Agentic Framework For Automated Building-Grid Co-Simulation

Este artículo presenta AutoB2G, un marco de simulación co-automatizado impulsado por modelos de lenguaje grandes que utiliza descripciones en lenguaje natural para generar y refinar flujos de trabajo de simulación de interacción entre edificios y la red eléctrica, superando la dependencia de la configuración manual y mejorando las métricas del lado de la red.

Lo esencial

Imagina que quieres organizar una fiesta masiva donde miles de invitados (los edificios) deben bailar al ritmo de la música (la red eléctrica). Si los invitados bailan descontroladamente, la música se distorsiona y el sistema de sonido (la red) se rompe.

El problema es que, hasta ahora, para lograr que todos bailen bien juntos, necesitabas un equipo de ingenieros expertos, programadores y matemáticos trabajando durante semanas para escribir el código que controlara esa fiesta.

AutoB2G es la solución que propone este paper. Es como tener un "Director de Orquesta con Inteligencia Artificial" que puede entender lo que le pides en lenguaje normal (como "quiero que la fiesta sea eficiente y no rompa el sonido") y, automáticamente, escribe el código, prueba la música y ajusta el ritmo sin que tú tengas que tocar una sola línea de programación.

Aquí te explico cómo funciona con analogías sencillas:

1. El Problema: La Fiesta Caótica

Antes, existían dos mundos separados:

• El mundo de los edificios: Sabían cómo gastar energía (bailar), pero no se preocupaban por si la red eléctrica aguantaba.
• El mundo de la red eléctrica: Sabía cómo distribuir la energía, pero no podía "hablar" con los edificios para pedirles que cambien su ritmo.

Además, conectar estos dos mundos requería un trabajo manual enorme. Era como intentar dirigir una orquesta donde cada músico tiene un instrumento diferente y nadie sabe la partitura.

2. La Solución: AutoB2G (El Director Mágico)

AutoB2G es un sistema nuevo que une estos dos mundos usando un Gran Modelo de Lenguaje (LLM), que es básicamente una IA muy inteligente que sabe hablar y escribir código.

Pero, ¿cómo le pedimos a la IA que haga algo tan complejo sin que se confunda? Aquí entran las dos "herramientas mágicas" del sistema:

A. El Mapa del Tesoro (La DAG)

Imagina que el código de la simulación es una biblioteca gigante con millones de libros. Si le dices a la IA "busca el libro sobre energía", podría perderse o traer el libro equivocado.

AutoB2G construye un Mapa del Tesoro (llamado DAG). Este mapa no es solo una lista de libros, sino un diagrama que muestra exactamente qué libro necesitas primero, cuál sigue después y cómo se conectan.

• Analogía: Es como tener un GPS para cocinar. En lugar de decirle al chef "haz una paella", le das un mapa que dice: "Primero coge el arroz, luego el agua, luego el fuego". La IA sigue el mapa para no cometer errores de lógica.

B. El Equipo de Detectives (Agentes SOCIA)

Una sola IA a veces se equivoca o se pierde. Por eso, AutoB2G usa un equipo de agentes (como un grupo de detectives) que trabajan juntos:

1. El Arquitecto: Lee tu petición en lenguaje normal ("Quiero simular 100 casas en una red eléctrica") y busca las piezas correctas en el mapa.
2. El Constructor: Escribe el código basándose en esas piezas.
3. El Probador: Ejecuta el código para ver si funciona.
4. El Corrector: Si algo falla (por ejemplo, si la red se "rompe" en la simulación), este detective no solo dice "falló", sino que escribe una nota explicando por qué y cómo arreglarlo.

C. El "Descenso de Gradiente Textual" (TGD)

Esta es la parte más genial. Normalmente, las computadoras corrigen errores ajustando números. Pero aquí, como estamos corrigiendo código, la IA usa un "descenso de gradiente textual".

• Analogía: Imagina que estás escribiendo una carta y cometes un error de ortografía. En lugar de borrar y reescribir todo, un corrector inteligente te dice: "Oye, la palabra 'casa' está mal escrita, cámbiala por 'casa' y asegúrate de que el verbo concuerde".
• La IA repite este proceso de "escribir -> probar -> recibir nota de corrección -> corregir" una y otra vez hasta que el código es perfecto, sin que tú tengas que intervenir.

3. ¿Qué logra esto en la vida real?

Gracias a este sistema, los investigadores pueden decir:

"Simula cómo 500 edificios con paneles solares afectan la red eléctrica en un día de calor, y asegúrate de que el voltaje no suba demasiado."

Y el sistema:

1. Entiende la orden.
2. Busca las herramientas correctas en su "caja de herramientas" digital.
3. Escribe el programa de simulación.
4. Lo ejecuta y ve que hay un error de voltaje.
5. Se corrige solo y vuelve a ejecutar.
6. Te entrega los resultados finales.

En resumen

AutoB2G es como tener un asistente personal súper inteligente que traduce tus ideas en español a un complejo sistema de ingeniería eléctrica y de edificios. Ya no necesitas ser un experto en programación para estudiar cómo ahorrar energía o proteger la red eléctrica; solo necesitas saber qué quieres lograr, y el sistema se encarga de la difícil tarea de construir el puente entre tu idea y la realidad técnica.

Esto hace que la investigación sea más rápida, más barata y accesible para más personas, permitiendo que la red eléctrica sea más inteligente y resistente ante el cambio climático.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo "AutoB2G: A Large Language Model-Driven Agentic Framework For Automated Building–Grid Co-Simulation" en español:

1. Planteamiento del Problema

El aumento de la disponibilidad de datos operativos de edificios ha impulsado el uso de Aprendizaje por Refuerzo (RL) para el control de clusters de edificios. Sin embargo, existen tres desafíos principales que limitan la investigación actual:

• Falta de evaluación a nivel de red: La mayoría de los entornos de simulación existentes (como versiones anteriores de CityLearn) se centran en métricas del lado del edificio (costos, confort) y carecen de una evaluación sistemática de los impactos en la red eléctrica (seguridad, estabilidad de voltaje).
• Incompatibilidad y obsolescencia: Herramientas anteriores como GridLearn se han vuelto incompatibles con las últimas versiones de CityLearn (que ahora soportan dinámicas térmicas más realistas y datos personalizados), limitando la capacidad de explorar nuevas funcionalidades.
• Alta barrera de entrada técnica: Configurar simulaciones complejas de "Edificio-Red" requiere una gran cantidad de programación manual, gestión de dependencias entre módulos heterogéneos y conocimientos especializados, lo que desvía el esfuerzo de los investigadores de las preguntas científicas hacia la implementación de bajo nivel.

2. Metodología: El Marco AutoB2G

El artículo propone AutoB2G, un marco automatizado impulsado por Modelos de Lenguaje Grande (LLM) y agentes inteligentes. El flujo de trabajo se basa en descripciones de tareas en lenguaje natural y consta de los siguientes componentes clave:

A. Extensión del Entorno de Simulación

• Se extiende CityLearn V2 para integrar modelos de red eléctrica basados en Pandapower.
• Esto permite la co-simulación Edificio-Red (B2G): las demandas de energía de los edificios se mapean a nodos de carga en la red, se realiza un análisis de flujo de potencia y los estados de la red (ej. voltajes) se retroalimentan al agente de control.
• Se definen métricas de evaluación del lado de la red, incluyendo admisibilidad de voltaje, límites de carga térmica, resiliencia N-1 y corrientes de cortocircuito.

B. Mecanismo de Recuperación Basado en DAG (Grafo Acíclico Dirigido)

Dado que los LLM carecen de conocimiento previo sobre la estructura interna de las simulaciones complejas, se construye una base de código organizada como un DAG:

• Estructura: Los nodos representan módulos funcionales (generación de datos, configuración, ejecución) y las aristas representan dependencias y orden de ejecución.
• Función: Un agente recupera módulos relevantes de este DAG basándose en la descripción natural del usuario.
• Validación Iterativa: Si los módulos recuperados no forman un DAG válido (faltan dependencias), el sistema detecta el error y solicita al agente que repare la secuencia antes de generar el código.

C. Marco SOCIA (Orquestación de Simulación con Agentes)

Se utiliza el marco SOCIA para orquestar la generación y ejecución del código mediante múltiples agentes especializados:

1. Gestor de Flujo de Trabajo: Coordina el ciclo de generación, ejecución y reparación.
2. Generador de Código: Sintetiza el programa inicial y aplica parches.
3. Ejecutor de Simulación: Compila y ejecuta el código, registrando errores.
4. Evaluador de Resultados: Detecta inconsistencias estructurales o funcionales.
5. Generador de Retroalimentación: Analiza los errores y genera instrucciones de reparación.

D. Descenso de Gradiente Textual (TGD)

Para refinar el código, AutoB2G emplea TGD. En lugar de ajustar parámetros numéricos, trata el código del simulador como una variable de optimización.

• El sistema convierte las violaciones de restricciones (errores de compilación, fallos de interfaz) en un "gradiente textual".
• Este gradiente es una instrucción natural estructurada que indica al LLM exactamente qué partes del código modificar para reducir la "pérdida" (errores), iterando hasta converger en un programa ejecutable y libre de errores.

3. Contribuciones Clave

1. Entorno de Co-simulación Edificio-Red: Desarrollo de un entorno basado en CityLearn V2 y Pandapower que soporta optimización y evaluación tanto del lado del edificio como de la red, validado en la red de distribución IEEE 33-bus.
2. Mecanismo de Recuperación Agente-DAG: Propuesta de un mecanismo que utiliza un DAG estructurado para guiar la recuperación de módulos por parte del agente, asegurando la consistencia estructural y la completitud del flujo de trabajo.
3. Automatización End-to-End con SOCIA y TGD: Aplicación del marco SOCIA con un mecanismo de retroalimentación basado en TGD para construir, ejecutar y corregir automáticamente simuladores complejos a partir de instrucciones en lenguaje natural, reduciendo drásticamente la intervención manual.

4. Resultados Experimentales

Los experimentos se realizaron en tareas de simulación de complejidad variable (simple, media, compleja) comparando LLMs puros, LLMs con recuperación, SOCIA puro y SOCIA + Recuperación Agente (AutoB2G).

• Tasa de Éxito:
  • En tareas complejas, el LLM puro tuvo una tasa de éxito del 53%, mientras que AutoB2G (SOCIA + AR) alcanzó un 83%.
  • En tareas simples, AutoB2G logró una tasa de éxito perfecta (100%).
• Puntuación de Código:
  • AutoB2G superó significativamente a los métodos baselines en la precisión de los componentes generados (0.88 en tareas complejas vs. 0.44 del LLM puro), evitando la generación de módulos redundantes o incorrectos.
• Efectividad del TGD:
  • El análisis de iteraciones mostró que la mayoría de los errores se corrigen en las primeras iteraciones, y el TGD permite una convergencia efectiva hacia programas ejecutables.
• Validación de Desempeño de Red:
  • Las simulaciones demostraron que el control basado en RL coordinado por AutoB2G logra estabilizar los voltajes de la red (manteniéndolos cerca de 1.0 p.u.) y reduce la dispersión de voltajes en comparación con estrategias de control base, validando la capacidad del marco para optimizar métricas de la red.

5. Significado e Impacto

El trabajo AutoB2G representa un avance significativo en la automatización de la investigación en sistemas de energía:

• Democratización: Reduce la barrera de entrada técnica, permitiendo que investigadores sin experiencia profunda en programación de simuladores complejos puedan diseñar y ejecutar experimentos de co-simulación mediante lenguaje natural.
• Fiabilidad: Introduce un enfoque estructurado (DAG + TGD) que mitiga las alucinaciones y errores de sintaxis comunes en la generación de código por LLMs en dominios científicos.
• Integración Holística: Cierra la brecha entre el control de edificios y la seguridad de la red eléctrica, facilitando el desarrollo de estrategias de respuesta a la demanda que sean seguras y resilientes para la infraestructura eléctrica.

En conclusión, AutoB2G demuestra que es posible automatizar flujos de trabajo de simulación científica complejos mediante una combinación de recuperación de conocimiento estructurada y agentes de IA iterativos, transformando la descripción de tareas en programas de simulación ejecutables y validados.