Resumen Técnico: LLMs para la Gestión Agéntica de la Energía en el Hogar

Planteamiento del Problema

Los Sistemas de Gestión de la Energía en el Hogar (HEMS, por sus siglas en inglés) ofrecen un potencial significativo para reducir los costes de la electricidad residencial y apoyar la respuesta a la demanda mediante el desplazamiento de cargas flexibles (p. ej., carga de vehículos eléctricos, lavadoras, lavavajillas) hacia horarios óptimos. Sin embargo, su adopción se ve obstaculizada por la "carga de interacción del usuario": los HEMS convencionales requieren que usuarios no expertos traduzcan sus preferencias cotidianas en restricciones técnicas de programación. Si bien los Modelos de Lenguaje Extensos (LLMs) ofrecen una interfaz de lenguaje natural para cerrar esta brecha, la investigación existente sobre HEMS agénticos enfrenta cuatro limitaciones críticas:

1. Cobertura de Modelos Limitada: Los trabajos previos dependen de modelos de código abierto, con fallos reportados en la coordinación de múltiples electrodomésticos.
2. Optimización Basada Únicamente en el Precio: Los sistemas existentes optimizan únicamente los precios mayoristas de la electricidad, ignorando el autoconsumo solar y la generación fotovoltaica (PV) consciente del clima.
3. Evaluación Estrecha: Las evaluaciones suelen utilizar datos de precios de un solo día sin rigor estadístico o pruebas a través de regímenes de volatilidad.
4. Conflictos de Restricciones no Probados: Los estudios previos no evalúan el comportamiento del agente cuando los programas de coste óptimo violan restricciones estrictas del usuario (p. ej., plazos, límites de potencia), creando puntos ciegos de seguridad.

Metodología

Los autores proponen un agente ReAct de llamada a herramientas único diseñado para operar con datos de mercado minorista en tiempo real (el tarifario Agile de Octopus Energy en el Reino Unido) y pronósticos meteorológicos. A diferencia de los diseños multi-agente jerárquicos, este sistema utiliza un único LLM para orquestar la recuperación de datos, el análisis y la toma de decisiones.

Arquitectura del Sistema

• Núcleo del Agente: Un agente ReAct basado en LangGraph que intercala el razonamiento con las invocaciones de herramientas.
• Capa de Herramientas: El agente accede a seis herramientas específicas:
  1. Recuperación de precios de electricidad (tarifas Agile de media hora).
  2. Recuperación de pronósticos meteorológicos (temperatura, irradiancia).
  3. Predicción de generación PV (conversión de datos meteorológicos a salida esperada).
  4. Computación de la ventana más barata (identificación de intervalos de inicio óptimos).
  5. Programación de electrodomésticos (compromiso de tiempos de inicio).
  6. Reporte de inviabilidad (declaración formal de solicitudes insatisfactorias).
• Verdad de Referencia (Ground Truth): Los programas se comparan con un resolvedor de Programación Lineal Entera Mixta (MILP) extendido que minimiza el coste neto, definido como los costes de importación menos los ingresos por exportación, mientras tiene en cuenta el autoconsumo PV y los límites de potencia del hogar.
• Modelos Evaluados: Se probaron tres modelos comerciales: GPT-4o-mini (OpenAI), Gemini 2.5 Flash (Google) y Claude Sonnet 4.6 (Anthropic).
• Interfaces: El estudio compara la llamada a funciones nativa (invocación estructurada de herramientas) frente a las acciones de parseo de texto (extracción de salida de texto libre).

Diseño Experimental

La evaluación abarca cuatro experimentos:

1. Benchmark Multi-día: 12 días de tarifas distintos bajo regímenes de baja, media y alta volatilidad, probando la programación de uno y múltiples electrodomésticos.
2. Suite de Estrés de Conflicto de Restricciones: Seis escenarios adversos (S1–S6) que prueban conflictos de plazos, violaciones de límites de potencia, interpretación de calendarios irregulares, reporte de inviabilidad, conflictos de instrucciones y recuperación de fallos de herramientas.
3. Co-optimización Consciente del Clima: Comparación de objetivos de solo precio frente a objetivos de coste neto (incluyendo PV) a través de regímenes nublados, mixtos y soleados, con análisis de sensibilidad sobre errores de pronóstico.
4. Despliegue Longitudinal: Una simulación de una semana proyectando costes de cuatro semanas y probando capacidades de planificación conjunta semanal.

Contribuciones Clave

1. Benchmark de Modelos Multi-día (C1): Una comparación estadísticamente fundamentada de modelos comerciales para HEMS agénticos. El estudio demuestra que, con la llamada a funciones nativa, los modelos comerciales logran una coordinación casi perfecta, mientras que las interfaces de parseo de texto degradan significamente la fiabilidad.
2. Suite de Estrés de Conflicto de Restricciones (C2): Un marco adversarial reutilizable que revela que los modelos de coste óptimo y los de seguridad óptima difieren. El estudio introduce métricas para la satisfacción de plazos, violación de restricciones y reporte de inviabilidad, destacando que la guía de prompts por sí sola no puede solucionar todos los fallos críticos de seguridad.
3. Co-optimización Solar Consciente del Clima (C3): Una extensión del objetivo de programación para incluir el pronóstico de PV en vivo. El estudio muestra que la integración meteorológica proporciona beneficios dependientes del régimen: mejora el coste neto en días nublados, pero puede ser contraproducente en días soleados con precios de importación negativos, donde la importación de la red es más barata que el autoconsumo.

Resultados

• Rendimiento de Programación: Con la llamada a funciones nativa, los tres modelos lograron un 100% de éxito en la programación en 36 ejecuciones. GPT-4o-mini y Gemini 2.5 Flash alcanzaron un 100% de optimalidad (igualando la verdad de referencia MILP), mientras que Claude Sonnet 4.6 alcanzó un 86% de optimalidad con una brecha de coste insignificante (0.12%).
• Fiabilidad de la Interfaz: Las interfaces de parseo de texto causaron una fuerte disminución en el rendimiento. La optimalidad de GPT-4o-mini cayó al 31%, y Claude Sonnet 4.6 exhibió un "cortocircuito conversacional", donde proporcionaba confirmaciones de prosa fluida sin comprometer realmente las acciones de programación (31% de éxito).
• Gestión de Restricciones:
  • Claude Sonnet 4.6 emergió como el modelo de cumplimiento de restricciones más fuerte, manejando correctamente los límites de potencia y el reporte de inviabilidad sin guía explícita.
  • GPT-4o-mini, aunque es el más eficiente, falló al serializar electrodomésticos bajo restricciones de límite de potencia y priorizó instrucciones casuales sobre plazos estrictos, incluso con prompts guiados.
  • Gemini 2.5 Flash fue sensible a la guía, requiriendo reglas explícitas para resolver conflictos de instrucciones de manera fiable.
• Integración Meteorológica: La programación consciente del clima redujo los costes netos en £0.14/día en días nublados al desplazar las cargas hacia los picos de PV. Sin embargo, en días soleados con precios negativos, la política consciente del clima fue ligeramente más cara (£0.15/día más) porque priorizó el autoconsumo sobre las importaciones de red más baratas.
• Impacto Económico: Durante una semana simulada, los agentes capturaron entre el 96.7% y el 98.0% de los ahorros disponibles para el oráculo MILP. En comparación con una línea base de temporizador de fuera de horas estándar, los agentes proyectaron ahorros anuales de aproximadamente £1,270.

Significado y Reivindicaciones

El artículo afirma avanzar en el campo de los HEMS agénticos al ir más allá de las aplicaciones de LLM de "solo interfaz" hacia agentes de programación autónomos que comprometen decisiones directamente. Su principal significancia reside en tres áreas:

1. Viabilidad de los HEMS Agénticos Comerciales: El estudio establece que los LLM comerciales con llamada a funciones nativa pueden reemplazar de forma fiable los complejos pipelines de optimización programados a mano para la programación residencial, logrando una optimalidad cercana a la de MILP sin configuración manual de parámetros.
2. La Seguridad como Métrica Primaria: Los autores argumentan que el cumplimiento de las restricciones bajo conflicto es un "eje de evaluación de primera clase". Demuestran que el modelo más eficiente no es necesariamente el más seguro, lo que requiere un validador de viabilidad determinista e independiente del modelo antes de que se ejecute cualquier programa.
3. Optimización Consciente del Contexto: El trabajo destaca que la optimización de "talla única" es insuficiente; la co-optimización consciente del clima debe habilitarse o deshabilitarse dinámicamente según los regímenes del mercado (p. ej., precios negativos) para evitar pérdidas económicas.

El artículo concluye que, si bien los HEMS agénticos son viables y económicamente superiores a las líneas base basadas en reglas, su despliegue requiere una selección cuidadosa del modelo de backend basada en el compromiso específico entre eficiencia y restricciones de seguridad, junto con mecanismos robustos de validación post-hoc.