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

Ce papier présente AutoB2G, un cadre agentic piloté par un grand modèle de langage qui automatise entièrement la mise en œuvre et l'exécution de co-simulations bâtiment-réseau à partir de descriptions en langage naturel, permettant ainsi d'optimiser les performances du réseau électrique grâce à l'apprentissage par renforcement.

L'essentiel

Imaginez que vous voulez organiser un grand concert dans une ville. D'un côté, vous avez les musiciens (les bâtiments) qui doivent jouer de la musique (consommer de l'électricité). De l'autre, vous avez le réseau électrique (la ville) qui doit supporter cette musique sans que les câbles ne fondent ou que les haut-parleurs ne grésillent.

Le problème, c'est que jusqu'à présent, pour simuler comment ces deux mondes interagissent, il fallait être un expert en informatique, un ingénieur en électricité et un compositeur, tout en même temps. Il fallait écrire des milliers de lignes de code complexes pour dire à l'ordinateur : "Fais jouer ce bâtiment, regarde la tension, ajuste le volume, répète."

C'est là qu'intervient AutoB2G, le sujet de cet article.

🤖 Le Chef d'Orchestre Intelligent (L'IA)

AutoB2G est comme un chef d'orchestre ultra-intelligent qui ne parle pas de partitions complexes, mais qui comprend simplement ce que vous lui dites en langage naturel.

Vous lui dites : "Je veux que les bâtiments de Sydney réduisent leur consommation quand la tension du réseau est trop basse, et que j'analyse les résultats."

Au lieu de vous demander de coder, AutoB2G prend cette phrase et :

1. Cherche les bons outils dans une immense bibliothèque de code (comme chercher les bons instruments dans un magasin de musique).
2. Assemble la partition (le programme de simulation) automatiquement.
3. Fait répéter l'orchestre (exécute la simulation).
4. Écoute les fausses notes et corrige le tir tout seul si quelque chose ne va pas.

🧩 Le Puzzle et le Plan (La Base de Données DAG)

Pour que ce chef d'orchestre ne se perde pas, les auteurs ont créé une "carte au trésor" spéciale appelée DAG (un graphe orienté acyclique).

Imaginez que le code informatique est un énorme puzzle. Habituellement, si vous donnez un puzzle à une IA, elle essaie de tout assembler au hasard et ça ne marche pas. Avec AutoB2G, on donne à l'IA un plan de montage qui montre exactement quelles pièces vont ensemble et dans quel ordre.

• Analogie : C'est comme si, au lieu de donner à un cuisinier une liste de 500 ingrédients, on lui donnait une recette étape par étape qui lui dit : "D'abord coupe les oignons, puis ajoute la tomate. Ne mets pas la tomate avant les oignons, sinon ça ne marche pas."

🛠️ Le Mécanisme de Correction (TGD)

Parfois, même avec un chef d'orchestre intelligent, un instrument est mal accordé. C'est là qu'intervient le TGD (Descente de Gradient Textuelle).

Imaginez que vous essayez d'ajuster un vieux thermostat. Si la température est trop haute, vous tournez le bouton un peu. Si c'est encore trop haut, vous tournez encore.
AutoB2G fait pareil, mais avec du code :

1. Il lance la simulation.
2. Il voit une erreur (ex: "Oups, le câble a fondu").
3. Au lieu de juste dire "Erreur", il écrit un message d'explication pour l'IA : "Tu as mis le câble au mauvais endroit. Corrige-le ici."
4. L'IA modifie le code et réessaie.
5. Elle répète ce cycle jusqu'à ce que tout soit parfait, sans qu'un humain n'ait besoin d'intervenir.

🏆 Pourquoi c'est génial ?

Avant, pour faire ces simulations, il fallait des experts qui passaient des semaines à coder. Avec AutoB2G :

• C'est accessible : N'importe qui peut demander une simulation complexe en parlant simplement.
• C'est précis : Le système vérifie que les bâtiments ne font pas "exploser" le réseau électrique.
• C'est automatique : L'IA construit, teste, corrige et valide le tout seule.

En résumé : AutoB2G est un traducteur magique qui transforme vos idées simples en programmes de simulation complexes, en s'assurant que les bâtiments et le réseau électrique jouent en harmonie, comme un orchestre parfaitement accordé.

Résumé technique

1. Problématique

L'augmentation de la consommation énergétique des bâtiments et la disponibilité croissante de données opérationnelles (compteurs intelligents, IoT) ont favorisé l'utilisation de l'apprentissage par renforcement (RL) pour le contrôle des bâtiments. Cependant, plusieurs défis majeurs persistent :

• Limites des environnements existants : Les simulateurs actuels (comme CityLearn) se concentrent principalement sur les métriques côté bâtiment (coût, confort) et négligent l'impact systémique sur le réseau électrique. Des solutions comme GridLearn existent mais deviennent incompatibles avec les nouvelles versions des frameworks (ex: CityLearn V2) et manquent de flexibilité.
• Barrières techniques : La configuration de simulations complexes (co-simulation bâtiment-réseau) nécessite une expertise technique élevée et un codage manuel répétitif, ce qui freine l'adoption et la recherche.
• Défis de l'automatisation par LLM : Bien que les Grands Modèles de Langage (LLM) puissent générer du code, ils manquent souvent de connaissances contextuelles spécifiques aux environnements de simulation complexes. Ils peinent à maintenir la cohérence structurelle, à gérer les dépendances entre modules hétérogènes et à garantir l'exécutabilité des pipelines de simulation longs et complexes.

2. Méthodologie

L'article propose AutoB2G, un cadre automatisé qui permet de générer, exécuter et évaluer des simulations de co-simulation bâtiment-réseau (Building-to-Grid, B2G) à partir de simples descriptions en langage naturel. L'approche repose sur trois piliers technologiques :

A. Extension de l'environnement de simulation

Les auteurs ont étendu CityLearn V2 pour intégrer une interaction B2G complète :

• Génération de données : Utilisation d'EnergyPlus pour générer des données de demande électrique réalistes basées sur des archétypes de bâtiments et des scénarios climatiques.
• Co-simulation : Intégration de CityLearn avec Pandapower pour effectuer des analyses de flux de puissance. Les actions de contrôle des bâtiments sont appliquées, puis les charges résultantes sont injectées dans le réseau pour calculer les états du réseau (tensions, charges des lignes).
• Métriques : Définition de fonctions de récompense et de métriques d'évaluation côté réseau (admissibilité des tensions, limites thermiques, résilience N-1, courants de court-circuit).

B. Mécanisme de récupération agentic basé sur un DAG (Directed Acyclic Graph)

Pour pallier le manque de connaissance contextuelle des LLMs :

• Codage DAG : La base de code de simulation est organisée sous forme de graphe acyclique dirigé (DAG). Chaque nœud représente un module fonctionnel avec ses entrées, sorties, dépendances et ordre d'exécution.
• Récupération guidée : Un agent LLM interprète la tâche utilisateur et récupère les modules pertinents dans le DAG.
• Validation itérative : Un validateur vérifie si les modules récupérés forment un DAG valide (respect des dépendances). En cas d'erreur, l'agent reçoit un retour structuré pour réparer la séquence d'exécution avant la génération de code.

C. Cadre SOCIA et Descente de Gradient Textuelle (TGD)

Le framework utilise SOCIA (Simulation Orchestration for Computational Intelligence with Agents), un système multi-agents qui traite le code du simulateur comme une variable d'optimisation :

• Agents spécialisés : Un gestionnaire de flux coordonne des agents dédiés à la génération de code, l'exécution de la simulation, l'évaluation des résultats et la génération de retours.
• Descente de Gradient Textuelle (TGD) : Au lieu de gradients numériques, le système utilise des "gradients textuels". Si une erreur est détectée (compilation échouée, violation de contraintes), le Feedback Generator produit des instructions de réparation en langage naturel. Le Code Generator applique ces correctifs (patchs) itérativement jusqu'à ce que le programme soit exécutable et conforme aux contraintes.

3. Contributions Clés

1. Environnement de co-simulation B2G automatisé : Développement d'un environnement basé sur CityLearn V2 et Pandapower capable d'évaluer les stratégies de contrôle RL tant du point de vue du bâtiment que de la sécurité/résilience du réseau (IEEE 33 bus).
2. Mécanisme de récupération DAG : Introduction d'une méthode structurée où les dépendances de modules sont explicitement encodées dans un DAG. Cela guide l'agent pour récupérer les bons composants et assure la cohérence structurelle du pipeline, réduisant les erreurs de dépendance.
3. Intégration de SOCIA et TGD : Application réussie d'un cadre multi-agents avec une boucle de rétroaction itérative (TGD) pour la construction automatique de simulateurs. Cela permet de détecter et corriger les erreurs de code de manière autonome, améliorant la fiabilité de la génération de code complexe.

4. Résultats Expérimentaux

Les expériences ont été menées sur des tâches de complexité variable (Simple, Moyenne, Complexe) en comparant AutoB2G (SOCIA + Récupération Agentic) à des baselines (LLM seul, LLM + Récupération, SOCIA seul).

• Taux de réussite (Success Rate) :

  • Pour les tâches complexes, le LLM seul a un taux de réussite de 53 %, tandis que SOCIA + Récupération Agentic atteint 83 %.
  • Pour les tâches simples, la méthode proposée atteint un taux de réussite parfait de 100 %.
  • L'ajout de la récupération agentic et du cadre multi-agents améliore significativement la robustesse face à la complexité croissante.

• Score de Code (Code Score) :

  • Ce score mesure la précision des composants générés (sans redondance ni omission).
  • Pour les tâches complexes, le LLM seul obtient un score de 0,44, contre 0,88 pour la méthode proposée. Cela démontre que l'approche proposée évite les modules superflus et garantit l'inclusion correcte des dépendances critiques.

• Performance de la Co-simulation :

  • Les simulations montrent que le contrôleur RL optimisé par AutoB2G réduit efficacement les écarts de tension dans le réseau (distribution des tensions centrée autour de 1,0 p.u. contre une dispersion large pour la base de référence).
  • Le système s'adapte dynamiquement aux conditions de surtension et de sous-tension en modulant la charge des bâtiments, validant ainsi l'efficacité de l'optimisation côté réseau.

5. Signification et Impact

• Réduction de la barrière d'entrée : AutoB2G permet aux chercheurs et ingénieurs de concevoir des simulations de co-simulation complexes via le langage naturel, éliminant le besoin de maîtriser les détails d'implémentation de frameworks comme CityLearn ou Pandapower.
• Fiabilité accrue : L'approche itérative basée sur le DAG et la TGD résout le problème de la génération de code "à un coup" (one-shot) souvent instable pour les tâches complexes, rendant l'automatisation des simulations scientifiques viable.
• Optimisation systémique : En intégrant nativement les contraintes du réseau électrique dans le processus d'apprentissage par renforcement, le cadre favorise le développement de stratégies de contrôle qui améliorent la résilience et la sécurité des réseaux de distribution, au-delà de la simple optimisation économique des bâtiments.
• Extensibilité : Bien que validé sur CityLearn et Pandapower, l'architecture est conçue pour être extensible à d'autres outils de simulation, ouvrant la voie à une automatisation généralisée des flux de travail dans le domaine de l'énergie.

En conclusion, AutoB2G représente une avancée significative vers l'automatisation complète des pipelines de simulation énergétique, combinant la puissance des LLMs avec des contraintes structurelles rigoureuses pour garantir des résultats scientifiques fiables et reproductibles.