VeraGrid-Agent: Tool-Augmented LLMs for Distribution Optimal Power Flow at the Grid Edge

तकनीकी सारांश: VeraGrid-Agent

समस्या विवरण

लार्ज लैंग्वेज मॉडल्स (LLMs) ने कोड जनरेशन और रीजनिंग में महत्वपूर्ण क्षमताएं प्रदर्शित की हैं, जिससे पावर सिस्टम जैसे वैज्ञानिक और इंजीनियरिंग डोमेन में उनका अन्वेषण बढ़ गया है। हालांकि, डिस्ट्रीब्यूशन ऑप्टिमल पावर फ्लो (D-OPF) से संबंधित जटिल प्रश्नों के उत्तर देना एक अनूठी चुनौती पेश करता है। इन प्रश्नों के लिए अक्सर AC पावर-फ्लो समीकरणों, डिस्ट्रीब्यूटेड एनर्जी रिसोर्सेज (DERs), और ग्रिड बाधाओं (constraints) से जुड़ी गैर-कन्वेक्स (non-convex), NP-hard संख्यात्मक समस्याओं को हल करने की आवश्यकता होती है।

जब LLMs केवल पैरामीट्रिक ज्ञान (मेमोरी) का उपयोग करके ऐसे प्रश्नों के उत्तर देने का प्रयास करते हैं, तो वे अनुमान लगाने के लिए मजबूर होते हैं, जिससे अक्सर संख्यात्मक रूप से गलत आउटपुट प्राप्त होता है। यह शोध पत्र तर्क देता है कि सटीक संख्यात्मक सिमुलेशन, जैसे कि PV नोड्स पर वोल्टेज वृद्धि, बस क्षमताएं, DER कटौती (curtailment), या फीडर लॉस निर्धारित करने के लिए केवल भाषाई तर्क अपर्याप्त है। मुख्य समस्या वैज्ञानिक तर्क में वास्तविक गणना और याद रखने (memorization) या मतिभ्रम (hallucination) के बीच अंतर करने की है।

कार्यप्रणाली

इसे संबोधित करने के लिए, लेखक VeraGrid-Agent का प्रस्ताव करते हैं, जो एक टूल-ऑगमेंटेड LLM फ्रेमवर्क है जिसे स्वायत्त रूप से D-OPF समस्याओं को हल करने के लिए डिज़ाइन किया गया है। कार्यप्रणाली में एक क्लोज्ड-लूप वर्कफ़्लो शामिल है जहाँ LLM आंतरिक ज्ञान पर भरोसा करने के बजाय एक बाहरी सॉल्वर के लिए एक कंट्रोलर के रूप में कार्य करता है।

1. एजेंट वर्कफ़्लो

एजेंट एक आइसोलेटेड वर्कस्पेस के भीतर संचालित होता है और एक ReAct (Reasoning + Acting) फ्रेमवर्क का पालन करता है। प्रत्येक क्वेरी के लिए, एजेंट:

• इनपुट लिखता है: समस्या के विवरण के आधार पर फीडर ग्राफ, बसों, शाखाओं (branches), लोड और DER कॉन्फ़िगरेशन का वर्णन करने वाली एक JSON इनपुट फ़ाइल बनाता है।
• सॉल्वर निष्पादित करता है: ओपन-सोर्स VeraGrid सिम्युलेटर को कॉल करता है, जो AC-OPF समस्या को संख्यात्मक रूप से हल करता है।
• आउटपुट पढ़ता है: सॉल्वर कॉन्टेक्स्ट विंडो को संक्षिप्त रखने के लिए पूर्ण समाधान के बजाय निष्पादन मेटाडेटा और एक विषय सूची (table of contents) लौटाता है। एजेंट फिर विशिष्ट परिणाम लाइनों (जैसे, विशिष्ट लाइन फ्लो या बस वोल्टेज) के लक्षित पठन (targeted reads) करता है।
• उत्तर चुनता है: सही विकल्प चुनने के लिए प्राप्त संख्यात्मक डेटा की व्याख्या करता है।

रनवे लूप्स को रोकने के लिए सिस्टम को अधिकतम इटरेशन ($T_{max}$) तक सीमित किया गया है, हालांकि अधिकांश क्वेरी कुछ ही चरणों में हल हो जाती हैं।

2. बेंचमार्क: VeraGrid-MCQ-150

प्रदर्शन का मूल्यांकन करने के लिए, लेखक एक नियतात्मक (deterministic), टेम्पलेट-संचालित बेंचमार्क VeraGrid-MCQ-150 पेश करते हैं।

• जनरेशन: प्रश्न विशेषज्ञ-परिभाषित टेम्पलेट्स द्वारा उत्पन्न किए जाते हैं जहाँ ग्राउंड ट्रुथ सीधे VeraGrid सिम्युलेटर द्वारा कंप्यूट किया जाता है। यह सुनिश्चित करता है कि प्रत्येक उत्तर एक विशिष्ट हल किए गए नेटवर्क रिकॉर्ड का एक नियतात्मक फलन (function) है।
• कठिनाई स्तर:
  • आसान (50 प्रश्न): प्रत्यक्ष रिट्रीवल (जैसे, नोड वोल्टेज मैग्नीट्यूड, एलिमेंट काउंट)।
  • मध्यम (50 प्रश्न): सिंगल-स्टेप डेरिवेशंस (जैसे, per-unit कन्वर्जन, लाइन इम्पीडेंस मैग्नीट्यूड, पावर फैक्टर)।
  • कठिन (50 प्रश्न): मल्टी-स्टेप कंप्यूटेशन और क्रॉस-टेबल इन्फरेंस (जैसे, एग्रीगेटेड ब्रांच लॉस, नेट रिज़र्व पावर, थर्मल मार्जिन)।
• मूल्यांकन मीट्रिक: सटीकता को ग्राउंड ट्रुथ ($\ell^*$) के विरुद्ध सही ढंग से अनुमानित लेबल ($\hat{\ell}$) के प्रतिशत के रूप में मापा जाता है, जिसमें त्रुटिपूर्ण या गायब प्रतिक्रियाओं को गलत माना जाता है।

मुख्य योगदान

यह शोध पत्र तीन प्राथमिक योगदान देता है:

1. टूल-ऑगमेंटेड आर्किटेक्चर: एक अभिनव टूल-ऑगमेंटेड फ्रेमवर्क जहाँ LLM सिम्युलेटर इनपुट लिखता है, VeraGrid सॉल्वर को निष्पादित करता है, और प्रासंगिक परिणाम पढ़ता है, जिससे यह सुनिश्चित होता है कि प्रत्येक उत्तर सॉल्वर आउटपुट से पता लगाने योग्य (traceable) है।
2. नियतात्मक बेंचमार्क: VeraGrid-MCQ-150 का परिचय, जो एक प्रतिलिपि योग्य (reproducible) टेस्टबेड है जिसमें सत्यापित ग्राउंड ट्रुथ है, जो एक हल किए गए नेटवर्क से मात्रात्मक जानकारी प्राप्त करने की एजेंट की क्षमता का मूल्यांकन करता है, जिससे स्थिर याद रखने (static memorization) पर निर्भरता को रोका जा सके।
3. अनुभवजन्य अध्ययन (Empirical Study): दो व्यवस्थाओं के तहत सात अलग-अलग LLMs का एक व्यापक मूल्यांकन: "नो-टूल" (केवल विवरण से तर्क करना) और "एजेंट" (टूल-ऑगमेंटेड)। अध्ययन प्रदर्शन लाभों और विफलता मोड का विश्लेषण करता है।

परिणाम

लेखकों ने 8-बस रेडियल फीडर टेस्ट केस पर सात मॉडल्स (GPT-5.2, Claude Sonnet 4.5, Gemini 3 Flash, Grok 4.3/4.5, Composer 2.5, और Opus 4.8 सहित) का मूल्यांकन किया।

• नो-टूल व्यवस्था: सॉल्वर तक पहुंच के बिना, सभी मॉडल्स का प्रदर्शन खराब रहा, जिसमें समग्र सटीकता 41.3% से 49.3% के बीच रही। यह पुष्टि करता है कि इन संख्यात्मक कार्यों के लिए पैरामीट्रिक ज्ञान अपर्याप्त है।
• टूल-ऑगमेंटेड व्यवस्था: VeraGrid-Agent के साथ, सभी मॉडल्स में सटीकता नाटकीय रूप से सुधरी, जो 97.3% से 100.0% के बीच रही।
  • Gemini 3 Flash, Grok 4.3, और Grok 4.5 ने 100% की पूर्ण सटीकता प्राप्त की।
  • GPT-5.2 और Claude Sonnet 4.5 ने केवल एक कठिन प्रश्न मिस किया।
  • Opus 4.8 और Composer 2.5 ने क्रमशः दो और चार प्रश्न मिस किए।
• विफलता मोड विश्लेषण: शेष त्रुटियां सॉल्वर निष्पादन विफलताओं के कारण नहीं थीं (कोई टाइमआउट या निष्पादन त्रुटि नहीं हुई)। इसके बजाय, त्रुटियां मल्टी-स्टेप रीजनिंग के दौरान गलत व्याख्याओं से उत्पन्न हुईं, जैसे कि एक सिंगल टर्मिनल पर ब्रांच लॉस को एग्रीगेट करना या DER कटौती को डिस्पैच के साथ भ्रमित करना।
• टूल्स का प्रभाव: सुधार सबसे महत्वपूर्ण उन प्रश्नों के लिए था जिनमें संख्यात्मक गणना (जैसे, फीडर लॉस, वोल्टेज राइज) की आवश्यकता थी। वे प्रश्न जिन्हें प्रॉम्प्ट विवरण से ही उत्तर दिया जा सकता था (जैसे, टोपोलॉजी, लाइन पैरामीटर्स), उनमें बहुत कम सुधार हुआ, क्योंकि उनके लिए नो-टूल बेसलाइन पहले से ही अपेक्षाकृत उच्च थी।

महत्व और दावे

शोध पत्र का दावा है कि ग्रिड-एज विश्लेषण जैसे ग्राउंडेड, संख्यात्मक रूप से गहन इंजीनियरिंग कार्यों के लिए, LLM बैकबोन के चुनाव की तुलना में बाहरी गणना उपकरणों तक पहुंच अधिक महत्वपूर्ण है। एक बार जब एजेंट के पास एक नियतात्मक सॉल्वर तक पहुंच होती है, तो विभिन्न LLMs के बीच प्रदर्शन का अंतर काफी हद तक समाप्त हो जाता है।

यह कार्य प्रदर्शित करता है कि टूल-ऑगमेंटेड एजेंट प्रभावी रूप से वास्तविक गणना को याद रखने और अनुमान लगाने से अलग कर सकते हैं। यह रेखांकित करता है कि जबकि वर्तमान मॉडल केवल पैरामीट्रिक ज्ञान पर निर्भर रहने पर जटिल गणितीय विश्लेषण के लिए संघर्ष करते हैं, उन्हें विशेष सॉल्वरों से लैस करने से वे उन कार्यों पर लगभग पूर्ण सटीकता प्राप्त कर सकते हैं जो अकेले LLMs द्वारा असंभव थे। लेखक सीमाओं का भी उल्लेख करते हैं, जिसमें एक सिंगल बैलेंस्ड रेडियल फीडर का उपयोग और सॉल्वर निष्पादन के लिए आवश्यक समय शामिल है, जो भविष्य के कार्यों के लिए सुझाव देते हैं जो अनबैलेंस्ड थ्री-फेज सिस्टम और एजेंट के रीजनिंग ट्रेसेस का उपयोग करके छोटे मॉडल्स को फाइन-ट्यून करने पर ध्यान केंद्रित करेंगे।