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

Il paper presenta AutoB2G, un framework agenziale guidato da modelli linguistici di grandi dimensioni che automatizza l'intero flusso di lavoro delle simulazioni di co-interazione edificio-rete elettrica partendo da descrizioni in linguaggio naturale, superando così la dipendenza da configurazioni manuali e competenze di programmazione.

L'essenziale

Immagina di dover organizzare un grande concerto. Da un lato hai gli artisti (gli edifici che consumano energia), dall'altro hai il sistema di illuminazione e audio (la rete elettrica). Se gli artisti suonano troppo forte o in momenti sbagliati, le luci si spengono o i diffusori bruciano.

In passato, per far sì che questi due mondi lavorassero insieme, serviva un team di ingegneri esperti che scriveva codice complesso, configurava simulazioni manuali e cercava di prevedere cosa sarebbe successo. Era come cercare di dirigere un'orchestra senza spartito, solo ascoltando e correggendo a mano ogni errore.

AutoB2G è la soluzione proposta in questo articolo: è come avere un direttore d'orchestra intelligente (basato sull'Intelligenza Artificiale) che capisce le tue istruzioni in linguaggio normale e organizza tutto da solo.

Ecco come funziona, spiegato con parole semplici:

1. Il Problema: "Parla con me, non con il codice"

Fino a oggi, per simulare come gli edifici interagiscono con la rete elettrica, dovevi essere un programmatore esperto. Dovevi scrivere righe di codice per dire al computer: "Prendi questi dati, usa questo modello, calcola quella tensione". Se sbagliavi una virgola, tutto si rompeva. Inoltre, le simulazioni esistenti guardavano solo quanto gli edifici risparmiavano, ignorando se stavano "stressando" la rete elettrica.

2. La Soluzione: AutoB2G (Il tuo Assistente Magico)

Gli autori hanno creato AutoB2G. È un sistema che ti permette di dire semplicemente: "Simula come 24 edifici gestiscono l'energia su una rete elettrica per ridurre i picchi di tensione, usando l'intelligenza artificiale".

E il sistema fa tutto il resto:

• Capisce cosa vuoi: Traduce la tua frase in un piano d'azione.
• Cerca i pezzi giusti: Immagina di avere un enorme magazzino di mattoncini LEGO (il codice). AutoB2G non guarda tutto il magazzino, ma usa una mappa intelligente (chiamata DAG) per trovare esattamente i mattoncini necessari per costruire la tua simulazione, evitando di prendere pezzi sbagliati.
• Costruisce e ripara: Usa un team di "agenti" (piccoli assistenti AI) che lavorano insieme. Uno scrive il codice, uno lo prova, uno controlla se ci sono errori. Se qualcosa non va (es. "Manca un cavo"), l'AI se ne accorge, si corregge da sola e riprova, proprio come un artigiano che rifinisce un mobile finché non è perfetto.

3. Come funziona la magia? (L'Analogia del "Gradiente Testuale")

Di solito, per correggere un errore in un computer, si usano formule matematiche complesse. Qui, gli autori usano un trucco geniale chiamato Textual Gradient Descent (TGD).

Immagina di dover sistemare una ricetta di cucina che non viene bene.

• Invece di calcolare matematicamente quanto sale manca, l'AI "assaggia" il risultato (esegue la simulazione).
• Se la torta è salata, l'AI non fa calcoli, ma scrive un promemoria: "La torta è salata perché hai messo il sale prima delle uova. Rimuovi il sale, aggiungi le uova e riprova".
• Questo "promemoria" è il gradiente testuale. L'AI legge il consiglio, aggiusta la ricetta e riprova finché la torta non viene perfetta.

4. Perché è importante?

• Per la rete elettrica: Questo sistema permette di testare strategie intelligenti per evitare blackout o sovraccarichi, facendo sì che gli edifici "ascoltino" la rete e consumino energia quando c'è, invece di quando non c'è.
• Per le persone: Non serve più essere un genio della programmazione. Un ricercatore o un pianificatore urbano può semplicemente descrivere il suo obiettivo in italiano (o inglese) e ottenere un simulatore funzionante in pochi minuti.

In sintesi

AutoB2G è come avere un architetto e un ingegnere in uno, che non hanno bisogno di disegni tecnici complessi da parte tua. Tu dici loro cosa vuoi costruire (una simulazione di edifici e rete elettrica), e loro usano l'intelligenza artificiale per trovare i materiali, assemblarli, controllare che tutto funzioni e correggere gli errori da soli, garantendo che il risultato sia sicuro ed efficiente.

È un passo enorme verso un futuro in cui l'energia è gestita in modo più intelligente, sicuro e automatico, grazie a un semplice dialogo con il computer.

Sommario tecnico

1. Il Problema

La crescente disponibilità di dati operativi sugli edifici sta spingendo l'adozione del Reinforcement Learning (RL) per il controllo degli edifici, permettendo di gestire la complessità e l'incertezza dei grandi cluster edilizi. Tuttavia, esistono diverse limitazioni critiche negli approcci attuali:

• Mancanza di valutazione a livello di rete: La maggior parte degli ambienti di simulazione esistenti (es. versioni precedenti di CityLearn) si concentra sulle metriche lato edificio (costi energetici, picchi di domanda), trascurando l'impatto sistemico sulla stabilità e la sicurezza della rete elettrica.
• Incompatibilità e complessità: Strumenti esistenti come GridLearn non sono compatibili con le ultime funzionalità di CityLearn V2 (es. integrazione veicoli elettrici, dinamica termica avanzata).
• Barriera tecnica: La configurazione di simulazioni "Building-to-Grid" (B2G) richiede un'ingente quantità di lavoro manuale, programmazione esperta e una profonda conoscenza delle dipendenze tra moduli eterogenei, rendendo difficile l'adozione diffusa.
• Limiti degli LLM puri: Sebbene i Large Language Models (LLM) siano potenti nella generazione di codice, mancano di conoscenza contestuale specifica sui flussi di lavoro di simulazione complessi e faticano a garantire la correttezza strutturale e le dipendenze in pipeline lunghe.

2. Metodologia: Il Framework AutoB2G

Il paper propone AutoB2G, un framework automatizzato guidato da LLM che completa l'intero flusso di lavoro di simulazione partendo esclusivamente da descrizioni di task in linguaggio naturale. L'architettura si basa su tre pilastri fondamentali:

A. Estensione dell'Ambiente di Simulazione

Il framework estende CityLearn V2 per abilitare la co-simulazione edificio-rete:

• Integrazione: Collega CityLearn (per la dinamica degli edifici e la generazione di carichi) con Pandapower (per l'analisi del flusso di potenza).
• Metriche B2G: Introduce reward function e metriche di valutazione che includono parametri di rete come deviazioni di tensione, limiti di carico termico delle linee e resilienza N-1.
• Generazione Dati: Supporta la generazione di dataset personalizzati tramite EnergyPlus e modelli LSTM per una dinamica termica realistica.

B. Meccanismo di Recupero Agente basato su DAG (DAG-Based Agentic Retrieval)

Per superare la mancanza di conoscenza contestuale degli LLM, gli autori costruiscono un codice base strutturato come un Grafo Aciclico Diretto (DAG):

• Rappresentazione: I moduli funzionali (configurazione, interazione, esecuzione) sono nodi nel DAG, con archi che rappresentano le dipendenze input-output e l'ordine di esecuzione.
• Recupero Iterativo: Un agente LLM interpreta il task naturale e recupera i moduli rilevanti dal DAG. Un validatore controlla se il set di moduli recuperati forma un DAG valido. Se mancano dipendenze o ci sono violazioni, l'agente riceve feedback strutturato e ripete il processo di recupero fino a ottenere una sequenza eseguibile.
• Vantaggio: Questo approccio vincola la generazione di codice alla struttura logica reale del sistema, riducendo errori di dipendenza.

C. Framework SOCIA e Textual Gradient Descent (TGD)

Per la generazione, l'esecuzione e il raffinamento del codice, AutoB2G utilizza SOCIA (Simulation Orchestration for Computational Intelligence with Agents), un sistema multi-agente:

• Ruoli degli Agenti: Un Workflow Manager coordina agenti specializzati per la generazione del codice, l'esecuzione della simulazione, la valutazione dei risultati e la generazione di feedback.
• Textual Gradient Descent (TGD): Invece di ottimizzare parametri numerici, TGD tratta il codice stesso come variabile di ottimizzazione.
  • Il sistema esegue il codice e rileva errori (violazioni di sintassi, interfacce, stabilità).
  • Un agente di feedback genera un "gradiente testuale" (istruzioni naturali strutturate) che descrive come correggere il codice.
  • Il generatore di codice applica le patch e un operatore di proiezione garantisce che il nuovo codice sia eseguibile.
  • Questo ciclo iterativo converge verso una simulazione priva di errori.

3. Contributi Chiave

1. Ambiente Co-Simulazione B2G: Sviluppo di un ambiente che integra controllo degli edifici e ottimizzazione della rete (testato su una rete di distribuzione IEEE a 33 nodi), supportando metriche di sicurezza e resilienza della rete.
2. Recupero Agente basato su DAG: Proposta di un meccanismo che utilizza un DAG per rappresentare esplicitamente le dipendenze dei moduli, guidando l'agente LLM nella costruzione di pipeline di esecuzione corrette e strutturalmente coerenti.
3. Automazione End-to-End con SOCIA e TGD: Applicazione del framework SOCIA per costruire, eseguire e valutare simulatori in modo automatico, utilizzando il TGD per rilevare e correggere iterativamente errori di codice senza intervento umano.
4. Riduzione della Barriera Tecnica: Dimostrazione che è possibile generare simulazioni complesse partendo da prompt in linguaggio naturale, riducendo drasticamente la necessità di competenze di programmazione avanzata.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su task di complessità crescente (Semplici, Medi, Complessi) confrontando AutoB2G (SOCIA + Recupero Agente) con baseline (LLM puro, LLM + Recupero, SOCIA senza recupero).

• Tasso di Successo:
  • Per task complessi, il LLM puro ha un tasso di successo del 53%, mentre SOCIA + Recupero Agente raggiunge l'83%.
  • Per task semplici, la combinazione proposta raggiunge il 100% di successo.
• Punteggio del Codice (Code Score):
  • Misura l'accuratezza dei componenti generati rispetto a quelli richiesti. In task complessi, il LLM puro ottiene solo 0.44, mentre la soluzione proposta raggiunge 0.88. Questo indica che l'approccio proposto riduce significativamente i componenti ridondanti o errati.
• Analisi delle Prestazioni di Rete:
  • Le simulazioni mostrano che le strategie di controllo basate su RL, coordinate dal framework, riescono a stabilizzare le tensioni della rete, riducendo le deviazioni e mantenendo i valori vicini al nominale (1.0 p.u.), a differenza dei controlli di base che mostrano ampie fluttuazioni e sovratensioni.
  • Il framework ha dimostrato di adattarsi dinamicamente alle condizioni di rete (es. sovravoltaggio vs sottovoltaggio), modulando il carico degli edifici per supportare la regolazione della tensione.

5. Significato e Impatto

Il lavoro di AutoB2G rappresenta un passo significativo verso l'automazione dei flussi di lavoro di ricerca nel settore energetico:

• Democratizzazione: Permette a ricercatori e ingegneri di concentrarsi su domande scientifiche di alto livello (es. strategie di controllo, resilienza) piuttosto che sulla scrittura di codice infrastrutturale ripetitivo.
• Affidabilità: L'uso combinato di vincoli strutturali (DAG) e correzione iterativa (TGD) supera i limiti degli LLM nel gestire sistemi complessi con dipendenze rigide.
• Scalabilità: Il framework è progettato per essere estendibile ad altri simulatori e standard di interfaccia, promettendo di accelerare lo sviluppo di soluzioni per la gestione intelligente dell'energia (Demand Response) su larga scala.

In sintesi, AutoB2G dimostra che l'integrazione di agenti LLM, strutture di conoscenza esplicite (DAG) e meccanismi di ottimizzazione testuale può automatizzare con successo la creazione di ambienti di simulazione avanzati per l'interazione edificio-rete.