Multi-Agent Home Energy Management Assistant

Dit paper introduceert HEMA, het eerste open-source multi-agent systeem dat door middel van een drie-laags architectuur en gespecialiseerde agenten mens-AI samenwerking mogelijk maakt voor diverse huishoudelijke energietaken, terwijl het bovendien een uitgebreid evaluatiekader biedt voor systematische testen zonder uitgebreid menselijk subjectonderzoek.

De kern

Stel je voor dat je huis een heel drukke, complexe machine is. Je hebt zonnepanelen op het dak, een elektrische auto die moet laden, een airco die soms te hard werkt, en elektriciteitsrekeningen die je soms in paniek brengen. Normaal gesproken zijn slimme huishoudsystemen als een stille bibliothecaris: ze hebben alle boeken (data) in huis, maar als je iets vraagt, geven ze je alleen een statische lijst of een simpele grafiek. Je moet zelf de puzzel leggen.

Dit artikel introduceert HEMA (Home Energy Management Assistant). HEMA is niet zomaar een bibliothecaris; het is een slimme, meertalige huismanager die met je meedenkt, praat en actie onderneemt.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Drie-Koppige Team (Het Multi-Agent Systeem)

In plaats van één robot die alles probeert te doen, werkt HEMA met een gespecialiseerd team van drie "personages" (agenten). Wanneer je een vraag stelt, fungeert een slimme receptionist (de classifier) als schakelkast. Hij luistert naar je vraag en roept precies de juiste expert erbij:

• De Analist (De Detective):
  • Wat hij doet: Hij kijkt naar je energieverbruik alsof hij een detective is die een moordzaak oplost. Hij zoekt uit: "Wie is de dader?" (welke apparaten verbruiken het meeste?) en "Wanneer gebeurde het?" (wanneer zijn de piekmomenten?).
  • Voorbeeld: Als je zegt "Mijn rekening is te hoog", zoekt hij direct in je data en zegt: "Het is de airco en je zwembadpomp. Als je de pomp 's nachts laat draaien, bespaar je geld."
• De Leraar (De Gids):
  • Wat hij doet: Hij is je persoonlijke energieleraar. Geen saaie handleidingen, maar antwoorden op vragen als "Wat is een warmtepomp?" of "Krijg ik subsidie voor nieuwe ramen?". Hij haalt betrouwbare informatie uit officiële bronnen (zoals de Amerikaanse overheid) en legt het uit in begrijpelijke taal.
  • Voorbeeld: Je vraagt: "Wat betekent 'tijd-tarief'?" Hij legt uit: "Het is als een supermarkt: 's avonds is alles goedkoper, overdag duurder. Schuif je wasmachine naar 's avonds en je bespaart."
• De Regisseur (De Technicus):
  • Wat hij doet: Hij is de handjes die de apparaten aansturen. Maar hij is voorzichtig! Hij vraagt eerst toestemming en controleert of het veilig is.
  • Voorbeeld: Je zegt: "Zet de airco op 20 graden." Hij checkt eerst: "Is dat veilig voor je oude airco? Ja? Oké, gedaan. En ik heb hem zo ingesteld dat hij 's avonds automatisch uitgaat om geld te besparen."

2. Hoe het gesprek werkt (Sustained Collaboration)

De meeste chatbots zijn als een ping-pongspeler die elke keer opnieuw begint. Je zegt iets, hij antwoordt, en dan is de bal weer bij jou. Het vergeten ze wat je eerder zei.

HEMA is anders. Het is alsof je een gesprek voert met een oude vriend die je hele geschiedenis onthoudt.

• Jij: "Mijn rekening is hoog."
• HEMA: "Ik zie dat de airco veel gebruikt."
• Jij: "Ja, maar ik heb een zwembadpomp ook."
• HEMA: "Ah, ja! Die pomp is ook een groot probleem. Laten we die 's nachts laten draaien."
• Jij: "Kun je dat voor me regelen?"
• HEMA: "Natuurlijk, ik heb het al ingesteld."

Het onthoudt de context, zodat je niet elke keer alles opnieuw hoeft uit te leggen.

3. Waarom is dit belangrijk?

Vroeger waren huishoudens passieve passagiers in hun eigen energievoertuig. Ze zagen alleen de snelheidsmeter (de meterstand) en moesten zelf raden hoe ze moesten sturen.

Met HEMA worden ze de piloot.

• Voor de gewone mens: Je hoeft geen ingenieur te zijn om te begrijpen waarom je veel betaalt. Je kunt gewoon vragen: "Waarom is mijn rekening zo hoog?" en krijgt een duidelijk antwoord.
• Voor het milieu: Door slim te schakelen (bijvoorbeeld de elektrische auto laden als de zon schijnt of de wind waait), wordt er minder energie verspild.
• Voor de onderzoekers: Omdat HEMA open-source is (iedereen mag het zien en aanpassen), kunnen ontwikkelaars er hun eigen "gereedschapskist" aan toevoegen. Het is als een LEGO-set voor energiesturing: je bouwt je eigen versie.

4. Hoe weten ze of het werkt? (De Simulatie)

Om te testen of HEMA goed werkt, hebben ze geen duizenden mensen nodig om urenlang te chatten. Ze hebben een virtuele testgroep gebruikt.
Stel je voor dat ze een computer hebben geprogrammeerd om te doen alsof hij drie verschillende mensen is:

1. Een verwarde starter (die niets van energie weet).
2. Een tech-savvy expert (die alles wil weten).
3. Een budget-bewuste ouder (die alleen wil weten: "Hoeveel bespaar ik?").

Deze virtuele mensen hebben met HEMA gepraat in honderden scenario's. Het resultaat? HEMA slaagde er in 98% van de gevallen in om de vraag van de gebruiker te beantwoorden en gaf bijna altijd de juiste feitelijke informatie.

Samenvatting

HEMA is de eerste open-source, slimme assistent die je echte gesprekspartner wordt in het beheer van je huisenergie. Het combineert de slimheid van moderne AI met specifieke kennis over stroom, gas en apparaten. Het maakt complexe beslissingen makkelijk, bespaart geld en helpt ons allemaal om bewuster met energie om te gaan, alsof je een persoonlijke energiedeskundige in je broekzak hebt.

Technische samenvatting

Titel: Multi-Agent Home Energy Management Assistant (HEMA)

Auteur: Wooyoung Jung (Universiteit van Arizona)

---

1. Probleemstelling

Bestaande systemen voor huishoudelijk energiebeheer (HEMS) behandelen bewoners vaak als passieve ontvangers van energiestatistieken en geautomatiseerde controles. Dit leidt tot:

• Beperkte betrokkenheid: Gebruikers worden niet actief betrokken bij het nemen van beslissingen.
• Suboptimale keuzes: Door gebrek aan inzicht en educatie worden kansen voor kostenbesparing en emissiereductie gemist.
• Tekortkomingen in huidige AI-oplossingen: Bestaande LLM-integraties (Large Language Models) zijn vaak beperkt tot statische, eenrichtingsvragen, gebrek aan gespecialiseerde agent-architecturen, en gebrek aan robuuste evaluatiemethodieken die multi-turn interacties en mens-AI samenwerking realistisch simuleren.

Er is een dringende behoefte aan een intelligent, open-source systeem dat bewoners helpt hun energieverbruik te begrijpen, hun energieliteratuur verbetert en hen in staat stelt om gefundeerde beslissingen te nemen via natuurlijke taal.

2. Methodologie en Architectuur

HEMA is het eerste open-source, volledig aanpasbare multi-agent systeem dat mens-AI samenwerking mogelijk maakt via multi-turn gesprekken met behoud van context. De architectuur bestaat uit drie lagen:

A. Drie-Lagen Architectuur

1. Frontend: Een webgebaseerde chatinterface (React, Vite, Tailwind CSS) die multi-turn dialogen en Markdown-rendering ondersteunt.
2. Backend: Een API-server (FastAPI) die verzoeken verwerkt en verbinding maakt met het multi-agent systeem. Het ondersteunt meerdere LLM-aanbieders (OpenAI, Ollama, Google, Anthropic) met een "cascading fallback"-mechanisme voor uitvalbestendigheid.
3. Multi-Agent Systeem: De kern, gebouwd met LangChain en LangGraph. Dit biedt een expliciete state-graph-architectuur voor voorspelbare agent-werkstromen.

B. Gespecialiseerde Agents

Het systeem gebruikt drie gespecialiseerde agents, elk met eigen tools en een ReAct (Reasoning and Action) paradigma:

• Analysis Agent: Analyseert energieverbruiksdata (CSV-bestanden), identificeert piekverbruikers, berekent kosten en geeft optimalisatieadviezen. (18 tools, o.a. data-loading, trendanalyse, tariefanalyse).
• Knowledge Agent: Beantwoordt educatieve vragen over energieconcepten, subsidies en technologieën. Gebruikt Retrieval-Augmented Generation (RAG) over documenten van het Amerikaanse Departement van Energie (DOE) en ENERGY STAR, gecombineerd met weergegevens. (8 tools).
• Control Agent: Beheert slimme apparaten (thermostaten, pompen, EV-laders). Werkt volgens een "discovery-first" workflow: eerst context verzamelen, dan validatie van veiligheidsmarges, en tenslotte uitvoering met expliciete gebruikersbevestiging. (10 tools).

C. Intelligent Routering

Een self-consistency classifier routeert gebruikersvragen naar de juiste agent. Dit proces gebruikt Chain-of-Thought (CoT) redenering met vier parallelle classificatiepogingen en meerderheidsstemming (majority voting) om de intentie te bepalen. Bij onduidelijkheid vraagt het systeem om verduidelijking in plaats van een foutieve route te kiezen.

D. Evaluatiemethodiek

Om uitgebreid menselijk testen te omzeilen, gebruikt HEMA een "LLM-as-simulated-user" methode:

• Personas: Drie gebruikersprofielen (Verwarde Nieuweling, Budgetbewuste Ouder, Technisch Onderlegde Optimizer).
• Scenario's: 7 realistische HEM-taken (o.a. tariefanalyse, apparaatoptimalisatie, subsidie-informatie).
• Metrics: 23 objectieve metrieken verdeeld over vier categorieën: Taakprestatie, Feitelijke Nauwkeurigheid, Interactiekwaliteit en Systeem-efficiëntie.

3. Belangrijkste Bijdragen

1. Eerste Open-Source Multi-Agent HEMS: Een volledig aanpasbaar systeem dat mens-AI samenwerking mogelijk maakt voor diverse taken (analyse, educatie, controle).
2. Gespecialiseerde Agent-architectuur: Een robuust ontwerp met gescheiden agents voor analyse, kennis en controle, gecoördineerd door een CoT-gebaseerde routering.
3. Uitgebreid Evaluatiekader: Een reproduceerbaar testframework met 23 metrieken en gesimuleerde gebruikers, wat een standaard biedt voor het beoordelen van LLM-geïntegreerde energiesystemen.
4. Open Beschikbaarheid: De volledige code, prompts, data en evaluaties zijn open-source (GPL-3.0) beschikbaar via GitHub.

4. Resultaten

Het systeem werd getest in 105 evaluatieruns (3 personas × 7 scenario's × 5 herhalingen):

• Doelbereiking: 98,1% van de taken werd succesvol voltooid.
• Feitelijke Nauwkeurigheid: 95,9% van de numerieke claims lag binnen 5% van de grondwaarheid (778 claims geverifieerd).
• Veiligheid bij Controle: Bij apparaatbesturing werd in 100% van de gevallen eerst informatie verzameld voordat er actie werd ondernomen.
• Fouten: De enige mislukkingen (2 van de 105) vonden plaats in complexe scenario's (vakantievoorbereiding met meerdere apparaten) waar het gesprekslimiet werd bereikt.
• Efficiëntie: De gemiddelde responstijd was 35,6 seconden, met variatie afhankelijk van de complexiteit van de taak.

5. Betekenis en Impact

• Voor Huishoudens: HEMA democratiseert energiebeheer door complexe data om te zetten in begrijpelijke, actiegerichte inzichten via natuurlijke taal, ongeacht de technische kennis van de gebruiker.
• Voor Nutbedrijven: Het systeem kan vraagflexibiliteit stimuleren (bijv. verschuiven van EV-laden naar daluren), wat ondersteuning biedt aan vraagrespons-programma's.
• Voor Onderzoek: HEMA fungeert als een platform voor verdere innovatie in mens-AI interactie binnen de energiesector. De open architectuur en het evaluatiekader stellen onderzoekers in staat om nieuwe agenten, tools en redeneerstrategieën te testen zonder opnieuw te hoeven beginnen.

Conclusie: HEMA vertegenwoordigt een verschuiving van passief monitoring naar actieve, gefundeerde samenwerking tussen mens en AI in de thuisomgeving, met een sterke focus op veiligheid, transparantie en educatie.