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

Dit artikel introduceert AutoB2G, een agentisch framework dat door middel van een groot taalmodel en een gerichte acyclische graaf volledige workflows voor gecoördineerde gebouw-netwerk-simulaties automatiseert op basis van natuurlijke taalopdrachten, waardoor de prestaties van het elektriciteitsnet worden verbeterd.

De kern

Stel je voor dat je een heel groot, slim huishouden wilt bouwen. Dit huis moet niet alleen zelf energie besparen, maar ook samenwerken met het hele elektriciteitsnetwerk van de stad, zodat het licht niet uitvalt en de spanning stabiel blijft.

Vroeger was het bouwen van zo'n simulatie (een digitale proefomgeving) als het proberen om een auto te bouwen terwijl je alleen een schets op een napkin hebt. Je moest zelf alle onderdelen zoeken, ze met de hand aan elkaar schroeven, en hopen dat ze pasten. Als je een foutje maakte, moest je alles opnieuw doen. Dat kostte veel tijd en vereiste dat je een expert was in zowel bouwkunde als elektrotechniek.

AutoB2G is de oplossing voor dit probleem. Het is een nieuw systeem dat werkt als een super-slome architect en aannemer in één, aangedreven door een kunstmatige intelligentie (een "Large Language Model" of LLM).

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De Taak: "Zeg het gewoon"

In plaats van urenlang te programmeren, geef je het systeem gewoon een opdracht in gewone taal.

• Voorbeeld: "Bouw een simulatie waar 24 huizen samenwerken om de spanning in het elektriciteitsnet op peil te houden, en laat zien of dat werkt."
• Het systeem begrijpt wat je bedoelt, alsof je tegen een zeer ervaren assistent praat.

2. De "Bouwplaat" (De DAG)

Het grootste probleem voor AI is dat het niet weet welke bouwblokjes er bestaan of hoe ze aan elkaar passen. AutoB2G lost dit op met een 3D-bouwplaat (in de paper een "DAG" genoemd).

• De Analogie: Stel je voor dat je een legio Lego-blokjes hebt. De AI weet niet welke blokjes je nodig hebt voor een kasteel. AutoB2G geeft de AI een speciale lijst waarop precies staat: "Je moet eerst de basis leggen, dan de muren, en pas daarna het dak. Je kunt het dak niet op de grond zetten."
• Deze lijst zorgt ervoor dat de AI de juiste onderdelen (zoals software voor gebouwen en software voor het elektriciteitsnet) selecteert en in de juiste volgorde zet.

3. Het Bouwteam (SOCIA)

Zodra de AI weet wat er nodig is, zet het een virtueel bouwteam aan het werk. Dit team bestaat uit verschillende "agenten" (speciale AI-assistenten), elk met een eigen taak:

• De Architect: Schrijft de eerste versie van de code.
• De Bouwkundige: Voert de simulatie uit (bouwt het huis).
• De Kwaliteitscontroleur: Kijkt of er lekken zijn, of de muren recht staan en of het dak niet instort.
• De Corrector: Als er een fout is (bijvoorbeeld: "Je hebt de verkeerde schroef gebruikt"), zegt deze niet alleen "Fout!", maar geeft hij een specifiek advies: "Draai die schroef om en gebruik deze nieuwe."

4. De "Tekstuele Gradiënt" (TGD)

Dit is het slimste deel. Normaal gesproken leert een computer door te tellen (wiskunde). Maar hier leert de AI door te lezen en te begrijpen.

• De Analogie: Stel je voor dat je een tekst schrijft en je leraar zegt: "Je zin is grammaticaal fout." De AI pakt die opmerking, begrijpt waarom het fout is, en herschrijft de zin direct.
• In AutoB2G doet de AI dit met code. Als de simulatie crasht, leest de AI de foutmelding, begrijpt het de oorzaak, en "herstelt" de code alsof het een tekstbewerkingsproces is. Dit proces herhaalt zich totdat het bouwwerk perfect staat.

Waarom is dit belangrijk?

• Voor de gewone mens: Het maakt complexe technologie toegankelijk. Je hoeft geen programmeur te zijn om te onderzoeken hoe we energie kunnen besparen.
• Voor de wereld: Het helpt om het elektriciteitsnet slimmer te maken. Door gebouwen slim te laten reageren op het net (bijvoorbeeld: airco's even iets minder hard draaien als het net druk is), kunnen we meer zonne- en windenergie gebruiken zonder dat het licht uitvalt.

Kort samengevat:
AutoB2G is een automatische bouwmeester die je in gewone taal vertelt wat je wilt, zelf de juiste bouwplaat uitzoekt, een team van AI-specialisten aanstuurt om het te bouwen, en het bouwwerk blijft repareren totdat het perfect werkt. Het maakt het mogelijk om de toekomst van onze energievoorziening te testen en te verbeteren, zonder dat je eerst een diploma in informatica nodig hebt.

Technische samenvatting

Probleemstelling

De groeiende beschikbaarheid van operationele data van gebouwen stimuleert het gebruik van Versterkingsleer (Reinforcement Learning - RL) voor besturingsstrategieën. Echter, bestaande simulatieomgevingen (zoals CityLearn) hebben drie belangrijke beperkingen:

1. Gebrek aan grid-integratie: Ze focussen voornamelijk op gebouwspecifieke prestaties (zoals energiekosten) en missen een systematische evaluatie van de impact op het elektriciteitsnet (bijv. spanningsstabiliteit).
2. Incompatibiliteit: Bestaande frameworks die grid-interactie ondersteunen (zoals GridLearn) zijn vaak verouderd en niet compatibel met de nieuwste functies van moderne simulatieplatforms.
3. Hoge drempel voor gebruik: Het opzetten van co-simulaties vereist aanzienlijke programmeerkennis en handmatige configuratie, wat onderzoekers afleidt van de wetenschappelijke vraagstelling.

Er is behoefte aan een geautomatiseerd framework dat complexe building-to-grid (B2G) simulaties kan uitvoeren op basis van natuurlijke taal, zonder dat de gebruiker diep in de code hoeft te duiken.

Methodologie: Het AutoB2G Framework

AutoB2G is een framework dat Large Language Models (LLM's) en multi-agent systemen combineert om een volledige simulatie-workflow te genereren, uit te voeren en te evalueren op basis van een natuurlijke taalbeschrijving. Het framework bestaat uit drie kerncomponenten:

1. Uitgebreide Simulatie-omgeving (CityLearn V2 + Pandapower)

Het framework breidt CityLearn V2 uit om B2G-interactie mogelijk te maken.

• Data-generatie: Gebruikt EnergyPlus voor het genereren van realistische gebouwdata (thermische dynamiek, HVAC).
• Co-simulatie: Integreert CityLearn met Pandapower. Op elk tijdstap worden de aggregated vraag van gebouwen doorgegeven aan het netmodel voor stroomstroomanalyse (power flow).
• Grid-aware Rewards: De beloningsfunctie voor RL-agenten kan expliciet netbeperkingen (zoals spanningsafwijkingen) straffen, waardoor agents leren om zowel gebouwencomfort als netstabiliteit te optimaliseren.
• Netanalyse: Biedt metrics voor spanningsadmissibiliteit, thermische belasting, N-1 veerkracht en kortsluitstroom.

2. DAG-gebaseerde Agente Retrieval (Directed Acyclic Graph)

Om de kennislacune van LLM's over specifieke simulatie-interfaces op te vullen, wordt de codebase georganiseerd als een DAG.

• Structuur: De codebase wordt gemodelleerd als een graaf $G=(V, E)$, waarbij knopen functiemodules zijn en randen de input-output afhankelijkheden en uitvoeringsvolgorde aangeven.
• Retrieval: Een agent interpreteert de natuurlijke taal-taak en zoekt relevante modules in de DAG.
• Validatie en Reparatie: Een validator controleert of de geselecteerde modules een geldig pad vormen. Als er ontbrekende afhankelijkheden zijn, wordt de agent gevraagd om de selectie iteratief aan te passen tot een geldige uitvoeringsvolgorde is gevonden. Dit voorkomt dat de LLM code genereert die niet compatibel is met de bestaande structuur.

3. SOCIA Framework met Textual Gradient Descent (TGD)

SOCIA (Simulation Orchestration for Computational Intelligence with Agents) is het multi-agent systeem dat de simulatie bouwt en verbetert.

• Multi-Agent Rollen: Verschillende agents hebben specifieke rollen: Workflow Manager (coördinatie), Code Generator, Simulation Executor, Result Evaluator en Feedback Generator.
• Iteratief Proces: Het systeem genereert code, voert deze uit, detecteert fouten en genereert gestructureerde feedback.
• Textual Gradient Descent (TGD): In plaats van numerieke gradiënten, gebruikt TGD een "tekstuele gradiënt". De Feedback Generator analyseert fouten en vertaalt deze naar natuurlijke taal-instructies voor reparatie (bijv. "voeg een try-except blok toe" of "corrigeer de bus-index"). De Code Generator past de code hierop aan. Dit proces herhaalt zich totdat de simulatie zonder fouten draait.

Belangrijkste Bijdragen

1. Geautomatiseerde B2G Co-simulatie: Ontwikkeling van een omgeving die zowel gebouwcontrole als netoptimalisatie ondersteunt, getest op het IEEE 33-bus distributienetwerk.
2. DAG-gebaseerde Retrieval: Een innovatieve methode om LLM's te leiden bij het selecteren van code-modules door afhankelijkheden expliciet te coderen in een graafstructuur, wat de structuur en volledigheid van de workflow garandeert.
3. SOCIA met TGD: Toepassing van een multi-agent framework met een tekstuele gradiënt-mechanisme voor iteratieve foutdetectie en -reparatie, waardoor betrouwbare simulaties kunnen worden gegenereerd zonder handmatige debugging.

Resultaten

De prestaties van AutoB2G werden getest tegen baselines (standaard LLM, LLM + Retrieval, SOCIA zonder Retrieval) op taken van verschillende complexiteit (eenvoudig, medium, complex).

• Succespercentages:
  • Bij complexe taken (meerdere stappen, complexe afhankelijkheden) bereikte de standaard LLM slechts een succespercentage van 53%.
  • De volledige AutoB2G oplossing (SOCIA + Agente Retrieval) behaalde een succespercentage van 83%.
  • Bij eenvoudige taken behaalde AutoB2G een perfecte score van 100%.
• Kwaliteit van Code (Code Score):
  • De standaard LLM genereerde vaak redundantie of ontbrekende componenten (score: 0.44 bij complexe taken).
  • AutoB2G behaalde een score van 0.88, wat aantoont dat de combinatie van DAG-retrieval en iteratieve reparatie essentieel is voor het genereren van correcte, uitvoerbare code.
• Netprestaties:
  • RL-agenten die door AutoB2G werden getraind, slaagden erin de spanningsvariaties op het net aanzienlijk te verminderen (van een spreiding van ±0.4 p.u. naar een strakkere spreiding rond de nominale 1.0 p.u.).
  • De agenten pasten de belasting dynamisch aan: bij overvoltage werd de vraag verhoogd, en bij ondervoltage verlaagd, wat de netstabiliteit ondersteunt.

Betekenis en Conclusie

AutoB2G markeert een paradigmaverschuiving in de simulatie van energiestelsels. Het verlaagt de technische drempel voor onderzoekers aanzienlijk, waardoor ze zich kunnen focussen op wetenschappelijke vragen in plaats van op de implementatie van complexe simulatiepipelines.

Het framework bewijst dat LLM's, wanneer ze worden ondersteund door structurele constraints (DAG) en iteratieve feedback (TGD), betrouwbaar complexe, multi-stap simulaties kunnen bouwen die zowel gebouw- als netperspectieven integreren. Dit opent nieuwe wegen voor data-gedreven onderzoek naar vraagrespons en de stabiliteit van toekomstige elektriciteitsnetten met een hoge penetratie van hernieuwbare energie en elektrische voertuigen.