Physically Constrained Agentic AI for Energy Scheduling
Dit artikel presenteert een hiërarchisch ReAct Energy Management Systeem dat fysieke autorisatie scheidt van taalgeneratie om agentic AI in staat te stellen haalbare, kosteneffectieve dagelijkse energieschema's te genereren voor apparaten, EV's en thermische regeling, waarbij hoge succespercentages en bijna optimale kosten worden behaald terwijl strikt aan fysieke beperkingen wordt voldaan.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je een wereld voor waarin je huis niet alleen bevelen opvolgt, maar ook je verlangens begrijpt. Je zou tegen je huis kunnen zeggen: "Ik wil dat de was gedaan wordt, de auto opgeladen wordt en de woonkamer gezellig is, maar zorg er alsjeblieft voor dat de elektriciteitsrekening niet door het dak gaat." Dit is de droom van Agentic AI: een slim systeem dat niet alleen met je chat, maar ook daadwerkelijk dingen doet, door grote doelen op te splitsen in kleine, gecoördineerde acties. Er zit echter een addertje onder het gras. Hoewel een chatbot geweldig is in het schrijven van een gedicht, is het verschrikkelijk in natuurkunde. Als een AI ervan uitgaat dat je verwarming op vol vermogen kan draaien terwijl je wasmachine draait en je elektrische auto aan de lader hangt, kan het per ongeluk een zekering doen doorslaan of een draad laten smelten. Dit is de uitdaging van Energiebeheer: het balanceren van wat jij wilt met de harde, onverbiddelijke wetten van elektriciteit en warmte. Wetenschappers proberen systemen te bouwen die in gewone mensentaal met je kunnen communiceren, maar die nog steeds de strikte wiskunde van het elektriciteitsnet respecteren, zodat je huis veilig en efficiënt blijft zonder dat er een menselijke ingenieur elke beslissing moet controleren.
Dit artikel introduceert een slimme nieuwe manier om dat probleem op te lossen, waarbij een systeem werkt als een "slimme butler" met een zeer strikte "veiligheidsinspecteur" die direct naast hem staat. De auteurs hebben een systeem gebouwd genaamd een Hierarchical ReAct Energy Management System. Denk aan een team van specialisten: één agent beheert de wasmachine, een andere de elektrische auto, en een derde het verwarmingssysteem. Een centrale "orchestrator" luistert naar jouw verzoek en vraagt deze specialisten om een plan te maken. Maar hier zit de truc: de AI mag ideeën bedenken en deze herzien, maar het is nooit toegestaan om zelfstandig de schakelaars om te zetten. Voordat een plan wordt uitgevoerd, stapt er een "deterministische criticus" in — een rigide, puur op wiskunde gebaseerd computerprogramma. Deze criticus geeft niets om beleefde conversatie; het controleert alleen de cijfers. Het reconstrueert het volled lipschema van de hele dag, simuleert de warmtestroom, controleert de vermogenslimieten en zorgt ervoor dat er geen apparaat wordt aangezet wanneer dat niet mag. Als het plan deze strikte test doorstaat, wordt het geautoriseerd; als het faalt, wordt het afgewezen en moet de AI opnieuw beginnen.
De onderzoekers testten dit systeem met een krachtig AI-model (specifiek checkpoints van de Qwen 3.5-serie) tegen een standaard wiskundige solver (Pyomo/Gurobi) om te zien of de AI de complexe wiskunde van planning daadwerkelijk aan kon. Ze stelden een scenario op waarin het huis een wasmachine, een vaatwasser, een elektrisch voertuig en een warmtepomp moest beheren, terwijl de binnentemperatuur overdag tussen de 22 en 24 °C bleef en de totale belasting onder een limiet van 12 kW bleef.
De resultaten waren een mix van "niet slecht" en "best goed", afhankelijk van de grootte van het AI-brein. Wanneer de AI werd gevraagd om slechts één apparaat in te plannen, slaagde het in ongeveer 83,3% van de gevallen. Echter, wanneer de taak moeilijker werd en het vereiste om alles tegelijkertijd te coördineren (de "gekoppelde" taak), liepen de kleinere AI-modellen vast of liepen ze vast in een tijdslimiet. Maar de grotere modellen, specifiek de 27B en 35B-A3B versies, slaagden erin om de test van de veiligheidsinspecteur te doorstaan in alle 6 van de 6 pogingen na enkele rondes van feedback. Het 35B-A3B-model creëerde een schema dat 1592,697 JPY kostte, wat iets hoger is dan het perfecte wiskundige optimum van 1343,380 JPY, maar het was een haalbaar plan dat de fysieke regels respecteerde. Het 27B-model slaagde ook, maar was duurder met 2522,499 JPY.
Cruciaal is dat het artikel benadrukt dat dit succes voorwaardelijk is. Het systeem werkt omdat de "criticus" fungeert als een vangnet. Als de AI iets onmogelijks voorstelt, vangt de criticus dit op. De auteurs ontdekten dat zonder deze strikte scheiding tussen de "creatieve" AI en de "wiskundige" controleur, het systeem waarschijnlijk plannen zou produceren die er in tekst goed uitzien, maar in de werkelijkheid falen. Ze merkten ook op dat dit een simulatie was met specifieke weer- en prijsgegevens van 1 augustus 2026, en dat het systeem nog geen rekening houdt met de rommeligheid van de echte wereld, zoals luchtvochtigheid, batterijdegradatie of plotselinge stroomuitval.
Kortom, dit artikel laat zien dat we AI-agenten kunnen bouwen die met ons praten in natuurlijke taal en onze huizen beheren, maar alleen als we een strikte, onverzettelijke wiskundige waakhond aan de leib houden. De AI mag voorstellen, maar de wiskunde beslist. De grotere AI-modellen toonden veelbelovende resultaten bij het navigeren over deze koorddans, waarbij ze schema's vonden die veilig en functioneel waren, zelfs als ze niet zo goedkoop waren als de perfecte wiskundige oplossing. Het is een stap naar huizen die ons begrijpen, maar het bewijst dat voor energie de regels van de natuurkunde nog steeds het laatste woord hebben.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.