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

O artigo apresenta o AutoB2G, um framework agencial impulsionado por modelos de linguagem grandes que automatiza todo o fluxo de trabalho de simulação conjunta edifício-rede elétrica a partir de descrições em linguagem natural, utilizando um grafo acíclico direcionado para guiar a geração e refino de código e melhorar as métricas de desempenho da rede.

O essencial

Imagine que você tem um arquiteto de cidades muito inteligente, capaz de entender qualquer pedido feito em linguagem natural, como se você estivesse conversando com um amigo. Agora, imagine que esse arquiteto não apenas desenha prédios, mas também sabe exatamente como a energia elétrica que alimenta esses prédios afeta a rede inteira da cidade, e vice-versa.

É exatamente isso que o AutoB2G faz. Vamos descomplicar essa tecnologia usando algumas analogias do dia a dia.

1. O Problema: A "Burocracia" da Simulação

Antes do AutoB2G, criar uma simulação de como prédios consomem energia e como isso afeta a rede elétrica era como tentar montar um quebra-cabeça gigante de olhos vendados.

• O Cenário Antigo: Os pesquisadores precisavam escrever milhares de linhas de código manualmente, configurar cada peça do quebra-cabeça e garantir que todas as peças se encaixassem perfeitamente. Se uma peça estivesse errada (um fio solto, um parâmetro trocado), toda a simulação falhava. Era lento, difícil e exigia ser um especialista em programação.
• O Desequilíbrio: As ferramentas antigas olhavam apenas para o prédio (será que o ar-condicionado está gastando muita energia?), mas ignoravam o que acontecia na rede elétrica (será que a tensão da energia vai cair e apagar as luzes do bairro?).

2. A Solução: O "Maestro" AutoB2G

O AutoB2G é um novo sistema que usa Inteligência Artificial (LLM) para automatizar tudo isso. Pense nele como um Maestro de Orquestra que não precisa de partitura escrita à mão.

• Você dá o comando: Você diz: "Quero simular 24 prédios usando energia solar e ver se isso ajuda a estabilizar a voltagem da rede elétrica na cidade."
• O Maestro entende: Em vez de você escrever o código, o AutoB2G entende o que você quer e começa a montar a orquestra sozinho.

3. Como Funciona a Mágica? (As 3 Peças do Quebra-Cabeça)

Para que o Maestro funcione, ele usa três truques principais:

A. O Mapa do Tesouro (DAG - Grafo Acíclico Direcionado)

Imagine que o código do sistema é uma biblioteca gigante e bagunçada. O AutoB2G organiza essa biblioteca em um Mapa do Tesouro (o DAG).

• Esse mapa mostra exatamente qual peça precisa ser usada antes da outra. É como uma receita de bolo que diz: "Primeiro bata os ovos, depois adicione a farinha".
• Quando você faz um pedido, o sistema olha no mapa, pega apenas as peças necessárias e as coloca na ordem certa. Isso evita que o sistema tente usar a farinha antes de bater os ovos (o que causaria um erro).

B. A Equipe de Especialistas (Agentic Framework)

O AutoB2G não é uma única inteligência, é uma equipe de especialistas trabalhando juntos, como uma equipe de cirurgiões ou uma redação de jornal:

1. O Planejador: Entende o seu pedido em português.
2. O Construtor: Escreve o código baseado no mapa.
3. O Executor: Roda a simulação.
4. O Fiscal: Verifica se tudo está certo.
5. O Corretor: Se algo der errado, ele avisa o Construtor: "Ei, você esqueceu de conectar o fio 14. Arrume isso."

C. O "Descenso Textual" (TGD) - O Aprendizado por Tentativa e Erro

Aqui está a parte mais genial. Quando o sistema erra, ele não apenas para. Ele usa uma técnica chamada Textual Gradient Descent (TGD).

• Imagine que você está tentando acertar o alvo no dardo, mas está de olhos vendados. Cada vez que você erra, alguém te diz: "Você errou 5cm para a esquerda e 2cm para cima".
• O AutoB2G faz isso com o código. Ele executa, vê onde errou, recebe um "feedback em texto" (como uma nota do professor) e repara o código sozinho. Ele faz isso repetidamente, como um aluno estudando para a prova, até que o código funcione perfeitamente sem que você precise mexer em nada.

4. O Resultado: Prédios e Rede Elétrica dançando juntos

O grande diferencial do AutoB2G é que ele olha para os dois lados da moeda ao mesmo tempo:

• Lado do Prédio: Garante que os moradores tenham conforto e gastem menos.
• Lado da Rede: Garante que a rede elétrica não "quebre" ou fique instável.

Nos testes, o sistema conseguiu criar simulações complexas onde os prédios ajustavam seu consumo de energia automaticamente para ajudar a estabilizar a voltagem da cidade, tudo isso gerado apenas a partir de uma frase escrita por um humano.

Resumo em uma frase

O AutoB2G é como ter um engenheiro de energia super-rápido e infalível que, ao ouvir o que você quer, monta, testa e conserta sozinho toda a simulação de como prédios e rede elétrica interagem, transformando uma tarefa que antes levava semanas de programação em um simples comando de conversa.

Isso significa que, no futuro, qualquer pesquisador ou gestor de energia poderá testar novas ideias para cidades inteligentes sem precisar ser um gênio da programação.

Resumo técnico

Resumo Técnico: AutoB2G

1. Problema e Motivação

O aumento da participação do consumo de energia de edifícios na demanda total de eletricidade exige estratégias avançadas de resposta à demanda e gestão energética em escala de clusters de edifícios. Embora métodos baseados em Aprendizado por Reforço (RL) sejam promissores para lidar com a complexidade e incerteza desses sistemas, a pesquisa atual enfrenta barreiras significativas:

• Limitações de Simulação: Ambientes existentes (como CityLearn V1) focam predominantemente em métricas do lado do edifício (custo, conforto), negligenciando o impacto sistêmico na rede elétrica (segurança, estabilidade de tensão).
• Incompatibilidade: Ferramentas que integram rede e edifício (como GridLearn) tornaram-se incompatíveis com as versões mais recentes e recursos avançados de frameworks de simulação (ex: CityLearn V2).
• Barreira Técnica: Configurar simulações de co-simulação (Edifício-Rede) requer expertise profunda em programação e configuração manual de fluxos de trabalho complexos, envolvendo múltiplas plataformas e dependências de módulos.
• Desafio da Automação por LLM: Embora os Grandes Modelos de Linguagem (LLMs) possam gerar código, eles frequentemente falham em tarefas complexas de simulação devido à falta de conhecimento prévio do contexto de implementação, dificuldade em manter a consistência estrutural de dependências e a incapacidade de garantir a correção de pipelines de execução longos.

2. Metodologia: O Framework AutoB2G

O AutoB2G é um framework de co-simulação automatizado "Edifício-Rede" (Building-to-Grid - B2G) que utiliza descrições em linguagem natural para gerar, executar e refinar simulações completas. A arquitetura baseia-se em três pilares principais:

A. Extensão do Ambiente de Simulação (CityLearn V2 + Pandapower)

• O framework estende o CityLearn V2 para suportar interação B2G.
• Integra o Pandapower para análise de fluxo de carga da rede.
• Em cada passo de simulação, a demanda agregada dos edifícios (gerada pelo CityLearn) é mapeada para as barras da rede no Pandapower. Os estados da rede (ex: tensões) são calculados e retroalimentados como observações para os agentes de controle.
• Define funções de recompensa que penalizam desvios de tensão e violações de limites térmicos, permitindo otimização orientada à rede.

B. Mecanismo de Recuperação Baseado em DAG (Directed Acyclic Graph)

• Para superar a falta de conhecimento de contexto do LLM, o código-fonte da simulação é organizado como um Grafo Acíclico Direcionado (DAG).
• Estrutura: Os nós representam módulos funcionais (configuração, geração de dados, treinamento, análise) e as arestas representam dependências de entrada/saída e ordem de execução.
• Agente de Recuperação: Um agente LLM interpreta a tarefa do usuário e recupera módulos relevantes do DAG. Um validador verifica se os módulos recuperados formam um DAG válido. Se houver falhas de dependência, o agente recebe feedback estruturado e refina a seleção iterativamente até garantir um pipeline executável.

C. Framework Agente Multi-Agente SOCIA com Descida de Gradiente Textual (TGD)

• Utiliza o framework SOCIA (Simulation Orchestration for Computational Intelligence with Agents), que coordena múltiplos agentes especializados:
  • Gerenciador de Fluxo: Orquestra o ciclo.
  • Gerador de Código: Sintetiza e corrige o código.
  • Executor de Simulação: Compila e roda o código.
  • Avaliador de Resultados: Detecta violações de restrições e erros de execução.
  • Gerador de Feedback: Converte erros em instruções de reparo.
• Descida de Gradiente Textual (TGD): Em vez de gradientes numéricos, o sistema trata o código como uma variável de otimização. As violações de restrições (erros de compilação, falhas de interface) são convertidas em um "gradiente textual" (instruções naturais de reparo) que guia o agente a corrigir o código iterativamente até que o programa seja executável e livre de erros.

3. Contribuições Principais

1. Ambiente de Co-simulação Automatizado: Desenvolvimento de um ambiente que suporta controle de edifícios e otimização/avaliação em nível de rede, validado na rede de distribuição IEEE 33 barras para controle de tensão baseado em RL.
2. Mecanismo de Recuperação Agente-DAG: Proposta de um mecanismo que utiliza um DAG estruturado para guiar a recuperação de módulos de código, garantindo a consistência estrutural e a completude do fluxo de trabalho, superando as limitações de recuperação de contexto tradicional (RAG).
3. Aplicação do SOCIA e TGD: Uso bem-sucedido do framework SOCIA com TGD para construir, executar e avaliar simuladores de co-simulação de ponta a ponta, reduzindo drasticamente a intervenção manual e a necessidade de expertise técnica profunda.

4. Resultados Experimentais

Os experimentos foram realizados comparando quatro configurações: LLM puro, LLM + Recuperação Agente (AR), SOCIA puro e SOCIA + AR. As tarefas foram categorizadas em simples, médias e complexas.

• Taxa de Sucesso de Tarefa:
  • Em tarefas complexas, o LLM puro teve uma taxa de sucesso de apenas 53%.
  • A combinação SOCIA + AR alcançou 83% de sucesso, demonstrando que a arquitetura multi-agente e a recuperação estruturada são cruciais para lidar com dependências complexas.
• Pontuação de Código (Qualidade):
  • O LLM puro frequentemente gerava componentes redundantes ou incorretos (pontuação de código de 0.44 em tarefas complexas).
  • SOCIA + AR obteve a pontuação mais alta (0.88), indicando que o framework gera código mais preciso, com menos redundâncias e melhor alinhamento aos requisitos.
• Análise de Convergência (TGD):
  • A maioria dos erros foi corrigida na primeira iteração do TGD. A taxa de sucesso aumentou significativamente após a primeira iteração, mostrando a eficácia do mecanismo de reparo iterativo.
• Desempenho na Rede (Grid-Side):
  • Simulações mostraram que a estratégia de controle baseada em RL, gerada automaticamente, conseguiu reduzir significativamente os desvios de tensão em comparação com uma linha de base não controlada.
  • A distribuição de tensões sob controle RL concentrou-se perto do valor nominal (1.0 p.u.), enquanto a linha de base apresentou oscilações maiores e frequentes sobretensões.

5. Significância e Impacto

O AutoB2G representa um avanço significativo na automação de simulações de sistemas de energia:

• Redução de Barreiras: Permite que pesquisadores e desenvolvedores definam simulações complexas de co-simulação apenas através de linguagem natural, eliminando a necessidade de escrever código repetitivo e configurar manualmente dependências complexas.
• Validação de Segurança: Ao integrar métricas de rede (como limites térmicos e N-1) diretamente no ciclo de treinamento e avaliação, o framework garante que as estratégias de controle aprendidas não comprometam a segurança da rede elétrica.
• Escalabilidade: A abordagem baseada em agentes e DAG é projetada para ser extensível, permitindo a integração futura de outras ferramentas de simulação e cenários mais diversos.

Em suma, o AutoB2G demonstra que é possível automatizar a implementação de simuladores complexos de "Edifício-Rede" com alta confiabilidade, facilitando a pesquisa em redes elétricas inteligentes e gestão de demanda em larga escala.