Resumen: La creciente disponibilidad de datos operativos de edificios motiva el uso del aprendizaje por refuerzo (RL), que puede aprender políticas de control directamente de los datos y hacer frente a la complejidad y la incertidumbre de los grupos de edificios a gran escala. Sin embargo, la mayoría de los entornos de simulación existentes priorizan las métricas de rendimiento del lado del edificio y carecen de una evaluación sistemática de los impactos a nivel de la red, mientras que sus flujos de trabajo experimentales todavía dependen en gran medida de la configuración manual y una experiencia sustancial en programación. Por lo tanto, este artículo propone AutoB2G, un marco de cosimulación automatizado de cuadrícula de edificios que completa todo el flujo de trabajo de simulación basándose únicamente en descripciones de tareas en lenguaje natural. El marco amplía CityLearn V2 para admitir la interacción Building-to-Grid (B2G) y adopta el marco SOCIA (Orquestación de simulación para inteligencia computacional con agentes) basado en modelos de lenguaje grande (LLM) para generar, ejecutar y refinar automáticamente el simulador. Como los LLM carecen de conocimiento previo del contexto de implementación de las funciones de simulación, se construye y organiza una base de código que cubre configuraciones de simulación y módulos funcionales como un gráfico acíclico dirigido (DAG) para representar explícitamente las dependencias de los módulos y el orden de ejecución, guiando al LLM a recuperar una ruta ejecutable completa. Los resultados experimentales demuestran que AutoB2G puede habilitar eficazmente implementaciones de simuladores automatizados, coordinando las interacciones B2G para mejorar las métricas de rendimiento del lado de la red.
Publicado originalmente en export.arxiv.org el 29 de marzo de 2026.
Ver fuente original
