AutoB2G: 대규모 언어 모델 기반의 에이전트 프레임워크를 활용한 자동화된 건물-전력망 공동 시뮬레이션

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

건물 운영 데이터의 증가로 인해, 데이터로부터 직접 제어 정책을 학습하고 대규모 건물 클러스터의 복잡성과 불확실성에 대처할 수 있는 강화 학습(RL)의 활용이 촉진되고 있습니다. 그러나 대부분의 기존 시뮬레이션 환경은 건물 측 성능 지표를 우선시하며, 전력망 수준의 영향에 대한 체계적인 평가가 부족하고, 실험 워크플로우는 여전히 수동 구성에 크게 의존하며 상당한 프로그래밍 전문 지식을 요구합니다. 이에 본 논문에서는 자연어 기반 작업 설명을 통해 전체 시뮬레이션 워크플로우를 자동화하는 자동화된 건물-전력망 공동 시뮬레이션 프레임워크인 AutoB2G를 제안합니다. AutoB2G는 건물-전력망(B2G) 상호 작용을 지원하기 위해 CityLearn V2를 확장하고, 대규모 언어 모델(LLM) 기반의 SOCIA(에이전트를 활용한 계산 지능 시뮬레이션 오케스트레이션) 프레임워크를 채택하여 시뮬레이터를 자동으로 생성, 실행 및 반복적으로 개선합니다. LLM은 시뮬레이션 함수의 구현 컨텍스트에 대한 사전 지식이 부족하므로, 시뮬레이션 구성 및 기능 모듈을 포괄하는 코드를 구축하고, 모듈 간의 의존성과 실행 순서를 명시적으로 나타내는 방향성 비순환 그래프(DAG)로 구성하여 LLM이 완전한 실행 경로를 검색하도록 안내합니다. 실험 결과는 AutoB2G가 자동화된 시뮬레이터 구현을 효과적으로 지원하며, B2G 상호 작용을 조정하여 전력망 측 성능 지표를 개선할 수 있음을 보여줍니다.

The growing availability of building operational data motivates the use of reinforcement learning (RL), which can learn control policies directly from data and cope with the complexity and uncertainty of large-scale building clusters. However, most existing simulation environments prioritize building-side performance metrics and lack systematic evaluation of grid-level impacts, while their experimental workflows still rely heavily on manual configuration and substantial programming expertise. Therefore, this paper proposes AutoB2G, an automated building-grid co-simulation framework that completes the entire simulation workflow solely based on natural-language task descriptions. The framework extends CityLearn V2 to support Building-to-Grid (B2G) interaction and adopts the large language model (LLM)-based SOCIA (Simulation Orchestration for Computational Intelligence with Agents) framework to automatically generate, execute, and iteratively refine the simulator. As LLMs lack prior knowledge of the implementation context of simulation functions, a codebase covering simulation configurations and functional modules is constructed and organized as a directed acyclic graph (DAG) to explicitly represent module dependencies and execution order, guiding the LLM to retrieve a complete executable path. Experimental results demonstrate that AutoB2G can effectively enable automated simulator implementations, coordinating B2G interactions to improve grid-side performance metrics.