LLMs for Agentic Home Energy Management

📄 arXiv: 2607.04569v1 📥 PDF

作者: Sokipriala Jonah

分类: eess.SY

发布日期: 2026-07-06

备注: 17 pages, 8 figures

🔗 代码/项目: GITHUB

💡 一句话要点

利用大型语言模型实现家庭能源管理的智能调度

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 家庭能源管理 大型语言模型 调度优化 自然语言处理 智能家居

📋 核心要点

  1. 现有家庭能源管理系统在将用户偏好转化为调度约束时面临困难，限制了其广泛应用。
  2. 本文提出了一种基于大型语言模型的ReAct代理，利用实时数据和知识库进行家庭能源调度。
  3. 实验结果表明，所有模型在调度成功率和成本节约方面表现优异，接近MILP最优解。

📝 摘要（中文）

家庭能源管理系统（HEMS）能够降低居民电费并支持需求响应，但由于将家庭偏好转化为技术调度约束的难度，导致其采用率有限。本文评估了大型语言模型（LLM）代理是否可以为多设备家庭能源调度提供实用的自然语言接口。我们提出了一种工具调用的ReAct代理，利用实时的半小时Octopus Agile价格、天气预报、光伏发电估算、家庭使用数据和增强知识库进行灵活负载调度，并与混合整数线性规划（MILP）基准进行对比。三种商业模型（GPT-4o-mini、Gemini 2.5 Flash和Claude Sonnet 4.6）在不同场景下进行基准测试，结果显示所有模型在原生功能调用下均实现了100%的调度成功率和接近MILP的最优性。

🔬 方法详解

问题定义：本文旨在解决家庭能源管理中用户偏好与技术调度约束之间的转换难题，现有方法在灵活性和用户友好性上存在不足。

核心思路：通过引入大型语言模型（LLM）作为调度代理，利用自然语言处理能力简化用户输入，并结合实时数据进行智能调度。

技术框架：整体架构包括数据收集模块（实时价格、天气、使用数据）、调度决策模块（基于LLM的调度生成）和执行模块（与家庭设备的接口）。

关键创新：本研究的主要创新在于将LLM与实时数据结合，形成一个动态调度系统，显著提高了调度的灵活性和准确性。

关键设计：在模型设计中，采用了原生功能调用以提高调度成功率，并通过对比不同模型在约束冲突下的表现，优化了调度策略。具体参数设置和损失函数设计在实验部分进行了详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，所有模型在调度成功率上均达到了100%，并且在成本节约方面，代理能够捕获96.7%至98.0%的节省，预计年节省约为1270英镑，相较于传统的非高峰定时器基线有显著提升。

🎯 应用场景

该研究的潜在应用领域包括智能家居、可再生能源管理和电力需求响应等。通过提供自然语言接口，用户可以更方便地管理家庭能源使用，降低电费，并提高能源利用效率，具有重要的实际价值和社会影响。

📄 摘要（原文）

Home Energy Management Systems (HEMS) can reduce residential electricity costs and support demand response, but adoption is limited by the difficulty of translating household preferences into technical scheduling constraints. This paper evaluates whether large language model (LLM) agents can provide a practical natural-language interface for multi-appliance home energy scheduling. We present a tool-calling ReAct agent that uses live half-hourly Octopus Agile prices, weather forecasts, photovoltaic generation estimates, household usage data, and a retrieval-augmented knowledge base to schedule flexible loads against a mixed-integer linear programming (MILP) ground truth. Three commercial models, GPT-4o-mini, Gemini 2.5 Flash, and Claude Sonnet 4.6, are benchmarked across tariff days, constraint-conflict scenarios, weather-aware solar co-optimization, and week-long deployment. With native function calling, all models achieve 100% scheduling success and near-MILP optimality, while text-parsed action interfaces sharply reduce reliability. Constraint testing shows that cost-optimal and safety-optimal models differ: Claude is strongest under infeasibility and power-cap conflicts, while GPT-4o-mini is most efficient. Over a simulated week, agents capture 96.7-98.0% of oracle savings, projecting approximately GBP 1,270 annual savings over an off-peak timer baseline. Code and a live demonstration are available at https://github.com/sokistar24/ecohome-energy-agent and https://www.ecohomeagent.com/.