Smart_Energy es un sistema multiagente inteligente basado en AgentScope que automatiza completamente el diseno, presupuestacion y planificacion de sistemas fotovoltaicos. Desde informacion basica inicial, el sistema genera un analisis tecnico-economico completo con plan de instalacion detallado.

• Analisis Integral: Desde recurso solar hasta plan de instalacion
• Multiagente Especializado: 5 agentes expertos coordinados inteligentemente
• Soporte Multi-pais: Colombia, Chile y facil extension a otros paises
• Sistemas On-grid y Off-grid: Analisis especializado segun tipo de instalacion
• Calculo de Rentabilidad Básica: Análisis de inversión y ahorros potenciales
• Cumplimiento Normativo: Considera regulaciones locales automaticamente

graph TD
 A[Smart_Energy_LeadAgent] --> B[SolarResourceAgent]
 A --> C[TiltAndPanelChoiceAgent]
 A --> D[MaterialsAndLaborAgent]
 A --> E[InstallationPlanAgent]
 B --> F[Datos Irradiacion Solar]
 C --> G[Optimizacion Orientacion]
 D --> H[Lista Materiales + Costos]
 E --> I[Plan Instalacion]

• Consulta APIs de irradiacion solar (PVGIS, NREL)
• Analisis de variacion estacional
• Factores de perdidas climaticas

• Calculo de inclinacion y azimuth optimos
• Evaluacion economica de sistemas de tracking
• Seleccion de paneles (2-3 alternativas)

• Calculo completo de materiales y cantidades
• Estimacion de costos (local vs importado)
• Costos de mano de obra especializada

• Cronograma detallado de instalacion
• Protocolos de seguridad especificos
• Cumplimiento normativo por pais

• solar_resource_tool: Integracion con APIs de datos solares
• panel_catalog_tool: Catalogo de paneles con precios actualizados
• price_lookup_tool: Consulta de precios locales en tiempo real
• material_calc_tool: Calculos precisos de materiales
• finance_analysis_tool: Indicadores financieros avanzados
• installation_planning_tool: Planificacion optimizada de recursos

# Python 3.10+
python --version
# AgentScope
pip install agentscope
# Instalar dependencias
pip install -r requirements.txt
# O instalar dependencias específicas
pip install agentscope requests pandas numpy streamlit yfinance aiohttp scipy

1. Clonar el proyecto:

git clone <repository_url>
cd smart_energy_project

2. Configurar variables de entorno:

# .env file
OPENAI_API_KEY=tu_api_key_aqui
PVGIS_API_URL=https://re.jrc.ec.europa.eu/api/v5_3/MRcalc

3. Configurar modelo LLM en config/defaults.json:

{
 "model_configuration": {
 "openai": {
 "model_name": "gpt-4",
 "temperature": 0.1,
 "max_tokens": 2000
 }
 }
}

import asyncio
from agents.lead_agent import SmartEnergyLeadAgent
async def main():
 # Configuracion del modelo
 model_config = {
 "model_name": "gpt-4",
 "api_key": "tu_api_key",
 "temperature": 0.1
 }
 # Inicializar agente principal
 lead_agent = SmartEnergyLeadAgent(model_config)
 # Datos del proyecto
 project_data = {
 "pais": "Colombia",
 "ciudad": "Tunja",
 "latitud": 5.537,
 "longitud": -73.367,
 "demanda_kwh_dia": 12.0,
 "tipo_instalacion": "off-grid",
 "autonomia_dias": 2,
 "presupuesto": None
 }
 # Procesar proyecto completo
 resultado = await lead_agent.process_solar_project(project_data)
 print(resultado)
asyncio.run(main())

python main.py

• Ejecuta análisis completo con datos predefinidos (Tunja, Colombia)
• Genera reporte en resultado_smart_energy.json
• Ideal para testing y automatización

python run_streamlit.py
# O directamente:
streamlit run streamlit_app.py

• Interfaz web completa en http://localhost:8501
• Formularios interactivos para ingresar datos
• Visualizaciones y dashboards en tiempo real

python test_complete_multiagent_flow.py

• Validación integral de todos los agentes
• Casos de prueba: Tunja (Colombia) y Santiago (Chile)
• Verificación de funcionamiento end-to-end

{
 "proyecto_info": {
 "ubicacion": "Tunja, Colombia",
 "coordenadas": "5.537, -73.367",
 "demanda_diaria": "12 kWh/dia",
 "tipo_sistema": "off-grid"
 },
 "recurso_solar": {
 "irradiacion_promedio_anual": 4.3,
 "horas_pico_sol_promedio": 4.3,
 "variacion_estacional": {"min": 4.0, "max": 5.4}
 },
 "diseno_sistema": {
 "orientacion_optima": {
 "inclinacion_grados": 5.5,
 "azimuth_grados": 180
 },
 "paneles_recomendados": [...],
 "dimensionado_preliminar": {
 "paneles_necesarios": 26,
 "potencia_total_kwp": 14.04,
 "area_total_m2": 52.0
 }
 },
 "materiales_costos": {
 "lista_materiales": {...},
 "resumen_coste_total": {
 "total_proyecto": 35420.50,
 "coste_por_kwp": 2523.47,
 "coste_por_kwh_dia": 2951.71
 }
 },
 "plan_instalacion": {
 "cronograma_instalacion": {
 "duracion_total_dias": 6,
 "fases": [...]
 }
 }
}

Ubicados en config/defaults.json:

{
 "technical_defaults": {
 "autonomia_dias": 2,
 "dod_bateria": 0.50,
 "eficiencia_inversor": 0.95,
 "perdidas_sistema": 0.15,
 "tracker_threshold": 0.15
 }
}

{
 "regulatory_compliance": {
 "Colombia": {
 "codigo_electrico": "RETIE",
 "autoridad_regulatoria": "UPME",
 "iva_porcentaje": 0.19
 },
 "Chile": {
 "codigo_electrico": "NCh Elec 4/2003",
 "autoridad_regulatoria": "SEC",
 "iva_porcentaje": 0.19
 }
 }
}

1. Actualizar defaults.json:

{
 "regulatory_compliance": {
 "NuevoPais": {
 "codigo_electrico": "Codigo local",
 "autoridad_regulatoria": "Autoridad",
 "iva_porcentaje": 0.XX
 }
 }
}

2. Agregar cálculos de ahorro potencial en MaterialsAndLaborAgent
3. Incluir normativas especificas en InstallationPlanAgent

# tools/nueva_herramienta.py
class NuevaHerramienta:
 def nueva_funcion(self, parametros):
 """
 Descripcion de la funcionalidad
 """
 # Implementacion
 return resultado

# agents/nuevo_agente.py
from agentscope.agent import ReActAgent
class NuevoAgente(ReActAgent):
 def __init__(self, model_config):
 super().__init__(
 name="NuevoAgente",
 sys_prompt=self._get_system_prompt(),
 # ...configuracion
 )

• Estructura base de agentes
• Herramientas principales
• Casos de uso ejemplo
• Configuración básica

• Integración completa PVGIS API (funcionando con datos reales)
• Datos reales de irradiación solar para múltiples países
• Cálculos precisos de materiales y costos
• Sistema multiagente completamente coordinado
• Estimación de rentabilidad y ahorros potenciales
• Base de datos de componentes expandida

• Optimizacion con algoritmos geneticos
• Simulacion Monte Carlo para riesgos
• Integracion con sistemas de diseno CAD
• Dashboard web interactivo

• Aprendizaje de patrones de instalacion
• Recomendaciones predictivas
• Optimizacion automatica de costos
• Alertas de mercado y oportunidades

• API REST para integradores
• Sistema de usuarios y proyectos
• Reportes PDF profesionales
• Integracion con CRM

• Autonomia por defecto: 2 dias (configurable)
• DoD baterias: 50% (estandar conservador)
• Eficiencia inversor: 95% (tipico para equipos modernos)
• Perdidas sistema: 15% (incluye cableado, suciedad, temperatura)
• Tracker threshold: 15% mejora minima para recomendar

1. Datos solares: Dependiente de disponibilidad APIs externas
2. Precios: Estimaciones basadas en rangos de mercado
3. Normativas: Actualizaciones manuales requeridas
4. Complejidad sitio: No considera obstaculos complejos

• Integracion con imagenes satelitales para analisis de sombreado
• ML para prediccion de costos mas precisa
• Conexion directa con distribuidores para precios reales
• Simulacion 3D de instalacion

• Usar GitHub Issues con template de bug report
• Incluir logs completos y configuracion

1. Fork del repositorio
2. Crear branch feature/nombre-feature
3. Commit con mensajes descriptivos
4. Pull request con descripcion detallada

• Email: soporte@smartenergy.ai
• Discord: Smart Energy Community
• Docs: https://docs.smartenergy.ai

Este proyecto esta licenciado bajo Apache License 2.0 - ver el archivo LICENSE para detalles.

Smart Energy - Democratizando el acceso a la energia solar a traves de inteligencia artificial