A Rule-Aware Prompt Framework for Structured Numeric Reasoning in Cyber-Physical Systems

기술 요약: 스마트 그리드를 위한 구조화된 수치 추론을 위한 규칙 인식 프롬프트 프레임워크

문제 제기

현대 스마트 그리드는 신뢰성을 보장하기 위해 고차원 수치 원격 측정 데이터 (예: 버스 전압, 전력 주입, 선로 흐름) 와 명시적 운영 규칙에 의존합니다. 대규모 언어 모델 (LLM) 이 그리드 운영에 점점 더 많이 탐구되고 있지만, 현재 배포는 주로 로그와 경고에 초점을 맞춘 텍스트 중심이며, 수치 측정값을 직접적으로 추론하는 데는 미치지 못합니다. 수치 그리드 데이터를 단순하게 토큰으로 직렬화할 경우, LLM 은 종종 근본적인 의사결정 규칙을 준수하지 못하며, 표현 방식 선택에 민감해지고 물리적 또는 통계적 기준에서 벗어납니다. 이러한 격차는 의사결정이 잘 이해된 운영 한계로 추적되어야 하는 안전-중요 이상 탐지 (AD) 에서 특히 중요합니다. 다루어진 핵심 과제는 LLM 이 전력 시스템 규칙에 충실하고, 운영자에게 해석 가능하며, 토큰 사용이 효율적인 방식으로 수치 원격 측정 데이터를 추론할 수 있도록 프롬프트를 구조화하는 방법입니다.

방법론

저자들은 도메인 컨텍스트, 측정 의미론, 그리고 의사결정 규칙을 인코딩하도록 설계된 모듈식 아키텍처로 프롬프트를 분해하는 규칙 인식 프롬프트 프레임워크를 제안합니다. 이 프레임워크는 여섯 가지 고유한 모듈로 구성됩니다:

1. 역할 지시 (R): 모델의 페르소나 (예: 전력 시스템 분석가) 와 작업을 정의합니다.
2. 도메인 컨텍스트 (C): 시스템, 측정 유형, 그리고 특징 의미론을 설명하여 수치 값을 물리적 의미에 기반하게 합니다.
3. 수치 정규화 (N): 스케일 민감도와 토큰 중복을 줄이기 위해 원시 측정값을 정규화된 양 (예: z-점수) 으로 변환하는 방식을 지정합니다.
4. 규칙 인식 추론 (S): 의사결정 논리 (예: 3 시그마 기준) 를 인코딩하고 LLM 에게 이러한 규칙을 명시적으로 적용하도록 지시합니다.
5. 값 블록 (V): 추론 규칙과 정렬된 간결한 형식 (예: 정규화된 설명자의 목록) 으로 원격 측정 데이터를 제시합니다.
6. 출력 스키마 (O): 응답을 범주형 레이블과 간결하며 기계 실행 가능한 설명으로 제한합니다.

이 프레임워크는 GPT-OSS-20B(20B 파라미터 오픈 가중치 MoE 모델) 를 사용하여 IEEE 118 버스 송전망에 구현되었습니다. 본 연구는 다섯 가지 프롬프팅 및 적응 체제를 평가합니다:

• Zero-shot: 레이블이 지정된 예시가 없음.
• Few-shot: 두 개의 레이블이 지정된 예시 (정상 1 개, 이상 1 개).
• 맥락 학습 (ICL): 다섯 가지 다양한 레이블이 지정된 예시.
• LoRA 미세 조정: 레이블과 근거를 생성하기 위한 파라미터 효율적 적응.
• 하이브리드 LLM+DL: LLM 이 규칙 인식 특징 선택기 및 설명 엔진으로 작용하여 하류 심층 학습 (DL) 탐지기를 위한 채널을 필터링합니다.

주요 설계 선택은 값 블록 (V) 표현입니다. 논문은 네 가지 변형을 비교합니다: 원시 값만 포함; 평균/표준편차와 함께 원시 값 포함; 평균/표준편차/z-점수와 함께 원시 값 포함; 그리고 z-점수만 포함. 제안된 "z-점수만 포함" 설계는 원시 값과 통계를 생략하고, 의사결정 규칙과 정렬된 절대 z-점수에만 의존하여 추론 정보를 유지하면서 토큰 사용을 최소화합니다.

주요 결과

세 개의 무작위 센서에서 15% 편차가 주입된 이상을 포함하는 IEEE 118 버스 시스템에서 수행된 실험은 다음과 같은 결과를 도출했습니다:

• 값 블록 설계의 영향: Zero-shot 환경에서 수치 데이터의 표현 방식은 성능에 상당한 영향을 미칩니다. 원시 값만 사용한 경우 (Setup 1) 는 낮은 정확도 (36.2%) 를 보였습니다. 통계적 컨텍스트를 추가한 경우 (Setup 2) 는 F1 점수를 65.3% 로 향상시켰습니다. 그러나 z-점수만 포함하는 설계 (Setup 4) 는 71.8% 의 정확도와 77.9% 의 F1 점수로 최고의 Zero-shot 성능을 달성했으며, 원시 값 설정과 비교 가능한 토큰 수 (2,203 토큰 대 2,189 토큰) 를 유지하면서도 원시 통계를 포함한 설정보다 훨씬 낮았습니다. 이는 간결하고 규칙과 정렬된 표현 방식이 단순히 더 많은 데이터를 노출하는 것보다 성능이 우수함을 보여줍니다.
• 감독 수준: 감독이 증가함에 따라 성능이 점진적으로 향상되었습니다. Few-shot 과 ICL 은 F1 점수를 80% 이상으로 높였습니다. LoRA 미세 조정은 100% 재현율을 달성했으나 정밀도는 낮았습니다 (75.8%), 결과적으로 F1 점수는 86.2% 였습니다.
• 하이브리드 아키텍처: 하이브리드 LLM+DL 접근 방식은 94.0% 의 정확도, 93.6% 의 F1 점수로 전체적인 최고 성능을 달성했으며 100% 의 정밀도를 보였습니다. 이 설정에서 LLM 은 3 시그마 규칙에 기반하여 측정 채널을 필터링한 후 전통적인 DL 탐지기에게 전달했습니다. 이 구성은 독립적인 DL 탐지기 (F1 88.3%) 와 직접적인 3 시그마 기준선 (F1 89.9%) 모두를 능가했습니다.
• 토큰 효율성: z-점수만 포함하는 프롬프트 (Setup 4) 는 성능과 효율성의 가장 좋은 균형을 제공했습니다. 반면, ICL 은 11,000 개 이상의 토큰을 필요로 했으며, LoRA 미세 조정은 Setup 4 와 유사한 토큰 수에도 불구하고 모델 로딩으로 인해 더 높은 지연 시간을 초래했습니다.

중요성과 주장

이 논문은 그리드 모니터링 작업에서 프롬프트 설계의 명확성과 규칙 정렬이 입력 볼륨보다 더 중요하다고 주장합니다. 주요 기여점은 다음과 같습니다:

1. 역할, 컨텍스트, 정규화, 규칙 명세, 그리고 출력을 명시적으로 분리하여 그리드 모니터링 작업 전반에 재사용 가능한 통합을 가능하게 하는 모듈식 규칙 인식 프롬프트 프레임워크.
2. LLM 의 의사결정이 원시 측정값이 아닌 운영 기준과 정렬된 정규화된 편차 (z-점수) 에 기반하도록 하는 원칙적 공식화로, 의사결정이 통계적 또는 물리적 규칙으로 추적 가능하도록 보장합니다.
3. 고차원 원격 측정 데이터와 범용 LLM 간의 격차를 효과적으로 해소하면서 해석 가능한 근거를 제공하며 전통적인 탐지기보다 정밀도를 능가할 수 있는 하이브리드 LLM+DL 아키텍처에 대한 실증적 증명.

저자들은 LLM 을 기존 임계값 기반 탐지기의 대체품이 아닌, 명시적 규칙, 정규화된 증거, 그리고 구조화된 출력 제약을 통합하여 투명성과 운영자 신뢰를 강화하는 구성 요소로 위치시킵니다. 향후 작업은 더 풍부한 물리적 규칙 (예: 교류 전력 흐름 일관성) 을 통합하고, 이 프레임워크를 배전 시스템 및 마이크로그리드로 확장하는 것을 제안합니다.