Conversational Demand Response: Bidirectional Aggregator-Prosumer Coordination through Agentic AI

이 논문은 자연어 기반의 양방향 소통과 에이전트 AI 를 활용하여 자동화된 확장성과 사용자 주도성을 모두 보장하는 '대화형 수요 반응 (CDR)' 시스템을 제안하고, 그 유효성을 입증한 오픈소스 아키텍처를 소개합니다.

핵심

1. 기존 방식: "무조건 따르세요" (일방통행)

지금까지의 전기 절약 프로그램은 마치 엄격한 선생님이 학생에게 내리는 숙제와 비슷했습니다.

• 상황: 전기 회사가 "지금 전기가 부족하니까 오후 6 시에 에어컨을 끄세요"라고 문자를 보냅니다.
• 문제: 집주인은 "왜 끄라고 하지?", "내 아이스크림이 녹는데 어떡하지?", "보상은 얼마나 받나?"라는 질문을 할 수 없습니다. 그냥 끄거나, 아예 참여를 거부할 뿐입니다.
• 결과: 사람들은 통제당한다고 느껴서 참여를 꺼리게 되고, 전기 절약 효과도 떨어집니다.

2. 새로운 방식: "친구와의 대화" (양방향 소통)

이 논문이 제안하는 CDR은 마치 **똑똑한 비서 **(AI)와 집주인이 서로 대화하며 결정을 내리는 것과 같습니다.

• 상황: 전기 회사가 "오후 6 시에 전기가 좀 부족할 것 같은데, 혹시 에어컨을 잠시 끄거나 배터리를 쓸 수 있을까요? 그 대가로 1,000 원 드릴게요"라고 정중하게 물어봅니다.
• **집의 AI 비서 **(HEMS)가 바로 답을 합니다.
  • "잠시만요, 제가 배터리를 계산해 봤어요. 지금 배터리를 쓰면 아이스크림은 녹지 않고, 오히려 1,000 원 더 벌 수 있어요. 괜찮으시면 실행할까요?"
• 집주인: "오, 그건 좋네! 해줘."
• 결과: 집주인은 왜 전기를 아껴야 하는지, 얼마나 돈을 벌 수 있는지, 내 생활에 어떤 영향이 있는지 정확히 알고 참여합니다.

3. 핵심 기술: "AI 에이전트"와 "수학 천재"

이 시스템이 어떻게 이렇게 똑똑하게 대화할까요? 두 가지 역할을 하는 AI 가 협력합니다.

• **1 단계: 대화하는 AI **(LLM 에이전트)
  • 이 AI 는 사람처럼 말을 잘합니다. 복잡한 전기 시장 정보를 "전기가 부족해요"라는 쉬운 말로 바꾸고, 집주인의 "나 다음 주에 여행 가는데 배터리 다 써줘" 같은 말을 이해해서 전기 회사에 전달합니다.
• **2 단계: 계산하는 수학 천재 **(최적화 도구)
  • 대화하는 AI 가 "어떻게 할까?"라고 물으면, 바로 옆에 있는 **수학 천재 **(MILP 최적화 도구)가 15 분 단위로 전기를 어떻게 쓰고 저장할지 복잡한 계산을 합니다.
  • "지금 배터리를 쓰면 100 원 손해지만, 나중에 전기를 사면 200 원 아낄 수 있어요. 그래서 지금 쓰는 게 이득입니다"라고 숫자로 증명해 줍니다.
  • 이 계산 결과를 다시 대화하는 AI 가 "집주인, 지금 쓰면 이득이에요!"라고 쉽게 설명해 줍니다.

4. 이 시스템의 장점: "내 마음대로"와 "투명함"

• 내가 먼저 말할 수 있어요: 집주인이 "다음 주에 여행 가니까 배터리랑 전기차 다 써줘"라고 말하면, 이 말은 바로 전기 회사에 전달되어 전기 회사도 그 집에 전기를 더 많이 팔 수 있도록 계획을 바꿉니다. (기존에는 이런 게 불가능했습니다.)
• 투명한 보상: "왜 이걸 해야 하죠?"라고 물으면, AI 는 "지금 전기 값이 비싸서, 당신이 아껴주면 그 차이를 나눠 갖는 거예요"라고 명확하게 설명해 줍니다.
• 빠른 속도: 이 모든 대화와 계산이 12 초 이내에 끝납니다. 사람이 기다릴 시간도 없이 바로 처리됩니다.

5. 결론: 왜 이것이 중요할까요?

이 논문은 **"사람이 참여하려면 통제당하는 게 아니라, 대화하고 이해해야 한다"**는 점을 증명했습니다.

• 기존: "전기를 끄세요." (사람은 거부감 느낌)
• 새로운 CDR: "지금 전기를 아끼면 1,000 원 벌고, 아이스크림도 안 녹아요. 할까요?" (사람은 기꺼이 참여)

이 시스템은 **오픈 소스 **(누구나 볼 수 있는 공개 코드)로 공개되어, 앞으로 더 많은 가정과 전기 회사가 이 '친절한 대화 시스템'을 통해 전기를 효율적으로 쓰고, 더 많은 돈을 벌며, 더 깨끗한 지구를 만들 수 있게 될 것입니다.

한 줄 요약:

"이제 전기 절약은 '명령'이 아니라, **AI 비서와 나누는 '친절한 대화'**를 통해 이루어집니다. 집주인은 무엇을 하고 왜 하는지 정확히 알 수 있으며, 전기 회사는 더 많은 전기를 효율적으로 관리할 수 있게 됩니다."

기술 요약

논문 요약: 대화형 수요 반응 (CDR) 을 위한 에이전트 기반 AI 를 통한 쌍방향 집계자 - 프로슈머 조정

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 2030 년까지 전 세계적으로 500GW 의 수요 반응 (DR) 용량 달성이 필요하며, 그중 60% 는 건물과 전기차에서 나올 것으로 예상됩니다.
• 현황 및 문제점:
  • 기존 주거용 DR 프로그램의 자발적 참여율은 20% 를 넘지 못합니다.
  • 참여 장벽: 복잡한 정보, 통제권 상실감, 노력 요구 등이 주요 원인입니다.
  • 조정 방식의 한계: 현재 집계자 (Aggregator) 와 프로슈머 (Prosumer, 생산 + 소비자) 간의 조정은 두 가지 극단으로 나뉩니다.
    1. 완전 자동화: 사용자의 인지 부하를 줄이지만, 투명성과 사용자 주도성 (Agency) 을 해쳐 장기적인 참여를 저해합니다.
    2. 일방향 신호: 가격 알림이나 단순 지시만 전달되어, 사용자가 정보에 기반한 의사결정을 내리기 어렵습니다.
• 핵심 질문: 어떻게 확장성 (Scalability) 을 유지하면서도 프로슈머에게 투명성과 통제권을 보장하는 DR 조정 메커니즘을 구축할 수 있을까요?

2. 제안된 방법론: 대화형 수요 반응 (CDR) 및 아키텍처

이 논문은 **대화형 수요 반응 (Conversational Demand Response, CDR)**을 제안하며, 이는 **에이전트 AI(Agentic AI)**와 대규모 언어 모델 (LLM) 을 활용하여 집계자와 프로슈머 간의 쌍방향 자연어 상호작용을 가능하게 합니다.

• 시스템 아키텍처 (2 단계 멀티 에이전트 시스템):

  1. 집계자 에이전트 (Aggregator Agent):
     • 포트폴리오 수준의 지시 (시장 신호 기반) 를 생성하고 프로슈머에게 DR 이벤트를 발송합니다.
     • 프로슈머의 피드백이나 선호도 변경 (상향 통신) 을 수신하여 포트폴리오 계획을 업데이트합니다.
     • 가정 수준의 실행 가능성은 가정 내 HEMS 에 위임합니다.
  2. 프로슈머 HEMS 에이전트 (Home Energy Management System):
     • 오케스트레이터 (Orchestrator): 집계자의 요청을 분석하고 적절한 하위 에이전트 (Sub-agent) 에게 작업을 위임합니다.
     • 하위 에이전트 (Sub-agents): 각 에너지 자산 (예: 배터리, EV) 을 관리합니다.
     • 최적화 도구 (MILP Optimizer): 배터리 에이전트는 혼합 정수 선형 계획법 (MILP) 최적화 도구를 '도구 (Tool)'로 호출하여 DR 요청의 실행 가능성과 비용 - 편익을 정량적으로 평가합니다.

• 작동 원리:

  • 하향 (Downstream): 집계자가 DR 요청을 보내면, HEMS 는 최적화 도구를 통해 실행 가능성과 경제적 이득을 계산한 후, 이를 자연어로 변환하여 사용자에게 설명하고 승인을 구합니다.
  • 상향 (Upstream): 사용자가 휴가 기간 설정이나 선호도 변경 등을 자연어로 HEMS 에 입력하면, 이는 집계자에게 직접 전달되어 포트폴리오 계획에 반영됩니다.

3. 주요 기여 (Key Contributions)

1. CDR 아키텍처 설계: 일방향 지시를 대체하는 투명한 쌍방향 자연어 조정 메커니즘을 위한 2 단계 멀티 에이전트 시스템을 설계했습니다.
2. 정량적 실행 가능성 기반 대화: 자산 수준의 하위 에이전트가 MILP 최적화 도구를 호출하여, 사용자가 약속하기 전에 비용 - 편익 트레이드오프를 자연어로 제시할 수 있도록 했습니다.
3. 종단 간 (End-to-End) 실증: 하향 (DR 발송) 및 상향 (프로슈머 선호도 변경) 시나리오를 통해 시스템이 실시간으로 조정, 평가, 실행 가능함을 입증했습니다.
4. 오픈 소스 공개: 에이전트 프롬프트, 오케스트레이션 로직, 시뮬레이션 인터페이스 등 모든 시스템 구성 요소를 오픈 소스로 공개하여 재현성을 보장했습니다.

4. 실험 결과 (Results)

• 실험 설정: GPT-OSS-120B 모델 (Cerebras API) 과 PuLP 기반 MILP 최적화 도구를 사용했습니다.
• 성능 지표:
  • 지연 시간: 모든 상호작용 (승인, 거절, 고부하 요청, 선호도 변경 등) 이 평균 12 초 미만 (가장 긴 경우 약 9.8 초) 에 완료되었습니다.
  • 토큰 효율성: 상호작용당 토큰 수는 최대 34,200 개 미만으로, 운영 비용 측면에서 합리적인 수준입니다.
  • 시나리오별 결과:
    • 하향 (DR 요청): 최적화 도구를 호출하여 실행 가능성을 확인하고 사용자에게 설명하는 과정이 35 번의 추론 반복과 24 번의 도구 호출로 처리되었습니다.
    • 상향 (프로슈머 요청): 선호도 변경 등은 도구 호출 없이 1 번의 반복으로 1.7 초 이내에 처리되었습니다.
• 결론: 에이전트 AI 는 실시간 DR 조정에 필요한 속도와 정확성을 충족시키며, 사용자에게 투명성을 제공합니다.

5. 의의 및 결론 (Significance)

• 기술적 의의: LLM 기반 에이전트 AI 가 복잡한 최적화 문제 (MILP) 와 자연어 인터페이스를 연결하여, 기술적 타당성과 사용자 친화성을 동시에 해결할 수 있음을 입증했습니다.
• 실용적 의의:
  • 기존 자동화 시스템이 가진 '블랙박스' 문제를 해결하여 사용자의 신뢰와 장기 참여를 유도합니다.
  • 프로슈머가 자신의 에너지 자산을 이해하고 통제할 수 있게 하여 행동적 장벽을 낮춥니다.
• 미래 전망:
  • 클라우드 기반 추론에서 엣지 AI 로 전환하여 데이터 프라이버시를 보호하고 지연 시간을 줄이는 것이 다음 단계입니다.
  • 다수 가정 포트폴리오 조정 및 DSO-TSO(배전/송전 시스템 운영자) 간 상호작용으로 확장 가능성이 있습니다.

이 연구는 수요 반응의 패러다임을 단순한 '지시 - 수행'에서 '이해 - 합의 - 수행'의 대화형 협력으로 전환할 수 있는 기술적 토대를 마련했다는 점에서 의미가 큽니다.