Behavioral Generative Agents for Power Dispatch and Auction

이 논문은 대규모 언어 모델 (LLM) 기반의 생성형 에이전트가 전력 배분 및 경매 환경에서 인간의 의사결정을 모델링하기 위해 기존 수학적 모델의 경직성을 완화할 수 있음을 보여주는 초기 증거를 제시합니다.

핵심

이 논문은 **"전기 요금과 전력 경매에서 인공지능 (AI) 이 어떻게 인간처럼 생각하고 행동할 수 있는지"**를 실험한 연구입니다.

기존의 전력 시스템은 수학 공식처럼 "무조건 돈을 가장 적게 쓰거나, 이익을 최대화하는 것"만 계산했습니다. 하지만 실제 인간은 공포를 느끼거나, 미래를 걱정하거나, 상황에 따라 비합리적인 선택을 하기도 하죠. 이 연구는 **거대 언어 모델 (LLM)**을 이용해 이런 '인간 같은 AI'를 만들어보고, 그들이 전력 시장에서 어떻게 행동하는지 살펴봤습니다.

이 내용을 쉽게 이해할 수 있도록 두 가지 실험으로 나누어 설명해 드릴게요.

---

1 실험: "비상용 배터리"와 "갑작스러운 정전"

상황: 가정용 배터리가 있고, 전기요금은 매일 오르내립니다. 그런데 갑자기 **하루 동안 정전 (블랙아웃)**이 일어날 수도 있는 상황입니다.

• 기존의 AI (수학 모델): "전기를 사서 비싸게 팔아서 돈을 많이 벌어야지!"라고 계산합니다. 정전이 오더라도 배터리를 다 써버리고, 정전 후에도 다시 충전해서 돈을 버는 데만 집중합니다.
• 이 연구의 AI (인간 같은 행동):
  • 학습 방법: 더 똑똑한 AI(오리진 모델) 가 "정전이 오면 배터리를 다 써버리고, 그다음엔 비상용 전기를 남겨두는 게 안전해"라고 생각한 사례를 보여줬습니다.
  • 결과: 작은 AI 가 이 사례를 보고 배웠습니다. 그 결과, 돈을 조금 덜 벌더라도 정전 후를 대비해 배터리에 전기를 남겨두는 '안전 지향적' 행동을 했습니다.
  • 비유: 마치 비상식량을 생각하듯, 배터리를 '돈을 버는 도구'가 아니라 '생명을 지키는 방패'로 인식하게 된 것입니다.

2 실험: "전력 사용권 경매"와 "전략적 입찰"

상황: 데이터센터 같은 기업들이 전력망에 접속할 수 있는 '권리'를 경매로 따냅니다. 여기서 여러 AI 에이전트들이 서로 경쟁합니다.

연구진은 세 가지 성격의 AI 를 만들어보았습니다.

1. 규칙만 따르는 AI (Rule-Centric):

   • 성격: "경매 규칙대로만 하겠어!"
   • 행동: 규칙만 보고 무조건 높은 가격을 부릅니다. 경쟁자가 물러나도 계속 가격을 올려서 이기는 것만 중요시하다가, 결국 너무 비싸게 사서 손해를 보는 '광적인 입찰'을 하기도 했습니다.
   • 비유: 경쟁 게임에 미친 사람처럼, 이기는 것 외에는 아무것도 생각하지 않는 모습입니다.

2. 단기 이익만 쫓는 AI (Myopic-Profit):

   • 성격: "이번 라운드에서 가장 많이 벌어야지."
   • 행동: 수학적으로 계산된 '합리적인 입찰'과 거의 똑같은 행동을 했습니다.
   • 비유: 냉철한 계산기처럼, 지금 당장의 이득만 보고 움직입니다.

3. 장기 전략을 가진 AI (Strategic-Outcome):

   • 성격: "결국 내가 이길 수 있도록 미리 준비해야지."
   • 행동: 초반에 조금 더 비싸게 입찰해서 경쟁자를 밀어내고, 나중에 유리한 위치를 선점했습니다. 하지만 '규칙만 따르는 AI'처럼 무작정 비싸게 부르는 건 아니었습니다.
   • 비유: 체스 마스터처럼, 몇 수 뒤의 승리를 보고 현재 수를 두는 전략가입니다.

---

이 연구가 주는 핵심 메시지

1. 인간은 완벽하지 않다: 전력 시스템도 인간처럼 '공포', '안전', '전략'을 고려해야 더 현실적인 설계가 가능합니다.
2. 작은 AI 도 배울 수 있다: 더 똑똑한 AI 가 발견한 '비상 상황에서의 현명한 행동'을 예시로 보여주기만 하면, 작은 AI 도 그 행동을 잘 따라 할 수 있습니다 (이를 맥락 학습이라고 합니다).
3. 미래의 도구: 이 기술은 앞으로 전력 요금을 어떻게 책정할지, 혹은 재난 상황에서 사람들이 어떻게 반응할지 시뮬레이션하는 데 유용하게 쓰일 수 있습니다.

한 줄 요약:

"이 연구는 AI 에게 '인간 같은 생각'을 심어주어, 전력 시장에서 단순한 계산기를 넘어 비상 상황에서는 안전을 우선시하고, 경매에서는 전략적으로 행동하는 존재로 만들 수 있음을 증명했습니다."

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

전통적인 전력 시스템 운영 및 시장 설계는 완전한 합리성을 가진 에이전트가 비용 최소화나 효용 극대화를 목표로 한다는 가정 하에 수학적 최적화 모델 (Dynamic Programming 등) 을 기반으로 합니다. 그러나 실제 전력 소비자와 운영자는 제한된 합리성 (bounded rationality), 이질적인 선호도, 그리고 문맥에 의존적인 행동을 보입니다.

기존의 인간 실험은 비용이 많이 들고 통제하기 어려우며, 단순화된 수학적 모델은 인간의 복잡한 의사결정 행동을 포착하는 데 한계가 있습니다. 최근 대규모 언어 모델 (LLM) 기반의 생성형 에이전트 (Generative Agents) 가 등장하면서, 이를 '인간 의사결정의 시뮬레이션 도구 (homo silicus)'로 활용하여 전력 급전 (dispatch) 및 경매 (auction) 환경에서의 복잡한 행동 패턴을 모델링할 수 있는 가능성이 제기되었습니다. 본 논문은 LLM 기반 에이전트가 이러한 전력 시스템 응용 분야에서 인간과 유사한 의사결정 능력을 보일 수 있는지, 그리고 이를 통해 기존 모델의 한계를 어떻게 보완할 수 있는지를 검증하는 것을 목표로 합니다.

2. 방법론 (Methodology)

저자들은 두 가지 Proof-of-Concept 실험을 설계하여 LLM 기반 에이전트의 성능을 검증했습니다. 핵심 방법론은 TARJ (Thought-Action-Reflection-Journal) 프레임워크와 **In-Context Learning (ICL)**의 결합입니다.

가. 실험 1: 가정용 배터리 관리 (Power Dispatch)

• 환경: 확률적인 전기 요금과 정전 (Blackout) 개입이 발생하는 20 일간의 가정용 배터리 운영 시나리오.
• 비교 대상:
  • DP (Dynamic Programming): 완전한 합리성을 가진 최적 의사결정 기준.
  • Greedy: 단기 이익 극화를 위한 휴리스틱.
  • LLM 에이전트: gpt-5-mini 모델 사용.
• 행동 패턴 전이 (Behavior Transfer): 더 강력한 추론 모델인 o1-preview 가 정전 상황에서 발견한 행동 패턴 (예: 정전 후를 대비한 배터리 잔량 유지) 을 ICL 예시 (예시 프롬프트) 로 제공하여, 더 작고 저렴한 gpt-5-mini 모델에게 전이시켰습니다.
• 페르소나 (Persona): Thinker, Realist, Feeler 등 서로 다른 선호도를 가진 3 가지 페르소나를 정의하여 시뮬레이션했습니다.

나. 실험 2: 전력 네트워크 접근권 경매 (Simultaneous Ascending Auction, SAA)

• 환경: 데이터 센터 등이 전력망 접근권을 경쟁하는 동시 상승 경매 (SAA) 시뮬레이션.
• 비교 대상:
  • Straightforward Bidding Strategy: 다음 라운드에서 최대 이익을 얻는 전통적 전략 (기준선).
  • LLM 에이전트 3 종:
    1. Rule-Centric: 기본 경매 규칙과 사적 가치 (Private Valuation) 만 따름.
    2. Myopic-Profit: 단기 (다음 라운드) 이익 극대화 목표.
    3. Strategic-Outcome: 장기적 최종 이익 극대화 목표 (현재 손실을 감수하고도 우위를 점하려는 전략).
• 메커니즘: 각 에이전트는 TARJ 형식 (사고, 행동, 반성, 일지) 으로 추론하며, '일지 (Journal)'를 메모리에 저장하여 다음 라운드에서 맥락 (Context) 으로 활용함으로써 ICL 을 구현했습니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

가. 배터리 관리 실험 결과

• ICL 을 통한 행동 전이 성공: o1-preview 가 정전 상황에서 배터리를 완전히 방전하고 이후를 위해 잔량을 높게 유지하는 전략을 학습한 것을, ICL 예시를 통해 gpt-5-mini 가 성공적으로 모방했습니다.
• 합리적 최적화와의 편차: ICL 이 적용되지 않았을 때 LLM 은 DP 와 유사하게 이익 극화 (저가 충전/고가 방전) 를 보였으나, ICL 이 적용된 후에는 정전과 같은 희귀 사건 (Rare Events) 에 대비하여 수익성보다 **에너지 보안 (Energy Security)**을 우선시하는 행동을 보였습니다. 이는 인간과 유사한 '비합리적이지만 상황 의존적인' 의사결정을 모델링할 수 있음을 시사합니다.

나. 경매 실험 결과

• Myopic-Profit 에이전트: 기준선인 'Straightforward Bidding Strategy'와 거의 동일한 입찰 궤적을 보였습니다. 이는 단기 이익 극화라는 목표가 일치할 때 LLM 이 합리적인 경제 주체로 작동할 수 있음을 증명합니다.
• Strategic-Outcome 에이전트: 초기 라운드에서 더 공격적인 입찰을 통해 우위를 점하고, 최종 할당 단계에서 유리한 위치를 선점하는 전략을 취했습니다. 이는 장기적 관점을 가진 에이전트가 단순한 단기 최적화를 넘어선 전략적 사고를 할 수 있음을 보여줍니다.
• Rule-Centric 에이전트의 비합리적 행동: 전략적 사고 (Chain-of-Thought) 가 부재한 경우, 에이전트는 경쟁자가 철수한 후에도 무리하게 입찰을 계속하는 등 '승리' 자체에 집착하는 비합리적 행동을 보였습니다.
• ICL 의 안정화 효과: ICL 모듈 (일지 및 과거 전략 반영) 은 에이전트가 경매 전체 과정에서 일관된 페르소나를 유지하도록 돕고, 무작위적이고 불안정한 입찰을 줄여주었습니다.

4. 의의 및 결론 (Significance & Conclusion)

1. 새로운 평가 도구로서의 가능성: LLM 기반 생성형 에이전트는 순수 분석적 모델과 비용이 많이 드는 인간 실험 사이의 **중간 평가 도구 (Intermediate Evaluation Tool)**로서 유효합니다.
2. 행동 다양성 모델링: LLM 은 다양한 페르소나와 선호도를 조건부로 부여받아, 전력 시스템 내 인간 의사결정의 이질성과 맥락 의존성을 효과적으로 시뮬레이션할 수 있습니다.
3. ICL 의 실용성: 모델 파라미터를 업데이트하지 않고도, 강력한 모델의 행동 패턴을 약한 모델로 전이하거나 (Behavior Transfer), 특정 전략적 목표를 부여하여 에이전트의 행동을 제어할 수 있음을 입증했습니다.
4. 미래 전망: 본 연구는 단순화된 Proof-of-Concept 단계이지만, 향후 실제 시장 데이터와 대규모 네트워크 구성을 반영하여 전력 정책 평가, 고객 중심 에너지 관리 설계, 그리고 인간-AI 협업 시스템 개발에 기여할 수 있는 잠재력을 보여줍니다.

요약하자면, 이 논문은 LLM 기반 에이전트가 전력 급전 및 경매 환경에서 인간의 복잡한 행동 패턴을 모방하고, ICL 을 통해 전략적 사고를 학습할 수 있음을 실증적으로 보여주었으며, 이는 기존 최적화 모델로는 포착하기 어려웠던 에너지 시스템의 인간적 요소를 분석하는 강력한 도구가 될 수 있음을 시사합니다.