AutoB2G: A Large Language Model-Driven Agentic Framework For Automated Building-Grid Co-Simulation

이 논문은 대규모 언어 모델 (LLM) 기반의 에이전트 프레임워크인 AutoB2G 를 제안하여 자연어 명령만으로 건물 - 그리드 상호작용을 포함한 자동화된 시뮬레이션 워크플로우를 구현하고 그리드 성능을 향상시키는 방법을 제시합니다.

핵심

이 논문은 **'AutoB2G'**라는 아주 똑똑한 시스템을 소개합니다. 이 시스템은 복잡한 건물과 전력망 (전력 회사) 을 연결하는 시뮬레이션을 사람이 말로만 설명해 주면, 알아서 다 만들어주고 실행까지 해주는 AI입니다.

기존에는 이 일을 하려면 컴퓨터 공학이나 전기 공학 전문가가 되어야 했고, 수천 줄의 코드를 직접 짜야 했지만, AutoB2G 는 **"이거 해줘"**라고 말만 하면 알아서 해결해 줍니다.

이 시스템을 이해하기 쉽게 세 가지 비유로 설명해 드릴게요.

---

1. 문제 상황: "요리사 없이 레스토랑을 차리는 것"

예전에는 건물과 전력망의 관계를 연구하려면, 연구자들이 직접 **레스토랑 (시뮬레이션 환경)**을 차려야 했습니다.

• 재료 준비 (데이터): 건물의 전기 사용량 데이터를 모으고,
• 주방 장비 세팅 (코드 작성): 건물이 어떻게 작동하는지, 전기가 어떻게 흐르는지 코드로 직접 작성하고,
• 메뉴 개발 (알고리즘): 건물이 전기를 아끼거나 많이 쓸 때 전력망에 어떤 영향을 미치는지 실험해야 했습니다.

이 과정은 매우 어렵고 지루했습니다. 전문가가 아니면 레스토랑을 차릴 수 없었고, 실수가 하나라도 있으면 실험이 다 무너졌습니다.

2. 해결책: "AutoB2G, 마법 같은 AI 오너"

이제 AutoB2G가 등장했습니다. 이 시스템은 **자연어 (사람의 말)**로 명령을 내리면 알아서 모든 일을 해주는 초능력을 가진 AI 오너입니다.

• 사용자의 역할: "건물 24 개를 전력망에 연결하고, 전압이 너무 높을 때 에어컨을 끄게 해서 전압을 조절해 봐."라고 말만 하면 됩니다.
• AutoB2G 의 역할:
  1. 레시피 찾기 (DAG 기반 검색): 필요한 재료 (코드 모듈) 를 거대한 도서관에서 찾아옵니다.
  2. 요리 시작 (코드 생성): 찾은 재료를 가지고 요리 (시뮬레이션 프로그램) 를 만듭니다.
  3. 맛보기와 수정 (TGD): 요리를 해보고 "소금이 너무 짜네?"라고 하면, AI 가 스스로 "아, 소금 양을 줄여야겠다"라고 생각하며 요리를 다시 고칩니다. 이 과정이 완벽해질 때까지 반복됩니다.

3. 핵심 기술: "팀워크와 자기 교정"

이 AI 가 혼자서 모든 걸 하는 게 아니라, **전문가 팀 (Multi-Agent)**이 협력합니다.

• 팀장 (Workflow Manager): 전체 일을 지휘합니다.
• 요리사 (Code Generator): 코드를 작성합니다.
• 식중독 검사관 (Result Evaluator): 만들어진 프로그램이 제대로 돌아가는지, 오류가 없는지 검사합니다.
• 수정 전문가 (Feedback Generator): "여기서 전압이 너무 높아요"라고 지적하면, 요리사가 그 부분을 고칩니다.

이 과정을 **TGD (Textual Gradient Descent, 텍스트 기반 경사 하강법)**라고 하는데, 쉽게 말해 **"오류를 찾아내서 텍스트로 지시하고, 그 지시를 따라 코드를 수정하는 반복 과정"**입니다. 마치 요리사가 실패한 요리를 보고 "다음엔 이렇게 고쳐보자"라고 스스로 학습하는 것과 같습니다.

4. 왜 중요한가요? (결과)

이 시스템을 통해 연구자들은 더 이상 복잡한 코딩에 시간을 낭비하지 않아도 됩니다. 대신 "어떤 건물이 전기를 아끼면 전력망이 얼마나 안전해질까?" 같은 중요한 과학적 질문에 집중할 수 있게 됩니다.

실험 결과, 이 시스템은:

• 복잡한 작업도 잘해냅니다: 간단한 작업뿐만 아니라, 여러 단계를 거치는 복잡한 실험도 80% 이상 성공적으로 수행했습니다.
• 전력망 보호: 건물이 전기를 조절할 때, 전력망의 전압이 불안정해지지 않도록 도와주어 전력망이 더 튼튼해지도록 만들었습니다.

요약

AutoB2G는 **"복잡한 전기와 건물 실험을, 사람이 말로만 지시하면 AI 가 알아서 코딩하고, 실패하면 스스로 고쳐서 완벽하게 만들어주는 마법 같은 도구"**입니다. 이제 누구나 전문가처럼 건물의 에너지와 전력망을 연구할 수 있는 시대가 열린 것입니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

건물 에너지 소비가 전력 수요에서 차지하는 비중이 커짐에 따라, 대규모 건물 클러스터의 수요 반응 및 에너지 관리를 위한 강화학습 (RL) 기반 제어 연구가 활발해지고 있습니다. 그러나 기존 연구 및 시뮬레이션 환경에는 다음과 같은 한계가 존재합니다.

• 그리드 영향 평가의 부재: 기존 시뮬레이션 환경 (CityLearn 등) 은 주로 건물 측의 성능 지표 (전력 비용, 피크 수요 등) 에 초점을 맞추고 있으며, 전력 계통 (Grid) 에 미치는 체계적인 영향을 평가하는 기능이 부족합니다.
• 호환성 문제: 기존 그리드 최적화 프레임워크 (GridLearn) 는 최신 CityLearn 버전의 기능 (커스텀 데이터셋, 전기차 통합, 열역학 모델링 등) 과 호환되지 않아 새로운 기능을 활용하기 어렵습니다.
• 높은 진입 장벽: 시뮬레이션 환경 설정, 반복적인 코드 작성, 수동 구성 등에 많은 전문 지식과 노력이 필요하여 연구자들이 과학적 질문에 집중하기 어렵습니다.
• LLM 기반 자동화의 한계: 자연어 기반 자동화 시, LLM 은 복잡한 시뮬레이션 워크플로우의 의존성 (Dependency) 과 실행 순서를 정확히 파악하지 못해 실행 가능한 코드를 생성하는 데 실패하거나, 복잡한 도메인 지식이 부족하여 오류가 발생합니다.

2. 제안 방법론 (Methodology)

저자들은 자연어 태스크 설명만으로 건물 - 그리드 공동 시뮬레이션 (Building-to-Grid Co-Simulation) 을 자동화하는 AutoB2G 프레임워크를 제안합니다. 이 프레임워크는 크게 세 가지 핵심 기술로 구성됩니다.

2.1 확장된 시뮬레이션 환경 (Building-Grid Co-Simulation)

• CityLearn V2 확장: 최신 CityLearn V2 를 기반으로 하여, 건물 시뮬레이션과 전력 계통 시뮬레이션을 통합합니다.
• 도구 연동:
  • EnergyPlus: 고정밀 건물 열역학 및 에너지 소비 데이터 생성.
  • Pandapower: 전력 흐름 분석 (Power Flow Analysis) 을 통해 전압, 부하, N-1 신뢰도 등 그리드 상태 계산.
  • CityLearn: RL 에이전트 학습 및 제어 실행.
• 피드백 루프: 건물의 전력 수요가 Pandapower 로 전달되어 그리드 상태 (전압 등) 를 계산하고, 이 결과가 다시 CityLearn 의 관측 공간 (Observation Space) 으로 피드백되어 RL 에이전트가 그리드 제약을 고려한 결정을 내리도록 합니다.

2.2 DAG 기반 에이전트 검색 메커니즘 (DAG-Based Agentic Retrieval)

LLM 이 시뮬레이션 코드의 구조와 의존성을 이해하도록 돕기 위해 방향 비순환 그래프 (DAG) 구조를 도입합니다.

• 코드베이스 구조화: 시뮬레이션 구성, 상호작용 로직, 실행 모듈을 DAG 로 모델링합니다. 각 노드는 함수의 입력/출력 인터페이스, 실행 단계, 필수/선택 여부, 자연어 설명 등을 포함합니다.
• 검색 및 검증: 에이전트가 자연어 태스크를 분석하여 DAG 에서 관련 모듈을 검색합니다. 검색된 모듈이 유효한 실행 순서를 형성하지 못하면, DAG 검증기가 결함을 식별하고 에이전트에게 구조적 피드백을 제공하여 워크플로우를 수정 (Repair) 합니다.
• 효과: LLM 이 전체 소스 코드를 보는 대신, 구조화된 DAG 를 통해 필요한 모듈만 정확히 추출하고 의존성을 준수하도록 유도합니다.

2.3 SOCIA 프레임워크 및 텍스트 기반 경사 하강법 (TGD)

생성된 코드를 실행하고 오류를 수정하기 위해 SOCIA (Simulation Orchestration for Computational Intelligence with Agents) 프레임워크를 활용합니다.

• 다중 에이전트 협업: 워크플로우 관리자, 코드 생성기, 시뮬레이션 실행기, 결과 평가기, 피드백 생성기 등 역할이 나뉜 에이전트들이 협력합니다.
• 텍스트 기반 경사 하강법 (Textual Gradient Descent, TGD):
  • 기존 수치적 경사 하강법과 달리, 코드 자체를 최적화 변수로 간주합니다.
  • 실행 오류나 제약 위반 (Constraint Violation) 을 감지하면, 이를 수치적 그래디언트 대신 구조화된 자연어 피드백 (Textual Gradient) 으로 변환합니다.
  • 이 피드백은 코드 생성기로 전달되어 특정 오류를 수정하는 패치 (Patch) 를 생성하고, 이를 반복하여 실행 가능한 시뮬레이터로 수렴시킵니다.

3. 주요 기여 (Key Contributions)

1. 자동화된 건물 - 그리드 공동 시뮬레이션 프레임워크: 자연어 입력만으로 RL 기반 전압 제어 등 복잡한 시뮬레이션을 구성하고 실행하며, IEEE 33-bus 분배망에서 검증되었습니다.
2. DAG 기반 에이전트 검색 메커니즘: 모듈 간 의존성과 실행 순서를 명시적으로 인코딩하여 LLM 의 검색 정확도를 높이고, 구조적 일관성을 보장하는 자동 복구 메커니즘을 제시했습니다.
3. SOCIA 와 TGD 를 통한 신뢰성 향상: 다중 에이전트 협업과 텍스트 기반 경사 하강법을 통해 생성된 코드의 오류를 자동으로 탐지하고 수정하여, 복잡한 시나리오에서도 신뢰할 수 있는 시뮬레이터를 구축할 수 있음을 입증했습니다.

4. 실험 결과 (Results)

실험은 단순, 중간, 복잡한 세 가지 난이도의 자연어 태스크로 구성되었으며, 기존 LLM, 단일 에이전트 검색, SOCIA, 그리고 제안된 SOCIA + AR(검색) 방법을 비교했습니다.

• 성공률 (Success Rate):
  • 복잡한 태스크: 기존 LLM 은 성공률이 53% 로 급격히 떨어졌으나, **SOCIA + AR 은 83%**의 높은 성공률을 기록했습니다. 이는 다중 에이전트 구조와 검색 메커니즘이 복잡한 의존성 관리에 효과적임을 보여줍니다.
• 코드 점수 (Code Score):
  • 불필요한 모듈 포함이나 누락을 평가하는 지표에서, SOCIA + AR 이 모든 난이도에서 가장 높은 점수 (복잡한 태스크 기준 0.88) 를 받아 가장 정확하고 깔끔한 코드를 생성했습니다.
• 그리드 성능 평가:
  • RL 기반 제어 전략은 기준선 (Baseline) 대비 전압 편차를 크게 줄이고, 전압 분포를 정격 전압 (1.0 p.u.) 주변으로 수렴시켰습니다.
  • 과전압/저전압 상황에서 건물의 부하 조절 행동을 통해 그리드 전압을 안정화하는 것을 확인했습니다.
• TGD 의 효과: 반복 실행을 통해 초기 실패 사례가 수정되며 성공률이 크게 향상되었고, 복잡한 태스크일수록 수렴 속도가 느리지만 TGD 를 통해 점진적으로 개선됨을 확인했습니다.

5. 의의 및 결론 (Significance)

• 접근성 향상: 자연어만으로 복잡한 건물 - 그리드 시뮬레이션을 자동화함으로써, 도메인 전문가가 아닌 연구자도 쉽게 RL 기반 제어 연구에 참여할 수 있는 진입 장벽을 낮췄습니다.
• 시스템적 최적화: 건물 측 최적화와 그리드 측 안정성 (전압, 신뢰도 등) 을 동시에 고려한 통합 평가 체계를 제공하여, 분산 에너지 자원의 효과적인 통합을 위한 도구로 활용 가능합니다.
• 미래 지향성: LLM 을 단순한 정보 검색 도구가 아닌, 복잡한 공학 시뮬레이션 파이프라인을 설계, 실행, 디버깅하는 능동적 에이전트로 진화시켰다는 점에서 AI 기반 과학 연구 (AI for Science) 의 새로운 패러다임을 제시합니다.

이 연구는 자동화된 시뮬레이션 워크플로우의 신뢰성을 높이고, 에너지 시스템의 복잡성을 자연어 인터페이스로 해결할 수 있는 강력한 프레임워크를 제시했다는 점에서 의의가 큽니다.