기술 요약: 에이전트형 가정 에너지 관리(HEMS)를 위한 LLM

문제 정의

가정 에너지 관리 시스템(HEMS)은 유연한 부하(예: 전기차 충전, 세탁기, 식기세척기)를 최적의 시간으로 이동시킴으로써 주거용 전기 비용을 절감하고 수요 반응을 지원할 수 있는 상당한 잠재력을 가지고 있습니다. 그러나 기존의 HEMS는 비전문가 사용자가 일상적인 선호도를 기술적인 스케줄링 제약 조건으로 변환해야 하는 "사용자 상호작용 부담"으로 인해 도입이 저해되고 있습니다. 대규모 언어 모델(LLM)은 이러한 간극을 메우기 위한 자연어 인터페이스를 제공하지만, 기존의 에이전트형 HEMS 연구는 네 가지 핵심적인 한계에 직면해 있습니다:

1. 제한된 모델 커버리지: 이전 연구들은 오픈 소스 모델에 의존하며, 다중 가전 협업 과정에서의 실패 사례가 보고되었습니다.
2. 가격 중심 최적화: 기존 시스템은 도매 전기 가격만을 최적화하며, 태양광 자가 소비 및 날씨를 고려한 태양광(PV) 발전량은 무시합니다.
3. 좁은 평가 범위: 평가는 통계적 엄밀성이나 변동성 체제 전반에 걸친 테스트 없이 단일 일자 가격 데이터만을 사용하는 경우가 많습니다.
4. 검증되지 않은 제약 충돌: 이전 연구들은 비용 최적화 스케줄이 하드 제약 조건(예: 마감 기한, 전력 캡)을 위반할 때 에이전트의 행동을 평가하지 않으며, 이는 안전 사각지대를 생성합니다.

방법론

저자들은 실시간 소매 시장 데이터(영국의 Octopus Energy Agile 요금제)와 기상 예보를 기반으로 작동하도록 설계된 단일 도구 호출(tool-calling) ReAct 에이전트를 제안합니다. 계층적 멀티 에이전트 설계와 달리, 이 시스템은 단일 LLM을 사용하여 데이터 검색, 분석 및 의사결정을 조율합니다.

시스템 아키텍처

• 에이전트 코어: 추론과 도구 호출을 교차 수행하는 LangGraph 기반의 ReAct 에이전트입니다.
• 도구 계층: 에이전트는 다음의 6가지 특정 도구에 접근합니다:
  1. 전기 가격 검색 (반시간 단위 Agile 요금제).
  2. 날씨 예보 검색 (온도, 일사량).
  3. PV 발전 예측 (날씨 데이터를 예상 출력값으로 변환).
  4. 최저가 시간대 계산 (최적의 시작 슬롯 식별).
  5. 가전 스케줄링 (시작 시간 확정).
  6. 불가능성 보고 (충족 불가능한 요청을 공식적으로 선언).
• 그라운드 트루스(Ground Truth): 스케줄은 PV 자가 소비와 가구 전력 캡을 고려하면서 순 비용(net cost)(수입 비용에서 수출 수익을 뺀 값)을 최소화하는 확장된 혼합 정수 선형 계획법(MILP) 솔버를 기준으로 벤치마킹됩니다.
• 평가된 모델: 세 가지 상용 모델이 테스트되었습니다: GPT-4o-mini (OpenAI), Gemini 2.5 Flash (Google), Claude Sonnet 4.6 (Anthropic).
• 인터페이스: 본 연구는 네이티브 함수 호출(구조화된 도구 호출)과 텍스트 파싱 액션(자유 형식의 출력 추출)을 비교합니다.

실험 설계

평가는 네 가지 실험으로 구성됩니다:

1. 다일(Multi-Day) 벤치마크: 저변동성, 중변동성, 고변동성 체제에 걸친 12개의 별도 요금제 일자를 대상으로 단일 및 다중 가전 스케줄링을 테스트합니다.
2. 제약 충돌 스트레스 테스트: 마감 기한 충돌, 전력 캡 위반, 불규칙한 캘린더 해석, 불가능성 보고, 지침 충돌, 도구 실패 복구를 테스트하는 6가지 적대적 시나리오(S1–S6)를 검토합니다.
3. 날씨 인지 공동 최적화: 가격 중심 목적 함수와 PV를 포함한 순 비용 목적 함수를 비교하며, 맑음, 흐림, 구름 낀 체제에서의 민감도 분석을 수행합니다.
4. 종단적 배포: 4주간의 비용을 투영하는 일주일간의 롤링 시뮬레이션을 통해 주간 공동 계획 능력을 테스트합니다.

주요 기여

1. 다일 모델 벤치마크 (C1): 에이전트형 HEMS를 위한 통계적으로 근거 있는 상용 모델 비교를 수행합니다. 본 연구는 네이티브 함수 호출을 사용할 경우 상용 모델이 완벽에 가까운 협업을 달 achieves 하는 반면, 텍스트 파싱 인터페이스는 신뢰성을 크게 저하시킨다는 것을 입증합니다.
2. 제약 충돌 스트레스 테스트 (C2): 비용 최적화 모델과 안전 최적화 모델이 서로 다름을 밝히는 재사용 가능한 적대적 프레임워크를 제시합니다. 본 연구는 마감 기한 만족도, 제약 위반, 불가능성 보고에 대한 지표를 도입하여, 프롬프트 가이드만으로는 모든 안전 필수 실패를 해결할 수 없음을 강조합니다.
3. 날씨 인지 태양광 공동 최적화 (C3): 스케줄링 목적 함수를 실시간 PV 예측을 포함하도록 확장합니다. 본 연구는 날씨 통합이 체제에 따라 상이한 이점을 제공함을 보여줍니다: 즉, 흐린 날에는 순 비용을 개선하지만, 수입 가격이 음수인 맑은 날에는 자가 소비를 우선시함으로써 오히려 비용을 높일 수 있습니다.

결과

• 스케줄링 성능: 네이티브 함수 호출을 사용했을 때, 세 모델 모두 36회의 실행 동안 100% 스케줄링 성공률을 기록했습니다. GPT-4o-mini와 Gemini 2.5 Flash는 100% 최적성(MILP 그라운드 트루스와 일치)을 달성한 반면, Claude Sonnet 4.6은 86%의 최적성을 보였으나 비용 격차는 미미했습니다(0.12%).
• 인터페이스 신뢰성: 텍스트 파싱 인터페이스는 성능의 급격한 저하를 초래했습니다. GPT-4o-mini의 최적성은 31%로 떨어졌고, Claude Sonnet 4.6은 실제 스케줄링 액션을 실행하지 않고 유창한 문장으로 확인만 하는 "대화형 단락(conversational short-circuiting)" 현상을 보였습니다(성공률 31%).
• 제약 처리:
  • Claude Sonnet 4.6은 명시적인 가이드 없이도 전력 캡과 불가능성 보고를 올바르게 처리하여 가장 강력한 제약 준수 모델로 나타났습니다.
  • GPT-4o-mini는 가장 효율적이었으나, 전력 캡 제약 하에서 가전을 직렬화하는 데 실패했으며, 가이드된 프롬프트가 있음에도 캐주얼한 지시사항을 하드 마감 기한보다 우선시했습니다.
  • Gemini 2.5 Flash는 지침 충돌을 안정적으로 해결하기 위해 명시적인 규칙이 필요한 가이드 민감성을 보였습니다.
• 날씨 통합: 날씨 인지 스케줄링은 부하를 PV 피크 타임으로 이동시킴으로써 흐린 날에 순 비용을 일일 £0.14 절감했습니다. 그러나 가격이 음수인 맑은 날에는 날씨 인지 정책이 그리드 수입보다 자가 소비를 우선시했기 때문에 오히려 비용이 약간 더 높았습니다(£0.15/일 증가).
• 경제적 영향: 시뮬레이션된 일주일 동안, 에이전트는 MILP 오라클이 얻을 수 있는 절감액의 **96.7~98.0%**를 확보했습니다. 표준 오프피크 타이머 베이스라인과 비교했을 때, 에이전트는 연간 약 £1,270의 절감을 투영했습니다.

의의 및 주장

본 논문은 LLM을 단순한 "인터페이스 전용" 애플리케이션을 넘어 직접 결정을 내리는 자율 스케줄링 에이전트로 발전시킴으로써 에이전트형 HEMS 분야를 진전시킨다고 주장합니다. 주요 의의는 다음 세 가지 영역에 있습니다:

1. 상용 에이전트형 HEMS의 타당성: 본 연구는 상용 LLM이 네이티브 함수 호출을 통해 수동 매개변수 설정 없이도 주거용 스케줄링을 위한 복잡한 핸드 코딩 최적화 파이프라인을 신뢰성 있게 대체할 수 있음을 입증합니다.
2. 제1 순위 지표로서의 안전: 저자들은 제약 충으로 인한 준수 여부가 "일급 평가 축(first-class evaluation axis)"이라고 주장합니다. 가장 효율적인 모델이 반드시 가장 안전한 것은 아니라는 점을 입증하며, 스케줄이 실행되기 전에 모델 독립적이고 결정론적인 타당성 검증기가 필요함을 보여줍니다.
3. 컨텍스트 인지 최적화: "원 사이즈 포 올(one-size-fits-all)" 방식의 최적화는 불충분하며, 경제적 손실을 피하기 위해 날씨 인지 공동 최적화를 동적으로 활성화하거나 비활성화해야 함을 강조합니다.

결론적으로, 본 논문은 에이전트형 HEMS가 규칙 기반 베이스라인보다 경제적으로 우월하고 실행 가능하지만, 배포 시에는 효율성과 안전 제약 사이의 특정 트레이드오프에 따라 백엔드 모델을 신중히 선택하고 강력한 사후 검증 메커즘을 갖추어야 한다고 제언합니다.