⚡ electrical engineering

Physically Constrained Agentic AI for Energy Scheduling

본 논문은 에이전트형 AI가 가전제품, 전기차(EV), 열 제어를 위한 실행 가능한 비용 효율적인 익일 에너지 스케줄을 생성할 수 있도록 물리적 승인과 언어 생성을 분리한 계층적 ReAct 에너지 관리 시스템을 제시하며, 이를 통해 물리적 제약 조건을 엄격히 준수하면서 높은 성공률과 최적에 가까운 비용을 달성한다.

원저자: Dafnag Zhao, Yang Deng, Zhengmao Li

게시일 2026-08-11

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Dafnag Zhao, Yang Deng, Zhengmao Li

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신의 집이 단순히 명령에 복종하는 것을 넘어 당신의 욕구까지 이해하는 세상을 상상해 보십시오. 당신은 집에 이렇게 말할 수도 있습니다. "빨래를 끝내고, 차를 충전하고, 거실을 아늑하게 만들어줘. 하지만 전기 요금이 폭등하게 만들지는 말아줘." 이것이 바로 **에이전틱 AI(Agentic AI)**의 꿈입니다. 이는 단순히 대화만 나누는 것이 아니라, 큰 목표를 작고 조율된 행동들로 나누어 실제로 일을 수행하는 스마트한 시스템을 의미합니다. 하지만 여기에는 함정이 있습니다. 챗봇은 시를 쓰는 데는 뛰어나지만, 물리학에는 젬병입니다. 만약 AI가 히터가 풀가동되는 동안 세탁기가 돌아가고 전기차가 충전되어도 괜찮다고 추측한다면, 실수로 퓨즈를 끊거나 전선을 녹여버릴 수도 있습니다. 이것이 바로 **에너지 관리(Energy Management)**의 과제입니다. 즉, 당신이 원하는 것과 전기 및 열의 엄격하고 변하지 않는 법칙 사이에서 균형을 잡는 일입니다. 과학자들은 평이한 영어로 대화하면서도 전력망의 엄격한 수학적 규칙을 준서하여, 인간 엔지니어가 모든 결정을 재확인할 필요 없이 집을 안전하고 효율적으로 유지할 수 있는 시스템을 구축하기 위해 노력하고 있습니다.

이 논문은 이 문제를 해결하기 위한 영리하고 새로운 방법, 즉 매우 엄격한 "안전 검사관"이 바로 옆에 서 있는 "스마트한 집사"와 같은 방식을 소개합니다. 저자들은 **계층적 ReAct 에너지 관리 시스템(Hierarchical ReAct Energy Management System)**이라 불리는 시스템을 구축했습니다. 이것을 전문가 팀이라고 생각하십시오. 한 에이전트는 세탁기를 담당하고, 다른 에이전트는 전기차를, 세 번째 에이전트는 난방 시스템을 담당합니다. 중앙의 "오케스트레이터(orchestrator)"는 당신의 요청을 듣고 이 전문가들에게 계획을 세우라고 요청합니다. 하지만 여기서 마법 같은 기술이 등장합니다. AI는 아이디어를 구상하고 수정할 수는 있지만, 스스로 스위치를 켜는 것은 절대 허용되지 않습니다. 어떤 계획이 실행되기 전에, 엄격한 "결정론적 비판자(deterministic critic)"—즉, 수학만을 따지는 경직된 컴퓨터 프로그램—가 개입합니다. 이 비판자는 예의 바른 대화에는 관심이 없으며, 오직 숫자만을 체크합니다. 이 비판자는 하루 전체의 일정을 재구성하고, 열 흐름을 시뮬레이션하며, 전력 제한을 확인하고, 어떤 가전제품이 켜져서는 안 되는 상황에서 켜지지 않았는지 확인합니다. 만약 계획이 이 엄격한 테스트를 통과하면 승인되고, 실패하면 거부되며, AI는 다시 시도해야 합니다.

연구진은 이 시스템을 강력한 AI 모델(구체적으로 Qwen 3.5 시리즈의 체크포인트)을 사용하여 표준 수학 솔버(Pyomo/Gurobi)와 비교 테스트함으로써, AI가 실제로 복잡한 스케줄링 수학을 처리할 수 있는지 확인했습니다. 그들은 세탁기, 식기세척기, 전기차, 히트펌프를 관리하면서 낮 동안 실내 온도를 22~24°C로 유지하고 12kW의 전력 제한을 넘지 않아야 하는 시나리오를 설정했습니다.

결과는 AI의 두뇌 크기에 따라 "나쁘지 않은" 수준과 "꽤 괜찮은" 수준으로 나뉘었습니다. AI에게 단 하나의 가전제품만 스케줄링하도록 요청했을 때, 성공률은 약 83.3%였습니다. 그러나 작업이 더 어려워져 모든 것을 동시에 조율해야 하는("결합된" task) 경우, 작은 AI 모델들은 막히거나 시간 초과가 발생했습니다. 하지만 더 큰 모델들, 특히 27B와 35B-A3B 버전은 몇 차례의 피드백 루프를 거친 후 6번의 시도 중 6번 모두 안전 검사관의 테스트를 통과했습니다. 35B-A3B 모델은 1592.697 JPY의 비용이 드는 일정을 생성했는데, 이는 완벽한 수학적 최적값인 1343.380 JPY보다 약간 높지만, 물리적 규칙을 준수하는 실행 가능한 계획이었습니다. 27B 모델 역시 성공했으나 비용은 2522.499 JPY로 더 높았습니다.

결정적으로, 이 논문은 이러한 성공이 조건부임을 강조합니다. 이 시스템이 작동하는 이유는 "비판자"가 안전장치 역할을 하기 때문입니다. 만약 AI가 불가능한 것을 제안하면, 비판자가 이를 잡아냅니다. 저자들은 "창의적인" AI와 "수학적인" 검사기 사이의 이러한 엄격한 분리가 없다면, 시스템은 겉보기에는 그럴싸한 텍스트를 만들어내지만 실제로는 실패하는 계획을 내놓을 가능성이 높다는 것을 발견했습니다. 또한, 이 연구는 2026년 8월 1일의 특정 날씨와 가격 데이터를 사용한 시뮬레이션이며, 시스템이 아직 습도, 배터리 성능 저하, 갑작스러운 정전과 같은 현실 세계의 복잡성을 고려하지는 않는다는 점도 언급했습니다.

요약하자면, 이 논문은 우리가 자연어로 대화하고 집을 관리하는 AI 에이전트를 구축할 수 있지만, 오직 엄격하고 눈 하나 깜빡이지 않는 수학적 감시자를 목줄에 묶어두었을 때만 가능하다는 것을 보여줍니다. AI는 제안할 수 있지만, 결정은 수학이 내려야 합니다. 더 큰 AI 모델들은 이 좁은 외줄 타기를 헤쳐 나가는 데 유망한 모습을 보였으며, 비록 완벽한 수학적 해답만큼 저렴하지는 않더라도 안전하고 기능적인 일정을 찾아냈습니다. 이는 우리를 이해하는 집을 향한 한 걸음이지만, 에너지에 있어서는 여ยัง 물리 법칙이 최종 결정권을 가진다는 사실을 증명합니다.

기술 요약: 에너지 스케줄링을 위한 물리적 제약 기반 에이전트형 AI

문제 정의
익일 에너지 스케줄링(day-ahead energy scheduling)은 가구의 의도(자연어로 표현됨)를 전기 요금, 날씨, 캘린더 제한, 기기 모델과 같은 복잡한 물리적 제약 조건과 통합해야 합니다. 대규모 언어 모델(LLM)은 대화에서 파라미터를 추출할 수 있고, 에이전트 시스템은 의사결정을 전문가에게 위임할 수 있지만, 결정적인 격차가 존재합니다. 즉, 언어적으로 타당한 스케줄이 전기적 및 열적 제약 조건의 충족을 보장하지는 못한다는 점입니다. 핵심적인 과제는 **권한 부여(authorization)**입니다. 즉, 개별적으로 타당해 보이는 전문가 에이전트들의 출력이 통합될 때(예: 공유 피더 제한 또는 공통 열 상태) 서로 충돌하지 않도록 보장하는 것입니다. 현재의 접근 방식들은 제안된 스케줄이 실행 전 시스템의 물리적 실체에 부합하는지 엄격하게 검증하는 메커니즘이 부족한 경우가 많습니다.

방법론
본 논문은 언어 생성과 물리적 권한 부여를 분리하는 **계층적 ReAct 에너지 관리 시스템(EMS)**을 제안합니다. 이 시스템은 다음 구성 요소들을 통해 작동합니다:

오케스트레이터 및 전문가(Orchestrator and Specialists): ReAct 기반의 오케스트레이터는 자연어 요청을 조정된 행동으로 변환합니다. 이는 세 가지 유형의 전문가 에이전트에게 하위 문제를 위임합니다:
- 이동 가능 가전(Shiftable Appliances): 중단 없는 사이클(예: 세탁기, 식기세척기)을 위한 이진(binary) 시작 시간을 처리합니다.
- EV 충전(EV Charging): 충전 사이클을 관리합니다.
- 열 제어(Thermal Control): 히트펌프를 위한 가변 전력 프로파일을 생성합니다.
결정론적 비평가(Deterministic Critic - Fail-Closed 정책): 핵심적인 혁신은 제안과 권한 부여의 분리입니다. 에이전트는 행동을 제안하고 수정할 수 있지만, 오직 결정론적 비평가만이 최종 후보를 승인(release)할 수 있습니다. 비평가는 다음을 수행합니다:
- 스키마 검증(Schema Validation): 타입화된 표현을 확인하고 이진 사이클을 재구성합니다.
- 물리적 시뮬레이션: 선형 모델( $T_{t+1} = a_m(1000p_t) + b_m T_t + c_m T^{out}_t + d_m$ )을 사용하여 열 상태를 전파하고 총 전력량( $P^{tot}_t$ )을 계산합니다.
- 제약 조건 확인: 쾌적도 범위(점유 시간 동안 22–24°C), 기기 전력 제한, 그리고 전체 가구 피더 제한(12 kW)을 검증합니다.
- 부호 안전 피드백(Sign-Safe Feedback): 제약 조건 위반 시, 비평가는 전력 조정을 위한 가능한 구간을 계산합니다. 만약 구간이 비어 있다면 후보를 거절하며, 그렇지 않으면 궤적(trajectory)의 완전한 재제출을 요청합니다.
실험 설정: 시스템은 수학적 최적화 참조 모델(Pyomo/Gurobi)을 대상으로 Qwen 3.5 체크포인트(0.8B에서 35B-A3B 파라미터 범위)를 사용하여 평가되었습니다. 평가는 다음을 포함했습니다:
- MIP 작업: 단일 가전 스케줄링.
- LP 작업: 다양한 날씨/가격 시나리오 하에서의 히트펌프 전용 스케줄링.
- MILP 작업: 전체 가구 결합 스케줄링(가전 + 히트펌프 + 피더 제한).
- 제약 조건: 09:00–18:00 동안 쾌적도를 유지하도록 하는 표준 "점유 시간" 정책을 적용하고, 해당 시간 이후 히트펌프 전력 사용을 제로(zero)로 요구했습니다.

주요 기여

계층적 ReAct EMS: 자연어를 조정된 전문가 행동으로 매핑하며 구성 가능한 LLM 백엔드를 갖춘 프레임워크입니다.
Fail-Closed 권한 부여: 부호 안전한 열 피드백, 다단계 수정, 명시적 거절을 통해 물리적 제약을 강제하는 비평가 메커니즘을 제공합니다. 이는 신선한 독립적 재생(replay)을 통과한 후보만이 권한을 부여받음을 보장합니다.
경험적 평가: 6개의 Qwen 3.5 체크포인트에 대해 이산(discrete), 연속(continuous), 결합(coupled) 스케줄링 작업을 엄격하게 비교하여, 결정론적 검증과 결합될 때 에이전트 워크플로우가 선언된 물리 모델 하에서 실행 가능성을 달착할 수 있음을 입증했습니다.

결과

단일 가전(MIP): 54회 실행 중 83.3%의 실행 가능성과 33.3%의 정확한 최적성을 달성했습니다.
결합 스케줄링(MILP):
- 초기 시도: 초기에는 모든 이진, 열적, 피더 체크를 동시에 만족하는 전체 가구 후보가 존재하지 않았습니다.
- 국소적 피드백(Localized Feedback): 수락된 결합 스케줄을 생성하지 못했습니다.
- 다단계 정책(Multi-Step Policy): 다단계 수정 정책은 6/6의 실행 건을 승인했습니다 (27B에서 3건, 35B-A3B에서 3건).
- 비용 효율성:
  - 35B-A3B: 비용 1592.697 JPY를 달성했습니다 (수학적 최적값인 1343.380 JPY보다 18.56% 높음).
  - 27B: 비용 2522.499 JPY를 달성했습니다 (최적값보다 87.77% 높음). 이는 주로 하위 최적의 가전 타이밍과 높은 히트펌프 사용량 때문입니다.
- 제약 준수: 승인된 모든 스케줄은 12-kW 피더 제한, 중단 없는 가전 사이클, 그리고 18:00 이후 히트펌프 에너지 제로 요구 사항을 준수했습니다.
지연 시간(Latency): 수학적 솔버의 0.0487s와 비교하여, 액터-크리틱(actor-critic) 파이프라인은 35B-A3B에서 평균 33.92s, 27B에서 84.84s가 소요되었습니다.

의의 및 주장
본 논문은 에이전트형 혼합 정수 계획법(MIP) 및 혼합 정수 선형 계획법(MILP) 에너지 스케줄링을 위한 fail-closed 워크플로우를 확립합니다. 주요 의의는 에이전트 AI가 결정론적 물리 모델에 엄격히 묶인 상태에서 복잡하고 결합된 의사결정을 조정할 수 있음을 보여준 데 있습니다.

저자들은 다음과 같이 명시합니다:

권한 부여는 조건부임: 수락은 인코딩된 스키마, 열 서로게이트(thermal surrogate), 기기 제한 및 통합 피더 제약 조건 하에서만 유효합니다. 시스템은 누락된 역학(예: 습도, 배터리 충전 상태, 장비 사이클링)을 검증하거나 LLM의 설명으로부터 누락된 제약을 추론하지 않습니다.
강건성 한계: 본 실험은 모델 오류에 대한 강건성을 확립하지 않았습니다. 사후 섭동(post-hoc perturbations)은 실행 가능성을 감소시켰으며, 이는 운영 배포 시 보정된 불확정성 집합(uncertainty sets), 재귀적 지평 피드백(receding-horizon feedback), 그리고 장비별 제약 조건이 필요함을 나타냅니다.
최적화의 역할: 수학적 프로그래밍은 수치적 참조 역할을 수행하며, 에이전트 계층을 대체하는 것이 아닙니다. 에이전트 워크플로우는 의도 해석 및 수정을 제공하지만, 결정론적 비평가가 실행을 위한 유일한 게이트키퍼(gatekeeper)로 남습니다.

본 연구는 현재의 결과가 통제된 익일 스케줄링에는 유망하지만, 더 넓은 운영상의 주장을 위해서는 현장 측정 및 불확정성 정량화에 대한 추가 검증이 필요하다고 결론짓습니다.

유사한 논문