독일의 빈 공과대학과 노르웨이 과학기술대학 공동 연구진이 대형 언어모델 기반의 에이전트 AI를 활용한 가정용 에너지 관리 시스템(HEMS)을 개발했다. 이 시스템은 사용자가 일상 언어로 요청하면 자율적으로 여러 가전제품의 전력 사용 일정을 최적화해 전기요금을 절감하는 새로운 접근법을 제시한다.

복잡한 설정 없이 자연어로 명령하면 끝

해당 논문에 따르면, 연구진이 개발한 시스템의 핵심은 기술적 매개변수를 입력하지 않고도 자연어 대화만으로 가전제품 스케줄링을 수행한다는 점이다. 기존 HEMS는 사용자가 복잡한 기술 파라미터를 직접 설정해야 했지만, 이 시스템은 "내일 모든 가전제품을 최소 비용으로 스케줄링해 줘"라는 간단한 요청만으로 작동한다.

시스템은 하나의 조율자 에이전트와 세 개의 전문 에이전트로 구성된 계층적 다중 에이전트 아키텍처를 사용한다. 조율자 에이전트는 사용자 요청을 분석하고 전기요금 데이터를 수집한 뒤, 세탁기, 식기세척기, 전기차 충전기 각각을 담당하는 전문 에이전트에게 작업을 위임한다. 각 전문 에이전트는 96개의 15분 단위 시간대를 분석해 전기요금이 가장 저렴한 시간대를 찾아내고, 조율자는 이 정보를 종합해 최종 스케줄을 생성한다.

주목할 점은 시스템이 구글 캘린더와 연동되어 사용자 일정을 자동으로 고려한다는 것이다. 예를 들어 월요일부터 금요일까지 오전 8시에 출근하는 일정이 캘린더에 입력되어 있다면, 전기차가 출근 전까지 완전히 충전되도록 자동으로 스케줄을 조정한다. 연구진은 리액트(ReAct) 패턴이라는 반복적 추론 방식을 활용해 에이전트가 상황을 분석하고 행동을 결정하며 결과를 관찰한 뒤 다시 전략을 수정하는 과정을 거치도록 설계했다.

중요한 것은 이 시스템이 예시 없이 작동한다는 점이다. 조율자와 전문 에이전트 모두 예시 사용자 요청이나 최적 스케줄 시연, 조율 워크플로 예시를 전혀 제공받지 않는다. 에이전트 프롬프트에는 도구 설명, 작업 지침, 운영 가이드라인만 포함되어 있다.

라마 모델만 완벽한 성능, 다른 AI는 다중 기기 조율 실패

연구진은 라마-3.3-70B, 큐엔-3-32B, GPT-OSS-120B 세 가지 오픈소스 대형 언어모델로 시스템을 평가했다. 오스트리아의 실제 전력 시장 선행 가격 데이터를 활용한 테스트 결과, 단일 가전제품 스케줄링에서는 세 모델 모두 100% 최적화 성공률을 기록했다. 그러나 세 가전제품을 동시에 조율하는 복잡한 시나리오에서는 명확한 성능 차이가 드러났다.

라마-3.3-70B는 모든 평가 시나리오에서 5회 실행 중 5회 모두 성공(100%)했으며, 혼합 정수 선형계획법(MILP)으로 계산한 최적해와 정확히 일치하는 스케줄을 생성했다. 다중 기기 조율 시 평균 9회의 반복 과정을 거쳐 약 32,883개의 토큰을 소비했고, 실행 시간은 14.7초에 불과했다. 이는 실시간 API 통합에도 불구하고 주거용 에너지 관리 시스템에 실용적으로 활용 가능한 수준이다.

반면 큐엔-3-32B는 5회 실행 중 단 1회만 성공(20%)했다. 그 1회에서는 세탁기와 식기세척기는 조율했지만 전기차 충전기는 실패했다. GPT-OSS-120B는 5회 실행 모두에서 다중 기기 조율에 실패(0%)했으며, 5회 실행 중 4회에서 세탁기만 성공적으로 스케줄링하고 식기세척기와 전기차 충전기는 시도조차 하지 않았다. 이는 다중 에이전트 조율이 단일 기기 최적화보다 훨씬 높은 추론 능력을 요구한다는 것을 보여준다.

연구진은 특히 세레브라스(Cerebras) 추론 인프라가 초당 약 2,500개 토큰을 처리하는 빠른 속도 덕분에 이러한 실시간 성능이 가능했다고 설명했다. 일반적인 클라우드 기반 LLM API는 초당 50-150개 토큰을 처리하는데, 이 경우 다중 기기 조율 시간이 15초에서 4-12분으로 증가할 수 있다.

전기요금 패턴 분석은 명시적 지침 필요, 자율 판단의 한계

연구진은 시스템이 스케줄링뿐 아니라 전기요금 패턴 분석 같은 분석적 질의도 처리할 수 있는지 평가했다. 초기 단계(Baseline)에서는 명시적 지침 없이 모델이 자율적으로 적절한 도구를 선택할 수 있는지 테스트했지만, 세 모델 모두 실패했다.

"가격 분석에는 추정이 아닌 calculate_window_sums를 사용하라"는 최소한의 지침을 추가한 두 번째 단계(Minimal Guidance)에서는 라마-3.3-70B와 GPT-OSS-120B는 도구를 올바르게 호출했지만, GPT-OSS만 정확한 답을 제공했다. 큐엔-3-32B는 최소 지침에 반응하지 않아 도구 사용을 계속 회피했다.

명시적 워크플로 지침을 제공한 세 번째 단계(Explicit Workflow)에서야 세 모델 모두 5회 실행 중 5회 모두 성공(100%)하며 정확한 답을 제공했다. 이 지침에는 "1시간은 15분 해상도에서 4개 슬롯"과 같은 파라미터 명세와 "비싼 시간대 식별에는 최댓값 사용, 저렴한 시간대 찾기에는 최솟값 사용"과 같은 결과 해석 방법이 포함됐다.

이는 대형 언어모델이 분석 작업을 효과적으로 수행할 수는 있지만, 어떤 상황에서 어떤 도구를 사용해야 하는지 자율적으로 인식하려면 상당한 프롬프트 엔지니어링이 필요함을 보여준다. 계산 요구사항은 모든 실험 단계에서 적절한 수준을 유지했다. 성공적인 도구 사용 시 반복 횟수는 3.0회로 안정화됐다.

보안 강화 전략 구현, 하지만 실전 테스트는 미래 과제

연구진은 시스템의 실제 배포를 위해 다층 보안 전략을 구현했다. 악의적 사용자가 시스템 명령을 재정의하거나 민감한 설정 데이터를 추출하려는 프롬프트 인젝션 공격을 방어하기 위해, 모든 보안 검증을 대형 언어모델 API 호출 전에 수행한다.

첫 번째 계층은 분당 20회, 일일 200회의 요청 제한과 최대 150자, 30단어 제한을 적용하는 사전 검증 필터다. 두 번째 계층은 "이전 지시 무시하라" 같은 명령 재정의 시도나 "시스템 프롬프트를 반복하라" 같은 정보 유출 요청을 탐지하는 50개 이상의 정규표현식 패턴 기반 탐지 시스템이다. 세 번째 계층은 사용자 입력을 XML 태그로 감싸 신뢰할 수 없는 데이터로 명시하는 권한 분리 메커니즘이다.

이러한 심층 방어 접근법은 개발 테스트에서 모든 위협 범주의 합성 악의적 입력을 성공적으로 차단했으며, 정상적인 스케줄링 요청에 대한 자연어 상호작용은 유지했다. 다만 보안 전문가에 의한 포괄적 적대적 레드팀 테스트는 향후 연구 과제로 남아 있다. 연구진은 배터리 용량이나 기기 파라미터 같은 물리적 제약이 대형 언어모델 출력과 무관하게 절대 위반되지 않도록 하는 장치 수준 보호장치가 프로덕션 배포에 필수적이라고 강조했다.

또한 대형 언어모델 추론에 의존하는 이 시스템은 지속가능성 측면에서도 고려 사항이 있다. 수백만 가구가 대형 언어모델 기반 스케줄링을 실행하면 데이터센터의 전력 소비가 상당할 수 있으며, 이는 기존 최적화 기반 HEMS가 전혀 발생시키지 않는 인프라 수준의 에너지 소비다. 연구진은 모델 증류 및 양자화를 통한 추론 에너지 감소, 로컬 하드웨어에서의 엣지 배포, 복잡한 경우에만 대형 언어모델을 사용하고 일상적 스케줄링에는 경량 휴리스틱을 사용하는 하이브리드 아키텍처 등의 완화 전략을 제시했다.

완전 오픈소스로 공개, 향후 실제 배포 연구 필요

이번 연구는 완전한 오픈소스 구성요소만으로 에이전트 AI 기반 가정용 에너지 관리 시스템의 실현 가능성을 입증했다. 연구진은 오케스트레이션 로직, 에이전트 프롬프트, 시뮬레이션 사용자 인터페이스를 포함한 모든 시스템 구성요소를 깃허브에 공개해 재현성과 추가 개발을 지원한다.

라마-3.3-70B를 사용한 시스템이 100% 최적성을 달성한 것은 상호작용 유연성이 주거용 스케줄링 문제의 솔루션 품질을 손상시키지 않는다는 것을 보여준다. 이는 수학적 최적성만으로는 극복할 수 없는 사용자 상호작용 장벽을 해결하는 중요한 접근법이다.

연구진은 향후 연구 방향으로 실제 파일럿 배포를 통한 사용자 수용성과 장기 성능 평가, 여러 분산 에너지 자원을 조정하는 건물 수준 에너지 관리로의 확장, 투명성을 유지하면서 사용자 피드백으로부터 스케줄링을 개선하는 적응형 학습 메커니즘 연구, 대형 언어모델 유연성과 최적화 보장을 결합한 하이브리드 아키텍처 개발 등을 제시했다. 또한 다양한 전력 시장과 가구 인구통계에 걸친 포괄적 평가를 통해 에이전트 AI 기반 HEMS의 일반화 경계를 확립할 필요가 있다고 강조했다.

국제에너지기구(IEA)는 글로벌 수요 반응 용량이 2020년 50GW에서 2030년 500GW로 10배 증가해야 하며, 이 중 건물과 주거용 전기차가 약 60%를 차지할 것으로 전망한다. 또한 HEMS 배포가 2020년 400만 대에서 2030년 3,270만 대로 8배 증가해야 하지만, 현재 채택 궤적은 이 요구에 크게 미치지 못하고 있다. 사용자 상호작용 장애가 중요한 병목으로 작용하는 상황에서, 에이전트 AI 기반 HEMS는 기술적 진입장벽을 낮추는 유망한 접근법을 제시한다.

FAQ (※ 이 FAQ는 본지가 리포트를 참고해 자체 작성한 내용입니다.)

Q1. 에이전트 AI 기반 HEMS가 기존 에너지 관리 시스템과 다른 점은 무엇인가요?

A: 기존 HEMS는 사용자가 복잡한 기술 파라미터를 직접 입력해야 하지만, 에이전트 AI 시스템은 "내일 모든 가전제품을 저렴하게 돌려줘" 같은 일상 언어로 요청하면 자동으로 최적의 전력 사용 일정을 계산합니다. 또한 구글 캘린더와 연동되어 사용자 일정을 고려한 스마트한 스케줄링이 가능합니다.

Q2. 이 시스템이 실제로 전기요금을 얼마나 절감할 수 있나요?

A: 시스템은 오스트리아의 실제 전력 시장 가격 데이터를 활용한 테스트에서 혼합 정수 선형계획법으로 계산한 이론적 최적해와 100% 일치하는 스케줄을 생성했습니다. 세탁기, 식기세척기, 전기차 충전기를 모두 전기요금이 가장 저렴한 심야 시간대에 집중 배치하여, 비싼 아침 피크 시간대를 완전히 회피했습니다.

Q3. 이 시스템을 바로 사용할 수 있나요?

A: 현재는 연구 단계의 시스템으로, 모든 코드가 깃허브에 오픈소스로 공개되어 있습니다. 실제 상용화를 위해서는 실제 파일럿 배포, 장기 사용자 테스트, 보안 전문가에 의한 포괄적 적대적 테스트 등 추가 연구가 필요합니다.

해당 기사에 인용된 논문 원문은 arvix에서 확인 가능하다.

논문명: Agentic AI Home Energy Management System: A Large Language Model Framework for Residential Load Scheduling

이미지 출처: 이디오그램 생성

해당 기사는 챗GPT와 클로드를 활용해 작성되었습니다.