스마트 그리드를 위한 LLM 및 에이전트 기반 AI 시스템: 아키텍처 및 응용 분야에 대한 개론

LLMs and Agentic AI Systems for Smart Grids: A Tutorial on Architectures and Applications

대규모 언어 모델(LLM)과 에이전트 기반 AI 시스템은 자연어 처리 작업에서 발전하여 외부 도구를 활용하여 계획하고, 정보를 검색하며, 기술 영역에서 작업을 수행하게 되었습니다. 스마트 그리드 분야에서는 최근 연구들이 에이전트 방식을 사용하여 예측, 최적화 및 제어를 수행하며, 신뢰할 수 있는 솔버를 언어 인터페이스 뒤에 배치하고 다단계 워크플로우를 조정합니다. 그러나 이러한 시스템을 설계하고 평가하는 데 대한 통일된 접근 방식은 아직 부족합니다. LLM은 계산적으로 타당해 보이지만 물리적으로 실현 불가능한 결과를 생성할 수 있으며, 평가 프로토콜은 작업마다 다르며, 모델이 수행해야 하는 것과 수행하지 않아야 하는 것 사이의 경계는 명시되지 않는 경우가 많습니다. 본 논문에서는 솔버 기반 설계 원칙을 제시합니다. 즉, 계산 결과는 신뢰할 수 있는 도구에서 비롯되었고 명시적인 검증을 통과한 경우에만 보고됩니다. 우리는 전력 시스템을 위한 LLM 및 에이전트 기반 AI 시스템의 구성 요소를 살펴보고, 프롬프트 전략 및 에이전트 아키텍처를 검토합니다. 또한 풍력 발전 예측, 전기차 충전 스케줄링, 전력 흐름 분석 및 비상 상황 진단이라는 네 가지 사례 연구를 통해 LLM만 사용하는 기준 모델과 솔버 기반 모델을 동일한 데이터와 지표로 비교합니다. EVAgent는 CVXPY의 최적값을 재현하면서 LLM만 사용할 때 해결되지 않는 에너지 부족량을 7.5~9.5배 줄였으며, GridDebugAgent는 39건의 비상 상황 중 17건을 해결하고 총 위반 건수를 52.3% 감소시켰습니다. 우리는 작업 유틸리티, 솔버 기반 정확성, 충실성과 안전한 실패, 그리고 비용 및 지연 시간을 포괄하는 네 가지 평가 프레임워크를 제안합니다. 일관된 역할 분담이 나타났는데, 에이전트 시스템은 안정적으로 조정하고, 정보를 검색하며, 설명을 제공하는 반면, 신뢰할 수 있는 도구는 계산을 수행하고 검증 게이트는 무엇을 보고해야 하는지 결정합니다.

Large language models (LLMs) and agentic AI systems have evolved from natural language tasks to using external tools to plan, retrieve, and act in technical domains. In smart grids, recent work applies agentic schemes to forecasting, optimization, and control, wrapping trusted solvers behind language interfaces and orchestrating multi-step workflows. The literature lacks a unified approach to designing and evaluating such systems. LLMs can produce numerically plausible yet physically infeasible outputs, evaluation protocols vary across tasks, and the boundary between what the model should and should not compute is implicit. This paper presents a solver-grounded design principle: a numerical result is reported only when it originates from a trusted tool and passes explicit verification. We review the building blocks of LLM and agentic AI systems for power systems: prompting strategies and agentic architectures. We instantiate the principle in four case studies: wind power forecasting, EV charging scheduling, power flow analysis, and contingency diagnosis, each comparing an LLM-only baseline against its solver-grounded counterpart on identical data and metrics. EVAgent reproduces the CVXPY optimum while reducing LLM-only unmet energy by 7.5-9.5x, and GridDebugAgent repairs 17/39 contingency cases while reducing total violations by 52.3%. We propose a four-group evaluation framework spanning task utility, solver-grounded correctness, faithfulness and safe failure, and cost and latency. A consistent division of labor emerges: the agentic system reliably orchestrates, retrieves, and explains, while trusted tools compute and a verification gate decides what is reported.