전력 유틸리티(electric utility)와 그리드 운영자(grid operator)는 다음날 수요를 예측하기 위해 머신러닝 모델에 점점 더 의존하고 있으며, 이러한 모델은 일상적으로 결함이 있는 계량기 데이터로부터 학습한다: 측정값이 누락되거나, 센서가 멈추거나(freeze), 건물이 수 시간 동안 0으로 기록되거나, 단위가 100배 차이로 바뀌는 경우가 있다. 이 보고서는 모델을 학습시키기 전에 이러한 결함을 탐지하고 복구하는 데이터 온보딩(data-onboarding) 파이프라인을, 예측 시점에 실제로 사용 가능한 정보만을 이용해 제시하며, 이 파이프라인이 24시간 선행 예측(24-hour-ahead forecast)을 보호하는지를 측정하는 통제 실험(controlled experiment)을 함께 제시한다. 공개된 Building Data Genome 2 데이터셋(210,528행, 2016-2017년)에서 추출한 미국 12개 건물의 시간별 전력 데이터에서, 학습 기간의 0.10%에 영향을 미치는 시드(seeded) 처리되고 해시 로그(hash-logged)된 결함은 그래디언트 부스팅(gradient-boosting) 예측기의 오차를 86% 증가시켰다; 탐지 및 과거 데이터만을 이용한 복구(past-only repair) 이후 오차는 정상 데이터 수준으로 돌아왔다(평균 절대 스케일 오차(mean absolute scaled error) 정상 0.760, 오염 1.415, 복구 0.729이며, 학습 타깃의 93%가 보존됨). 공개된 현장 연구(field study)에 맞춰 보정된 결함 발생률(학습 행의 1.6%)에서는, 보호되지 않은 예측기의 오차가 계절성 단순(seasonal-naive) 규칙의 4.4배에 달했으며, 복구된 예측기는 다시 정상 기준선(clean baseline)과 일치했다. 동일한 패턴이 릿지 회귀(ridge regression)와 랜덤 포레스트(random forest)에서도, 그리고 1시간부터 24시간까지의 예측 구간(horizon)에서도 유지되었다. 파이프라인의 초기 버전은 자연 발생 데이터(natural data)를 과도하게 정제(over-clean)하여 예측을 25% 악화시켰다; 이 결과는 그대로 유지되며, 그 원인은 공개된 아티팩트(artifact)에서 추적되고, 이를 수정하는 건물별(per-building) 보정은 날짜가 기록된 수정안(dated amendment)으로 문서화되어 있다. 모든 수치는 고정된(pinned) 공개 입력 데이터로부터 SHA-256 검증, 84개의 자동화된 테스트, 지속적 통합(continuous integration)을 통해 재현 가능하다.
AI 워크로드와 재생에너지 자원의 급속한 증가는 전력 시스템의 수급 불균형을 악화시켜, 효율적 배분을 위해 설계된 기존 부하 조절 방식이 부적절해지게 하며, 스마트 그리드에서 부하 제어 가능성을 확보하기 위한 수요 반응(DR) 메커니즘의 필요성을 촉발한다. 그러나 기존 DR 중심 접근법은 전기 요금 또는 거주자 편의성 최적화에만 초점을 맞추어 시스템 수준의 균형에 대한 이점이 제한적이다. 다른 접근법들은 이질적 에너지 개체의 다양하고 동적인 소비 패턴을 간과하여 상당한 과조절 또는 저조절을 초래한다. 따라서 우리는 DRP-FLR을 제안한다. 첫째, DRP-FLR은 외생적 지식(예: 개체 정보, 예측 시점)을 역사적 부하 표현에 임베딩하여 정확한 단기 부하 예측을 달성한다. 다음으로, 역사적 부하 곡선을 클러스터링하여 개체별 부하 패턴 프로파일을 구성하고, 예측된 부하와 패턴 프로파일을 매칭하여 DR 잠재력을 추정한다. 마지막으로, DRP-FLR은 유연 부하 조절을 혼합 정수 최적화 문제로 공식화하고 MILP 솔버로 이를 풀어 DR 활용, 참여자 경제적 이익, 재생에너지 수용을 공동으로 최적화하면서 수급 균형과 경제적 실현 가능성을 강제한다. 지역 그리드와 캠퍼스 마이크로그리드에서의 실험은 DRP-FLR이 조절 편차를 36.63%-91.87% 감소시키고 참여자 이익을 평균 44.66% 개선함을 보여준다.
산업 에이전트 벤치마크는 원격 측정(telemetry), 고장 모드, 유지보수 기록, 도메인 표준을 통합하는 현실적인 평가 시나리오가 필요하다. 그러나 AssetOpsBench와 같은 기존 벤치마크는 수작업으로 작성된 시나리오에 의존하며 제한된 자산 클래스만을 다룬다. 우리는 AssetOpsBench를 스마트 그리드 변압기(Smart Grid Transformer) 자산 클래스와 건강 지수 예측, 용존 가스 분석, 권선 온도 평가, 부하 프로파일 평가를 위한 IEC 기반 진단 도구 4종으로 확장한다. 또한 합성 산업 에이전트 시나리오 생성을 위한 파이프라인인 ScenarioGeneratorAgent를 도입한다. 이 파이프라인은 증거 기반 자산 프로파일을 구성하고, 운영 도메인 전반에 걸쳐 커버리지 인식 시나리오 예산을 배분하며, 스키마 유효성, 도구 도달 가능성, 물리적 타당성, 표준 정합성, 중복 제거를 강제하는 하이브리드 검증-수정 루프를 통해 후보를 생성한다. 확장성을 높이기 위해 2단계 캐싱, 병렬 포커스 그룹 생성, 스레드 풀 오프로딩, 배치 LLM 호출, 조기 거부 필터링을 적용한다. 스마트 그리드 변압기 시나리오 생성에서 이러한 최적화는 품질을 유지하면서 50개 시나리오에 대해 종단 간 실행 시간을 $8\times$ 단축하며, 최적화되지 않은 기준선의 $73.8 \pm 3.0$에 비해 $74.2 \pm 1.9$의 복합 품질 점수를 달성한다. 이 결과는 표준 기반 합성 시나리오 생성이 시나리오 품질을 희생하지 않고 산업 에이전트 벤치마크를 효율적으로 확장할 수 있음을 보여준다.
정확한 배전 시스템 토폴로지는 정전 위치 파악, 전압 분석, 배전망 운영에 필수적이지만, 이질적이고 불완전한 전력 유틸리티 데이터로 인해 실무에서 신뢰할 수 있는 연결 기록을 유지하는 것은 여전히 어렵다. 기존 토폴로지 식별 방법은 주로 전기적 유사성 또는 공간 기록만에 의존하는 경우가 많으며, 이는 밀집된 피더와 불일치하는 메타데이터 조건에서 신뢰성을 잃는다. 본 논문은 배전 토폴로지 식별을 제약 추론 문제로 공식화하여, 공간적 실현 가능성과 물리적 운영 제약을 강제하면서 이질적 증거를 사용해 유틸리티가 제공한 기본 토폴로지를 정제한다. 처음부터 연결성을 재구성하는 대신, 제안된 프레임워크는 불일치하는 할당을 탐지하고, 확장성을 보장하기 위해 제약된 이웃 내에서 국소적 재연결을 수행하며, 물리적 실현 가능성을 반복적으로 강제하여 운영상 일관된 토폴로지 추정치를 생성한다. 또한, 반증 기반 신뢰도 지표는 대안적 실현 가능 할당 대비 각 추론된 연결이 얼마나 강하게 뒷받침되는지 평가하여, 유틸리티가 시스템 전체 관측 가능성을 유지하면서 검증 노력의 우선순위를 정할 수 있게 한다. 이 프레임워크는 미국 대형 유틸리티와 협력하여 $8{,}000$개 이상의 AMI(Advanced Metering Infrastructure) 미터로 구성된 세 개 피더의 운영 데이터를 사용해 검증되었다. 결과는 전역 추론 접근법에 비해 계산 노력을 크게 줄이면서 $95\%$ 이상의 토폴로지 재구성 정확도를 보여준다. 연구는 또한 상관관계 기반 방법만으로는 밀집된 도시 피더에서 모호한 할당을 초래하는 반면, 전기 측정과 공간·운영 제약을 결합하면 현실적인 배포 조건에서 강건하고 확장 가능한 토폴로지 복구가 가능함을 보여준다.
저탄소 전력 시스템으로의 가속화된 전환과 함께 옥상 태양광, 전기차 등 미터 후방(behind-the-meter) 기술의 광범위한 보급으로 인해 전력망의 운영 및 분석 요구 사항이 새롭게 증가하고 있다. 동시에 스마트 그리드 연구는 점점 더 기계학습(ML)에 의존하고 있으나, 개인정보 보호 우려, 규제 장벽, 수집 비용으로 인해 고해상도 가정용 에너지 데이터에 대한 접근이 제한되어 연구 진전이 제약을 받고 있다. 본 연구에서는 WattCouncil을 제안한다. 이는 가정용 전력 수요를 생성하는 데이터 생성 프레임워크로, 대규모 언어 모델(LLM) 기반 에이전트들이 전문화된 역할을 맡아 위원회를 구성하고, 명시적인 문화적·시간적·물리적 제약 조건 하에서 구조화된 에너지 시나리오를 생성, 감사, 검증한다. 이 에이전트들은 정적인 예측기가 아니라 거버넌스 기반 파이프라인 내에서 적응형 의사결정자로 기능한다. 에너지 사용에서 맥락적 요인의 중요성을 강조한 연구들에서 착안하여, 본 프레임워크는 가구 구성, 시간적 요인, 환경 조건을 반영하는 유도된 추론 과정을 통해 맥락에 민감한 일일 루틴을 생성한다. 생성된 프로파일은 4,232개 가구의 1년 이상 부하 측정값과 설문 기반 사회경제적 정보를 포함하는 CER 데이터셋과 비교하여 평가한다. 또한 ablation study를 통해 프레임워크의 일관성을 추가 검증한다. 소스 코드는 https://github.com/Singularity-AI-Lab/wattcouncil 에서 확인할 수 있다.
스마트 그리드의 과도 안정성 제어를 협력적 다중 에이전트 강화학습(MARL) 문제로 재정식화한 FedPPO-PG 프레임워크를 제안하며, 각 발전기 에이전트가 고장 후 Kron 축소 서셉턴스 행렬로 식별한 물리 기반 이웃의 주파수 편차를 관측 공간에 포함해 분산 실행 시에도 전력망의 전기역학적 결합 구조를 활용한다. IEEE 39-bus 벤치마크에서 24회 전 시험 100% 안정화를 달성하고, 중앙화 기준선 대비 평균 안정화 시간을 72.4% 단축하며 제어 전력을 7~14배 절감하는 동시에 실시간 추론 지연 요건(IEEE/IEC 60255-118-1-2018)을 충족했다.
전기차 대규모 플릿의 분산형 스마트 충전 최적화를 위해 독립적 다중 에이전트 강화학습(MARL) 기반의 두 접근법—문맥적 조합 밴딧(contextual combinatorial bandits)과 정책 그래디언트 알고리즘(PPO, A2C, SPO)—을 비교 평가하였다. 실제 태양광 발전 데이터 기반의 동적 전기 요금 환경에서 다양한 혼잡도 수준과 이질적 에이전트 구성으로 실험한 결과, 각 알고리즘의 성능 특성과 혼합 배포 시의 강건성을 분석하였다.
재생에너지 스마트 그리드의 IoT·SCADA 확대로 늘어난 FDI·DoS/DDoS 등 다단계 공격을 다루기 위해 CNN의 공간 특징 추출과 LSTM의 시간적 시퀀스 모델링을 결합한 하이브리드 침입 탐지(IDS)를 제안하고, SMOTE 클래스 균형 등 7단계 전처리로 학습한다. CICIDS2017·NSL-KDD 벤치마크에서 단독 LSTM·CNN 및 SVM·Random Forest 등 대비 2~9%p 높은 성능(정확도 98.7%, AUC-ROC 0.995)을 보였으며, INT8 양자화로 0.3% 정확도 손실에 3.1배 추론 가속을 달성해 128MB 미만 IED 엣지 배포 가능성을 확인했다.