Agentic AI 지원하는 스마트 그리드 관리 플랫폼

솔루션 개요

전력 회사는 고주파 스마트 미터 데이터를 확장하다 로 수집하지만, 팀은 여전히 모니터링, 예측, 고객 분석, AI 워크플로를 별도의 시스템에서 관리 경우가 많습니다.

이러한 조각화로 인해 데이터 파이프라인이 중복되고, 의사 결정이 느려지고, 운영 비용이 증가합니다.

Smart Grid Intelligent Platform은 실시간 모니터링, 네트워크 운영, 수요 예측, 고객 인텔리전스, 그리드 지원 에이전트 위해 하나의 운영 데이터 계층을 사용하여 MongoDB Atlas 에서 이러한 워크로드를 실행 방법을 보여줍니다.

이 솔루션을 사용하여 다음을 수행할 수 있습니다.

• 실시간 그리드를 모니터링합니다: 데이터베이스 에서 직접 정전을 감지하고, 역률을 추적 , 이상(전압 스파이크, 비정상적인 소비)에 플래그를 지정합니다.

• 네트워크 운영: 그리드 토폴로지 (유틸리티 → 변전소 → 피더 → 변전소)를 시각화하고, 변전소 상태를 평가하며, 실시간 용량 활용으로 인한 피크 부하 경고 및 중단 위험을 노출합니다.

• 날씨를 이용한 수요 예측: 외부 날씨 데이터(난방 및 냉방 온도 일수)를 활용하여 프로젝트 리전 예상 수요와 피크 타이밍을 예측하여 용량 계획하고 과부하를 방지합니다.

• 동일한 미터 데이터에서 요금 권장 사항, 소비 추세, 어플라이언스 수준 분석, 사용량 세그먼트 등고객을 이해합니다.

• 언어 통해 작동: 그리드 지원 에이전트 통해 그리드, 네트워크, 지식창고 및 고객 데이터를 쿼리 .

MongoDB Atlas Time Series 데이터, 유연한 데이터 모델링, 데이터베이스 내 처리, AI 기반 검색을 위한 내장 기능을 통해 이러한 설계를 지원합니다.

• MongoDB Atlas Time Series: 네이티브 Time Series 컬렉션은 빈도가 높은 미터 판독값을 효율적으로 저장 하고 빠른 시간 쿼리를 지원합니다.

• 애그리게이션 프레임워크: 앱 아닌 데이터베이스 에서 실행 분석 , 을 통한 $setWindowFields 격차 $group 및 아일랜드 중단 $stdDevSamp 감지, 및 을 통한 이상 및 수요 통계, 각 자산의 등급 용량 에 대해 측정된 피더/변전소 사용률 . 빈도가 높은 읽기(수요, 예측)는 이미 그리드 컨텍스트를 전달하는 판독값에 대한 단일 컬렉션 스캔 으로 실행 .

• 유연한 문서 모델: 미터, 고객, 그리드 네트워크 계층 구조가 관련 문서로 존재하며, 온디맨드 방식으로 결합되며, 네트워크가 발전함에 따라 마이그레이션 할 엄격한 스키마 없습니다.

• 자동화된 Voyage AI 임베딩이 포함된 Atlas Vector Search: 운영할 별도의 임베딩 서비스 없이 도메인 지식 기반에 대한 시맨틱 검색 수행합니다. 보야지 AI 보기

• 하이브리드 검색: 벡터 및 전체 텍스트 결과가 RRF(Reciprocal Rank Federation)와 결합되어 관련성 높은 검색을 제공합니다.

• MongoDB 의 Agentic AI: 도메인별 스킬과 대화 메모리를 가진 LangGraph 멀티 에이전트 어시스턴트가 Atlas 에 저장되므로 컨텍스트는 외부 상태 저장 아닌 운영 데이터와 함께 저장됩니다.

그림 1. Smart Grid Intelligent Platform 주요 기능

클릭하여 확대

참조 아키텍처

이 플랫폼은 단일 MongoDB Atlas cluster 에 다음 계층을 결합합니다.

• 모니터링, 네트워크, 예측 및 고객 뷰를지원하는 운영 데이터 계층입니다.

• 사용자가 언어 로 모든 쿼리를 쿼리 할 수있는 에이전트적 AI 계층입니다.

둘 다 동일한 문서에서 읽기 때문에 정보를 복사하거나 동기화하기 위해 별도의 시스템이 필요하지 않습니다.

그림 2. 상위 수준 스마트 그리드 아키텍처 - 운영 데이터 계층

클릭하여 확대

Agentic AI Layer

사용자의 자연어 질문은 질문에 대해 추론하고, 적절한 도구를 호출하고, MongoDB 에서 데이터를 검색하고, 근거가 있는 답변 반환하는 LangGraph 멀티 에이전트 오케스트레이터를 통과합니다. 대화 메모리와 검색 데이터는 동일한 Atlas cluster 에 존재합니다.

그림 3. 높은 수준의 LLM 오케스트레이션 - Agentic AI Layer

클릭하여 확대

쿼리 아키텍처를 통과하는 방식은 다음과 같습니다.

1. 사용자 쿼리 (인터페이스): 사용자가 그리드 지원 에이전트 에게 언어 로 질문합니다. 인터페이스는 요청 (요청:)을 에이전트 에<user query> 보내고 나중에 응답(응답:)을<answer> 렌더링합니다.

2. 인식: 에이전트 세상을 MongoDB 문서, 사용자 쿼리 및 플랫폼 컬렉션 전체에서 JSON 으로 저장된 운영 데이터로 인식합니다. 에이전트 추론하는 컨텍스트입니다.

3. 계획: LangGraph 오케스트레이터는 요청 해석하고, 올바른 도메인 워크플로로 라우팅하고, 필요한 도구를 호출하고, 근거가 있는 답변 반환합니다.

4. 도구: 에이전트 선택한 도구를 실행합니다.

   • 지식 기반에 대한 하이브리드 검색 (RAG): 벡터 검색(의미론적) 및 전체 텍스트 검색 (키워드)과 RRF(Reciprocal Rank Federation)가 결합되어 가장 관련성이 높은 구절을 찾을 수 있습니다.

   • 데이터 조회: 운영 컬렉션(그리드, 네트워크, 고객, 요금)에 대한 MongoDB 애그리게이션을 통해 실시간 데이터로 답변 .

5. 메모리: 대화 상태 MongoDB Atlasagent_checkpoints (,)에agent_checkpoint_writes 유지되므로 에이전트 외부 상태 저장 없이도 교대로 컨텍스트를 기억합니다.

6. 추론 및 생성(오케스트레이션): LangGraph 오케스트레이션 계층은 루프를 조정하고, LLM(Claude)은 검색된 컨텍스트에 대해 추론을 수행하고 사용자에게 반환되는 최종 답변 합성합니다.

이를 결합하면 AI 계층은 로직을 복제하지 않으며, 데이터 검색 도구는 운영 대시보드를 강화하는 동일한 애그리게이션을 호출하며, 두 계층 모두 데이터, 검색 및 에이전트 메모리를 위해 하나의 Atlas cluster 주식 .

데이터 모델 접근 방식

이 솔루션은 단일 MongoDB Atlas 데이터 계층에서 모니터링, 네트워크 운영, 예측, 고객 인텔리전스 및 그리드 지원 에이전트 실행합니다.

MongoDB 문서 모델 운영, 검색 및 메모리 데이터를 정보를 저장, 동기화 또는 조정하기 위한 별도의 시스템 없이도 연결된 상태를 유지하는 유연한 컬렉션으로 구성함으로써 이를 가능하게 합니다.

이 솔루션은 운영 워크로드와 AI 기능을 모두 지원 위해 함께 작동하는 설정하다 의 MongoDB 컬렉션을 기반으로 합니다.

• readings Time Series 미터 데이터를 저장합니다.

• customer_db, network, meter_network_map 및 tariff_catalog는 핵심 고객, 그리드, 매핑 및 요금 데이터를 저장 .

• agent_checkpoints 및 agent_checkpoint_writes 지속 에이전트 메모리.

• kb_articles 지식 기반에 대한 AI 검색 강화합니다.

이러한 컬렉션은 함께 모니터링, 분석 및 지능형 사용자 상호 작용을 위한 하나의 연결된 데이터 계층을 제공합니다. 다음 섹션에서는 각 컬렉션 대해 자세히 설명하고 해당 컬렉션이 전체 솔루션을 지원하는 방법을 설명합니다.

• readings: 간격당 미터 판독값 1개, 전기 측정값, 기기 수준 하위 부하, 미리 계산된 간격 사용량(interval_kwh) 및 비정규화된 그리드 컨텍스트(피더/변전소/유틸리티)를 time series 컬렉션 에 저장합니다.

{
  "timestamp": {
    "$date": "2026-07-08T17:00:00.000Z"
  },
  "dataid": 661,
  "power_factor": 0.933,
  "city": "Austin",
  "frequency": 60.043,
  "voltage": 119.958,
  "energy": 53.76054,
  "feeder_id": "feeder_austin_south_02",
  "kitchen_power": 168.8,
  "power": 3246.151,
  "env_power": 1112.159,
  "heating_power": 344.741,
  "utility_id": "utility_austin",
  "laundry_power": 61.352,
  "current": 29.004,
  "_id": {
    "$oid": "6a760c8ee48b9c05164d7d57"
  },
  "avg_reading": 119.958,
  "interval_kwh": 0.81154,
  "ev_power": 0,
  "volt_leg_1": 118.982,
  "has_ev": true,
  "transformer_id": "transformer_austin_south_02_01",
  "hvac_power": 1559.099,
  "substation_id": "substation_austin_south",
  "volt_leg_2": 120.934,
  "state": "Texas"
}

• network: 유틸리티 계층 구조를 연결된 문서로 모델링합니다. parent_asset_id 은 유틸리티 → 변전소 → 피더 → 트랜스포머 계층 구조를 형성하며 각 자산 고유한 용량 과 위치 가집니다.

{
  "_id": {
    "$oid": "6a43f5a0fc0d1c3b5276bb29"
  },
  "asset_id": "transformer_austin_south_02_02",
  "asset_type": "transformer",
  "city": "Austin",
  "state": "TX",
  "name": "Austin South Transformer 02-02",
  "parent_asset_id": "feeder_austin_south_02",
  "capacity_kw": 1500,
  "voltage_kv": 0.48,
  "status": "active",
  "location": {
    "type": "Point",
    "coordinates": [
      -97.7131,
      30.263199999999998
    ]
  }
}

• tariff_catalog: 계층 밴드 가 포함된 요금제 를 배열 로 저장 하므로 전체 요금제 를 하나의 문서 로 읽을 수 있습니다 .

{
  "_id": {
    "$oid": "6a760c89e48b9c05164d7d4c"
  },
  "utilityName": "Austin Energy",
  "rateName": "Residential",
  "fixedChargeFirstMeter": 15,
  "fixedChargeUnits": "$/month",
  "energyRateStrux": [
    {
      "energyRateTiers": [
        {
          "max": 300,
          "unit": "kWh",
          "rate": 0.04106,
          "adj": 0.06455
        },
        {
          "max": 900,
          "unit": "kWh",
          "rate": 0.05138,
          "adj": 0.06455
        },
        {
          "max": 2000,
          "unit": "kWh",
          "rate": 0.07525,
          "adj": 0.06455
        },
        {
          "unit": "kWh",
          "rate": 0.10884,
          "adj": 0.06455
        }
      ]
    }
  ],
  "energyWeekdaySched": [...
  ],
  "energyWeekendSched": [...
  ],
  "effectiveDate": {
    "$date": "2025-05-01T00:00:00.000Z"
  },
  "sourceReference": "https://austinenergy.com/-/media/project/websites/shared/pdfs/rates/tariff.pdf?rev=382867d1201343b78d6a940e4ef471b5&hash=51DA5A20032359FB44C3F61BFB5E7F5E",
  "rate_type": "tiered",
  "city": "Austin",
  "state": "TX",
  "location_label": "Austin, TX"
}

• kb_articles: Atlas Vector Search (자동화된 Voyage AI 임베딩 포함) 및 전체 텍스트 검색 위해 인덱싱된 도메인 지식 기반을 저장합니다. 임베딩은 별도의 임베딩 파이프라인 없이 Atlas 가 텍스트 필드 에서 생성합니다.

{
  "_id": {
    "$oid": "6a711e3759c1cc549f2e8c42"
  },
  "slug": "what-is-power-factor",
  "category": "Glossary",
  "text": "Power factor is the ratio of real power (kW, the power that does useful work) to apparent power (kVA, the total power drawn). It ranges from 0 to 1. A power factor near 1.0 means electricity is being used efficiently; a low power factor (for example below 0.9) means a lot of reactive power is being drawn, which stresses the grid and can incur penalties for commercial customers. Motors, transformers, and other inductive loads lower the power factor.",
  "title": "What is power factor?",
  "updatedAt": {
    "$date": "2026-08-04T19:30:01.654Z"
  }
}

• meter_network_map: 각 미터(dataid)를 그리드 토폴로지 (피더, 변전소, 유틸리티 및 트랜스포머)의 해당 위치에 매핑합니다. 동일한 컨텍스트도 각 판독값에서 비정규화되므로 높은 빈도의 뷰는 조인 없이 이를 읽습니다.

• customer_db: 미터 dataid를 기준으로 각 고객의 위치 (시 및 상태)를 저장합니다. 요금제 및 사용량 세그먼트는 온디맨드 방식으로( tariff_catalog 에서 및 집계 통해) 파생됩니다.

• agent_checkpoints agent_checkpoint_writes: LangGraph에서 managed 에이전트 메모리를 저장하며, 외부 상태 저장 없이 어시스턴트의 대화 상태 스레드에 의해 유지되므로 컨텍스트가 교대로 유지됩니다.

문서 모델 이 솔루션에 적합한 이유:

• 각 판독값에는 해당 순간에 대한 모든 것이 포함됩니다. 미터 판독값은 전기 측정값과 기기 수준 하위 부하를 하나의 문서 에 포함하며, 단일 판독값을 재구성하기 위한 조인 없이도 포함합니다. Time Series 컬렉션 에 저장되며, 높은 빈도로 효율적으로 수집하고 쿼리 .

• 그리드 계층 구조는 존재하는 그대로 모델링됩니다: 네트워크(유틸리티 → 변전소 → 피더 → 변환기)는 플랫폼이 토폴로지 뷰를 조립하기 위해 걸어가는 링크된 문서로 저장되며, 각 판독값은 해당 계층 구조에서 제자리를 갖기 때문에 모델이 성장하거나 변경될 수 있습니다. 스키마 마이그레이션 없이.

• 스키마 마이그레이션 없이 진화합니다: 새로운 어플라이언스 하위 로드, 고객 속성 또는 자산 필드를 새 필드로 추가할 수 있으므로 플랫폼이 확장됨에 따라 기존 문서, 파이프라인 및 애플리케이션 워크플로가 계속 작동합니다.

• 동일한 데이터가 모든 워크로드 지원: 모니터링 , 예측 및 고객 대시보드 이면의 애그리게이션은 모두 그리드 모델 전반의 조인을 지원 동일한 운영 컬렉션에서 실행 중복이 줄어들고 별도의 시스템이 필요하지 않습니다.

• AI 데이터는 운영 데이터와 함께 존재합니다: 지식 기반, 벡터 및 전체 텍스트 검색, 에이전트의 대화 메모리는 모두 동일한 MongoDB Atlas cluster 에 상주하므로 별도의 인프라 없이 조회, 추론 컨텍스트, 운영 분석이 함께 작동합니다.

솔루션 빌드

Smart Grid Intelligent Platform은 MongoDB Atlas 실시간 모니터링, 네트워크 운영, 수요 예측, 고객 인텔리전스 및 그리드 지원 에이전트 위한 단일 데이터 계층으로 사용합니다.

솔루션을 배포 하려면 다음과 같은 개략적인 단계를 따르세요. 자세한 설정 지침, 샘플 데이터 및 실행 가능한 코드는 GitHub 리포지토리 참조하세요.

주요 학습 사항

• 단일 데이터 플랫폼에서 운영 통합: 하나의 MongoDB Atlas cluster 에서 모니터링 , 네트워크 운영, 예측 및 고객 인텔리전스를 실행하면 별도의 시스템에서 미터 데이터를 복사하고 조정하는 데 드는 비용 과 지연이 발생하지 않습니다. 이 접근 방식은 총 소유 비용 낮추고 새로운 기능을 프로덕션에 더 빠르게 적용할 수 있습니다.

• 원시 미터 데이터를 운영상의 결정으로 전환: 집계 파이프라인에서 직접 중단, 용량 사용률 및 이상 징후를 계산하여 연산자가 실시간 그리드 상태에 따라 조치를 취할 수 있습니다. 이렇게 하면 다운타임이 줄어들고 과부하가 실패로 이어지기 전에 방지할 수 있습니다.

• 날씨 인식 예측으로 용량 계획: 외부 날씨 데이터(난방 및 냉방도 일 포함)로 수요 예측을 보강하여 유틸리티 회사가 피크를 예상하고 사전에 용량 할당할 수 있도록 합니다. 이를 통해 비용이 많이 드는 긴급 대응을 줄이고 그리드 안정성을 개선할 수 있습니다.

• 통합 인텔리전스로 고객 결과 개선: 동일한 미터 데이터에서 요금 권장 사항, 소비 추세 및 사용량 세그먼트를 제공하여 전력 회사가 관련성 있는 개인화된 지침 으로 고객의 참여를 유도할 수 있습니다. 이는 만족도와 유지를 지원합니다.

• MongoDB 에서 에이전트적 AI 로 팀 역량 강화: LangGraph 멀티 에이전트 어시스턴트를 사용하여 모든 연산자 언어 로 그리드, 네트워크, 고객을 쿼리 할 수 있습니다. 이를 통해 데이터에 대한 액세스 대중화되고 전문 보고서나 분석가를 기다리지 않고도 의사 결정 속도를 높일 수 있습니다.

작성자

• 무함마드 아티프

• Andrea Fatima Figueroa Lopez

• Maria José Cordova Igartua

• Javier Guajardo Canseco

• Andrea Alaman Calderon

자세히 알아보기

• Atlas Vector Search.

• Atlas Vector Search 사용한 RAG(검색 증대 생성) .

• 제조 및 이동성.