Agentic AI를 사용하는 스마트 그리드 관리 플랫폼

솔루션 개요

공공 기업은 고주파 스마트 계측 데이터를 확장하여 수집하지만, 팀은 여전히 모니터링, 예측, 고객 분석 및 AI 워크플로우를 별도 시스템에서 관리하는 경우가 많습니다.

이러한 분편화는 데이터 파이프라인의 중복, 느린 결정 및 높은 운영 비용을 초래합니다.

Smart Grid Intelligent Platform은 실시간 모니터링, 네트워크 작업, 수요 예측, 고객 지능 및 그리드 지원 에이전트를 위한 하나의 운영 데이터 계층을 사용하여 MongoDB Atlas에서 이러한 워크로드를 실행하는 방법을 보여줍니다.

이 솔루션을 사용하여 다음을 수행할 수 있습니다.

• 실시간으로 그리드 모니터링: 데이터베이스에서 직접 장애를 감지하고, 전력 요율을 추적하고, 이상 현상(전압 스파이크, 비정상적 소비) 플래그를 지정합니다.

• 네트워크 운영: 그리드 토폴로지(유틸리티 → 변전소 → 피더 → 트랜스포머)를 시각화하고, 변전소 상태를 점수매기고, 실시간 용량 활용율에서 피크 부하 경고 및 장애 위험을 표시합니다.

• 날씨를 활용한 예측 수요: 외부 날씨 데이터(냉난방지 일수) 를 활용하여 리전별 예상 수요 및 피크 시기를 프로젝트하여 용량을 계획하고 과부하를 방지합니다.

• 고객 이해: 동일한 계량기 데이터에서 요금 권장, 소비 경향, 가전 단계 분석 및 사용 구간을 표시합니다.

• 자연어를 통한 작업: 그리드 지원 에이전트를 통해 그리드, 네트워크, 지식 기반 및 고객 데이터를 쿼리합니다.

MongoDB Atlas는 Time Series 데이터, 유연한 데이터 모델링, 데이터베이스 내 처리 및 AI 기반 검색을 위한 내장 역량으로 이 설계를 지원합니다.

• MongoDB Atlas Time Series: 네이티브 Time Series 컬렉션은 고주파 측정값을 효율적으로 저장하고 빠른 시계열 쿼리를 제공합니다.

• **집계 프레임워크**: 분석은 앱이 아니라 데이터베이스에서 실행됩니다.$setWindowFields 을 사용한 $group 갭도와 아일랜드 장애 감지, 과 를 사용한 $stdDevSamp 이상 및 요구 통계, 각 자산의 정격 용량에 대한 가장기/변전소 활용률. 고주파 읽기(요구, 예측)는 이미 그리드 컨텍스트를 포함하는 데이터에 대해 단일 컬렉션 스캔으로 실행됩니다.

• 유연한 document model: 네트워크가 진화함에 따라 마이그레이션할 필요가 없는 고정된 스키마로 제어와 고객 및 그리드 네트워크 계층이 온디맨드로 연결된 관련 문서로 존재합니다.

• Atlas Vector Search(자동화된 Voyage AI 임베딩 포함): 별도의 임베딩 서비스 작업 없이 도메인 지식 기바에 대한 시맨틱 검색. Voyage AI 참조

• 하이브리드 검색: Reciprocal Rank Fusion(RRF)가 결합되어 더 유용한 검색 결과를 제공하는 벡터 및 전문 검색 결과입니다.

• MongoDB의 에이전트 AI: Atlas에 영구적으로 저장되는 도메인별 스킬 및 대화 메모리가 있는 LangGraph 다중 에이전트 도우미. 운영 데이터와 함께 컨텍스트가 저장되므로 외부 상태 저장 필요 없습니다.

그림 1. 스마트 그리드 지능형 플랫폼의 주요 기능

클릭하여 확대

참조 아키텍처

이 플랫폼은 단일 MongoDB Atlas 클러스터에서 다음 계층을 결합합니다.

• 모니터링, 네트워크, 예측 및 고객 보기를 제공하는 운영 데이터 계층 입니다.

• 사용자가 자연어로 전체를 쿼리할 수 있는 에이전트 AI 계층.

두 개 모두 동일한 문서에서 읽으므로 정보를 복사하거나 동기화하는 별도 시스템이 필요하지 않습니다.

그림 2. 고수준 스마트 그리드 아키텍처 - 운영 데이터 계층

클릭하여 확대

Agentic AI Layer

사용자의 자연어 질문은 질문을 추론하고, 올바른 도구를 호출하고, MongoDB에서 데이터를 조회하고, 기반이 된 답변을 반환하는 LangGraph 다중 에이전트 오케스트레이터를 통해 흐릅니다. 이 모든 과정에서 대화 메모리와 검색 데이터는 동일한 Atlas 클러스터에 존재합니다.

그림 3. 고수준 LLM 오케스트레이션 - Agentic AI 계층

클릭하여 확대

쿼리가 아키텍처를 통해 흐르는 방법은 다음과 같습니다.

1. 사용자 쿼리(인터페이스): 사용자가 그리드 지원 에이전트에 자연어로 질문합니다. 인터페이스는 요청(요청: <user query>)을 에이전트에 보내고 나중에 응답(응답: <answer>)을 렌더링합니다.

2. 인식: 에이전트는 사용자 쿼리와 플랫폼의 컬렉션에 JSON으로 저장된 운영 데이터를 포함하여 세계를 MongoDB 문서로 인식합니다. 이는 에이전트가 추론하는 컨텍스트입니다.

3. 계획: LangGraph 오케스트레이터는 요청을 해석하고 올바른 도메인 워크플로우로 라우팅하며 필요한 도구를 호출하고 기반 답변을 반환합니다.

4. 도구: 에이전트는 선택한 도구를 실행합니다.

   • 지식 기반에 대한 하이브리드 검색(RAG): 가장 유용한 구절을 위해 상호 순위 합치(RRF)로 합치된 벡터 검색(의미론) 및 전문 검색(키워드).

   • 데이터 검색: 운영 컬렉션(그리드, 네트워크, 고객, 요금) 에 대한 MongoDB 집계를 통해 실시간 데이터로 답변합니다.

5. 메모리: 대화 상태가 MongoDB Atlas(agent_checkpoints, agent_checkpoint_writes)에 영구적으로 저장되므로 에이전트는 외부 상태 저장 없이 턴 간 컨텍스트를 기억합니다.

6. 추론 및 생성(오케스트레이션): LangGraph 오케스트레이션 계층은 루프를 조정하고 LLM(Claude)은 조회된 컨텍스트를 추론하고 최종 답변을 합성하여 사용자에게 반환합니다.

함께 가져오기: AI 계층은 논리를 복제하지 않습니다. 데이터 검색 도구는 운영 대시보드의 기능을 제공하는 동일한 집계를 호출하며, 두 계층 모두 데이터, 검색 및 에이전트 메모리에 대해 하나의 Atlas 클러스터를 공유합니다.

데이터 모델 접근 방식

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

MongoDB document model은 운영, 검색 및 메모리 데이터를 유연한 컬렉션으로 조직하여 별도 시스템이 정보를 저장, 동기화 또는 조정할 필요 없이 연결되도록 하여 이를 가능하게 합니다.

이 솔루션은 운영 워크로드와 AI 기능 모두를 지원하기 위해 함께 작동하는 일련의 MongoDB 컬렉션을 기반으로 구축됩니다.

• readings Time Series 측정기 데이터를 저장합니다.

• customer_db, network, meter_network_map 및 tariff_catalog 에는 주요 고객, 그리드, 매핑 및 요금 데이터가 저장됩니다.

• agent_checkpoints 그리고 agent_checkpoint_writes에서 에이전트 메모리를 유지합니다.

• kb_articles 지식 기반에 대한 AI 검색을 제공합니다.

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

• readings: 시간 시리즈 컬렉션에 간격별 측정값 하나, 전기 측정값, 가전제품 수준 하위 부하, 사전 계산된 간격 소비량(interval_kwh), 및 그 데노르말라이즈된 그리드 문맥(피더/변전소/유틸리티)을 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 계층을 연결된 문서로 모델링합니다. parent_asset_id은 유틸리티 → 변전소 → 공급장 → 변압기 계층을 구성하며 각 자산에는 고유한 용량과 위치가 있습니다.

{
  "_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_catalog배열로 포함된 계층 밴드와 함께 요금 제도를 저장하므로 전체 계획은 하나의 문서로 읽힙니다.

{
  "_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_articles지식 기반을 저장하고 Atlas Vector Search(자동화된 Voyage AI 임베딩 포함) 및 전문 검색을 위해 인덱싱합니다. 임베딩은 별도 임베딩 파이프라인 없이 Atlas가 텍스트 필드에서 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_map각 미터(dataid)를 그리드 토폴로지(피더, 변전소, 유틸리티 및 변압기)에서의 위치에 매핑합니다. 동일한 컨텍스트는 각 독서에도 노르말라이즈되어 있으므로 고주파수 보기는 조인 없이 읽습니다.

• customer_db: 강조된 계량 dataid을 사용하여 각 고객의 위치(도시 및 상태)를 저장합니다. 요금 계획과 사용 세그먼트는 온디맨드(즉 tariff_catalog에서 집계로) 파생됩니다.

• agent_checkpoints 그리고 agent_checkpoint_writes: LangGraph에 의해 managed되는 에이전트 메모리를 저장하며, 어시스턴트의 대화 상태가 스레드별로 유지되므로 외부 상태 저장소 없이 턴 간에 걸쳐 컨텍스트가 유지됩니다.

Why the document model fits this solution:

• 각 판독값에는 해당 순간에 대한 모든 정보가 담겨 있습니다: 계량기 판독값은 전기 측정값과 기기 수준 하위 부하를 하나의 문서에 포함하며, 단일 판독값을 재구성하기 위한 조인이 없습니다. time series 컬렉션에 저장된 이러한 데이터는 고주파로 효율적으로 수집되고 쿼리됩니다.

• 그리드 계층은 존재하는 그대로 모델링됩니다: 네트워크(유틸리티 → 변전소 → 피더 → 변압기)는 플랫폼이 토폴로지 보기를 조립하기 위해 이동하는 연결된 문서로 저장되며, 각 독서는 해당 계층에서의 위치를 가지므로 모델은 스키마 마이그레이션 없이 성장하거나 변경할 수 있습니다.

• 스키마는 마이그레이션 없이 진화합니다: 새로운 애플라이언스 하위 로드, 고객 속성 또는 자산 필드를 새로운 필드로 추가할 수 있으므로 플랫폼이 확장되면 기존 문서, 파이프라인 및 애플리케이션 워크플로우가 계속 작동합니다.

• 동일한 데이터는 모든 워크로드를 지원합니다: 모니터링, 예측 및 고객 대시보드 뒤의 집계는 모든 운영 컬렉션에서 실행되며, 이 컬렉션은 그리드 모델 전체에 걸친 조인을 지원하여 중복을 줄이고 별도 시스템을 사용할 필요가 없습니다.

• AI 데이터는 운영 데이터와 함께 존재합니다: 지식 기반, 벡터 및 전문 검색, 그리고 에이전트의 대화 메모리는 모두 동일한 MongoDB Atlas 클러스터에 존재하므로 검색, 추론 컨텍스트 및 운영 분석이 별도의 인프라스트럭처 없이 함께 작업합니다.

솔루션 빌드

Smart Grid Intelligent Platform은 MongoDB Atlas를 사용하여 실시간 모니터링, 네트워크 작업, 수요 예측, 고객 인텔리전스 및 그리드 지원 에이전트를 위한 단일 데이터 계층을 구성합니다.

다음과 같은 개략적인 단계를 따라 솔루션을 배포합니다. 자세한 설정 지침, 샘플 데이터 및 실행 가능한 코드는 Github 리포지토리에서 확인할 수 있습니다.

주요 학습 사항

• 단일 데이터 플랫폼에서 작업 통합: 단일 MongoDB Atlas 클러스터에서 모니터링, 네트워크 작업, 예측 및 고객 인텔리전스를 실행하면 별도 시스템간에 계량 데이터를 복사하고 조정하는 비용과 지연이 제거됩니다. 이 방법은 총 소유 비용을 줄여 새로운 기능을 더 빠르게 생산에 적용할 수 있게 합니다.

• 원시 계측 데이터를 운영 결정으로 변환: 집계 파이프라인에서 장애, 용량 활용률 및 이상 지문을 직접 계산하여 연산자가 그리드 상태에 실시간으로 대응할 수 있도록 합니다. 이로 장애 시간을 줄이고 연쇄 장애로 이어지기 전에 과부하를 방지할 수 있습니다.

• 날씨 인식 예측으로 용량 계획 수립: 외부 날씨 데이터(내연 및 냉방 도일 수 포함) 로 수요 예측을 풍부하게 하여 공공재의 피크를 예측하고 용량을 사전에 할당할 수 있도록 돕습니다. 이로써 비용이 많이 드는 긴급 대응을 줄이고 그리드 신뢰도를 향상시킵니다.

• 통합 인텔리전스로 고객 결과 개선: 동일한 계측 데이터에서 요금 추천, 소비 경향, 사용 세그먼트를 제공하여 공공자기업이 고객에게 관련있고 개인화된 지침을 제공하여 고객의 참여를 유도할 수 있습니다. 이는 만족도와 유지율에 도움을 줍니다.

• MongoDB에서 에이전트 기반 AI로 팀의 역량 강화: LangGraph 다중 에이전트 도우미를 사용하여 어떤 연산자든 자연어로 그리드, 네트워크 및 고객을 쿼리할 수 있습니다. 이는 데이터 액세스를 민주화하고 특수 보고서나 분석가를 기다리지 않고 의사 결정을 가속화합니다.

작성자

• Muhammad Atif

• Andrea Fatima Figueroa Lopez

• Maria José Cordova Igartua

• Javier Guajardo Canseco

• Andrea Alaman Calderon

자세히 알아보기

• Atlas Vector Search.

• Atlas Vector Search를 사용한 검색 증강 생성(RAG).

• 제조 및 모빌리티.