최근 발표된 연구에 따르면 대규모 언어모델(LLM)이 전력망의 날씨 관련 강제 정전 위험을 예측하는 데 잠재력을 가지고 있음이 확인되었습니다. 이 연구는 텍사스 중부 지역의 배전망을 대상으로 6년간의 정전 기록과 고해상도 날씨 데이터를 활용해, 레이블링된 훈련 데이터 없이 제로샷(zero-shot) 방식으로 LLM의 예측 능력을 평가했습니다.
연구팀은 3시간, 6시간, 12시간의 세 가지 예측 기간에 걸쳐 정전 심각도를 이진 분류하는 방식으로 문제를 설정했습니다. 네 가지 제로샷 LLM과 두 가지 지도 학습 분류 모델을 비교했으며, 현재 날씨 관측 데이터와 날씨 예측 데이터를 각각 입력으로 사용했습니다. 결과적으로 지도 학습 모델이 매크로-F1 점수와 정밀도(precision) 측면에서 LLM보다 우수한 성능을 보였지만, 최신 LLM 세대는 경쟁력 있는 점수를 달성했습니다. 특히 LLM은 정확도 외에도 실행 가능한 추론(actionable reasoning)과 지리적 확장성(geographic scalability)이라는 보완적인 강점을 제공하는 것으로 나타났습니다.
이러한 결과는 LLM이 기존 머신러닝 모델의 한계를 보완하여 전력망 관리의 효율성을 높일 수 있음을 시사합니다. 특히 레이블링된 데이터가 부족하거나 새로운 지역에 빠르게 적용해야 할 때 LLM의 제로샷 추론 능력과 확장성은 큰 이점이 될 수 있습니다. 따라서 지도 학습 모델과 LLM을 결합하는 하이브리드 접근 방식이 전력망 강제 정전 위험 예측에 가장 효과적인 방법이 될 수 있으며, 이는 전력 회사가 기후 변화로 인한 예측 불가능한 날씨 현상에 더 잘 대비하고 안정적인 전력 공급을 유지하는 데 중요한 역할을 할 것입니다.