서 론
LLM 기반 접근의 분류와 검토 범위
프롬프팅
개요
정책 및 규제 문서의 정보 구조화
전문가 수준의 의사결정 및 판단
검색증강생성
개요
문서 기반 RAG를 통한 자료 탐색과 해석
공간정보 기반 RAG를 통한 매핑과 공간 추론
도메인 특화 학습 및 모델 적응
개요
멀티모달을 활용한 태양광 발전 설비 탐지
재생에너지 발전량 예측을 위한 시공간 데이터의 파운데이션 모델 적응
LLM의 도구 활용 및 LLM 기반 에이전트
개요
GIS workflow 자동화 기반 기술
재생에너지 모델-최적화 연계
토 의
재생에너지 공간 분석에서 LLM의 역할과 의의
LLM 기법의 선택과 결합: 과제 특성에 따른 활용 전략
한계 및 향후 과제
결 론
서 론
기후변화 완화를 위한 탈탄소화 정책이 강화되고 전력수요가 증가함에 따라 재생에너지 발전 확대의 중요성이 부각되고 있다. 세계 전력수요는 2026년부터 2030년까지 연평균 3.6% 증가할 것으로 전망되며(IEA, 2026a), 재생에너지 설비는 2030년까지 약 4,600 GW가 추가될 것으로 예상된다(IEA, 2026b). 재생에너지 보급 확대는 한정된 공간에서 이루어지므로 자원 분포와 입지 제약, 전력수요와 계통 여건, 정책 및 규제 조건이 복합적으로 작용한다. 재생에너지 자원은 지역별 자원 조건과 시간적 변동성이 높기 때문에 기술적 잠재량이 실제 개발 가능성으로 직결되지 않는다. 동일한 기술이라도 설치 위치와 주변 시스템 연계 조건에 따라 발전 가능량, 경제성, 환경영향, 운영전략이 상이하게 결정된다. 따라서 재생에너지 연구에서는 공간적 이질성과 시스템 연계성을 함께 반영하는 분석 체계가 요구된다.
GIS 기반 재생에너지 모델링은 이러한 공간적 및 시스템적 분석 요구에 대응해 온 대표적인 체계이다. GIS는 서로 다른 공간자료를 동일한 지리적 기준 위에서 결합하고 분석 결과를 지도 기반으로 해석할 수 있게 하며(Goodchild, 2009), 재생에너지 개발 가능성과 제약 조건을 공간적으로 평가하는 분석 체계로 활용되어 왔다. GIS 기반 재생에너지 분석은 개발에 앞서 입지를 선별하는 자원지도 작성과 입지 적합성 평가에서 출발하여, 잠재량과 발전량의 예측을 거쳐, 수요·저장·계통과의 연계와 정책 시나리오 평가에 이르기까지 재생에너지 개발의 전 과정을 포괄한다(Fig. 1). 이 과정에서 GIS는 일사량이나 풍속과 같은 자원량 조건과 함께 토지피복, 지형, 기반시설 접근성과 같은 개발 여건을 다루며, 환경·경제성·규제 등 복합적인 기준을 결합하여 재생에너지의 개발 가능성을 공간적으로 제시한다(Díaz-Cuevas et al., 2019). 또한 통계자료와 원격탐사 자료를 결합하여 넓은 지역의 지표 조건과 그 변화를 공간적으로 파악한다. 그러나 분석 대상의 범위와 자료의 해상도가 확대되면서, 사전에 설정된 기준과 규칙에 의존하는 전통적인 GIS 분석만으로는 복잡한 공간 패턴과 변수 간 관계를 충분히 설명하기 어려워졌다. 재생에너지의 잠재량과 발전 성능은 여러 시공간적 조건의 상호작용에 따라 달라지므로, 자료에 내재된 관계를 자동으로 학습하고 분석하는 방법이 요구되었다.
인공지능(artificial intelligence, AI)은 이러한 한계를 보완할 수단으로 GIS 기반 재생에너지 모델링에 도입되어, 자료 처리와 예측 과정을 뒷받침해 왔다. 그 중심에는 머신러닝(machine learning)과 그 하위 분야인 딥러닝(deep learning)이 있다. 머신러닝은 입력변수와 결과 사이의 관계를 자료로부터 학습하여 분류와 예측을 수행하는 기법으로, GIS 기반 재생에너지 모델링에서는 support vector machine, random Forest, XGBoost 등이 공간자료에 내재된 비선형 관계를 분석하는 데 활용되어 왔다. 예를 들어 지형과 기상, 기반시설 조건을 바탕으로 재생에너지의 자원 잠재량과 입지 적합성을 평가하고 발전량을 예측한 연구가 보고된 바 있다(Benti et al., 2023). 딥러닝은 다층 인공신경망을 통해 영상, 시계열 및 고차원 자료에서 복잡한 특징을 자동으로 추출하는 분야로, GIS 기반 재생에너지 모델링에서는 원격탐사 영상으로부터 태양광 설비나 토지피복과 같은 지표 정보를 자동으로 탐지하여 GIS 입력자료 구축을 뒷받침해 왔다(Yu et al., 2018; Kruitwagen et al., 2021). 재생에너지 발전량 예측 단계에서는 Convolutional neural network (CNN), Long short-term memory (LSTM), CNN-LSTM, Encoder-Decoder 등 시계열 자료와 공간 구조를 함께 반영하는 딥러닝 구조가 발전해 왔으며, 기상자료를 위치별로 구분하여 설비 위치와 결합할 때 지역 단위 예측 성능이 향상된다는 결과도 보고되었다(Klaiber and Van Dinther, 2023).
AI의 역할은 자료 구축과 예측에 그치지 않고 재생에너지 시스템의 운영 의사결정으로도 확장되어 왔다. 머신러닝의 한 분야인 강화학습은 발전량과 수요 변동에 대응하는 제어전략을 학습하는 운영전략으로 활용되었으며, 최적화 기법과 결합해 저장장치 운영과 에너지 관리전략을 도출한 연구도 수행되었다(Ganesh and Xu, 2022; Liu et al., 2023).
하지만 이러한 AI 기반 접근은 자료 구축, 예측, 운영과 같이 개별 과제 단위에서는 높은 성능을 보여 왔지만, GIS 기반 재생에너지 모델링의 여러 단계를 하나의 일관된 분석 흐름으로 잇는 데는 한계를 보인다. 대부분의 모델은 특정 입력자료와 목적변수, 지역 범위에 맞추어 설계되므로 분석 대상이나 공간 해상도, 시나리오 조건이 달라지면 모델과 학습자료를 다시 구성해야 하는 경우가 많다(Benti et al., 2023; Malakouti, 2026). 또한 예측이나 분류 결과가 어떤 공간 조건과 물리적 및 정책적 맥락에서 도출되었는지 설명되기 어렵고, 서로 다른 분석 단계의 결과를 일관되게 연계하는 기능도 제한적이다(Hsu and Li, 2023; Alsaigh et al., 2023). 근본적으로, 재생에너지 공간 분석에서는 정책 및 규제 문서나 기술지침, 지역 수용성, 전문가 판단과 같은 비정형 정보가 GIS 입력자료와 모델 해석에 직접 영향을 미치는데, 기존 모델은 이러한 정보를 정형 데이터와 결합하거나 분석 절차 안에서 해석하는 데 제약이 있다.
이에 따라 GIS 기반 재생에너지 모델링에서는 개별 과제의 예측 정확도를 넘어, 다양한 자료와 분석 도구를 연결하고 그 결과를 해석 가능한 형태로 제시할 수 있는 체계가 필요하다. 대규모 언어모델(large language model, LLM)은 이러한 요구에 대응할 수 있는 새로운 접근 방법으로 주목받고 있다. 대규모 텍스트와 코드로 학습된 LLM은 자연어와 문서를 이해하고, 추론과 코드 생성을 수행하며, 외부 도구를 호출하는 능력을 갖춘다(Zhang et al., 2026). 따라서 LLM은 사용자의 자연어 요구를 분석 절차로 변환하고, 비정형 문서와 도메인 지식을 구조화하며, 여러 도구와 모델을 잇는 데 활용될 수 있다. GIS 기반 재생에너지 연구의 맥락에서 LLM은 정책 및 규제 문서에서 공간 제약조건을 추출하거나, 데이터와 기술문서를 질의응답 방식으로 탐색하고, 위성영상과 시계열을 함께 해석하며, GIS 분석 흐름과 에너지 모델을 연결하는 역할을 수행할 수 있다.
LLM의 적용 분야가 확대되면서 재생에너지와 GIS 각 분야에서도 관련 해설(review) 연구가 보고되고 있다. GIS 분야에서는 2024년 이후 LLM과 생성형 AI를 지리공간 자료 해석, 공간추론, GIS 작업 자동화에 활용하는 연구들이 보고되었으며(Wang et al., 2024; Tucker, 2024; Ameen and Soilán, 2026), 에너지 분야에서도 에너지 시스템, 재생에너지, 스마트그리드에 대한 LLM 적용 가능성을 정리한 연구들이 제시되었다(Mirshekali et al., 2025; Zhang et al., 2026; Chandana et al., 2026). 이러한 선행연구들은 주로 GIS 또는 재생에너지 시스템이라는 개별 분야를 중심으로 LLM 활용 가능성을 정리하였다. 그러나 GIS 기반 재생에너지 모델링의 관점에서 LLM이 어떤 분석 과정에 적용될 수 있으며, 각 활용 방식이 재생에너지 공간 분석에서 어떤 역할을 수행하는지를 종합적으로 검토한 연구는 제한적이다.
본 연구에서는 GIS 기반 재생에너지 모델링에서 LLM의 활용 동향을 검토한다. LLM 기반 접근이 GIS 기반 재생에너지 모델링에 어떤 형태로 적용되어 왔는지 분류하고 각 접근이 수행하는 역할을 정리한다. 이를 바탕으로 LLM 도입이 GIS 기반 재생에너지 모델링에 제공하는 기회와 제약을 논의하고, 신뢰성 있는 LLM 기반 에너지 공간 분석을 위한 향후 연구 방향을 제시한다.
LLM 기반 접근의 분류와 검토 범위
LLM은 대규모 말뭉치를 활용한 사전학습 언어모델의 발전을 바탕으로 형성되었으며, 현재 널리 활용되는 대부분의 LLM은 트랜스포머(transformer) 아키텍처를 기반으로 한다. 트랜스포머는 셀프 어텐션(self-attention) 구조를 통해 긴 문맥의 관계를 효과적으로 처리할 수 있으며, 현대 LLM의 주요 기반이 되었다(Vaswani et al., 2017). 이후 BERT (bidirectional encoder representations from transformers)와 GPT (generative pre-trained transformer) 계열 모델은 대규모 사전학습을 통해 다양한 자연어 처리 과제에 적용되었고(Devlin et al., 2019; Radford et al., 2018), GPT-3 이후에는 별도 학습 없이 입력 문맥 안의 지시와 예시를 활용해 새로운 과제를 수행하는 인컨텍스트 러닝(in-context learning) 능력이 주목받았다(Brown et al., 2020). 인간 피드백 기반 강화학습(reinforcement learning from human feedback)을 통한 지시 이행 능력 개선과 멀티모달(multimodal) 모델의 등장은 LLM의 활용 범위를 문서 처리, 추론, 코드 생성, 영상 해석, 도구 호출로 확장하였다(Ouyang et al., 2022; OpenAI, 2023).
LLM을 특정 도메인에 적용하기 위해서는 사전학습된 언어 능력을 과제 요구에 맞게 조정하는 기술적 구성이 필요하다. Zhang et al.(2026)은 그 주요 기술로 프롬프트 엔지니어링(prompt engineering), 지식 증강(knowledge augmentation), 미세 조정(fine-tuning), 멀티모달 적응(multimodal adaptation), 자율 에이전트(autonomous agents)를 제시하였으며, 이들은 GIS 기반 재생에너지 모델링에서도 문서 해석, 자료 탐색, 공간정보 처리, 영상 및 시계열 자료 해석, 분석 절차 자동화와 연결된다. 다만 본 연구의 검토 범위에서는 미세 조정과 멀티모달 적응을 별도의 범주로 분리하지 않고 하나의 과정으로 다룬다. 재생에너지 공간 분석에서는 영상, 지도, 시계열, 텍스트와 같은 이질적 자료를 특정 에너지 분석 과제에 맞게 해석하도록 모델을 조정하는 작업이 서로 결합되어 나타나기 때문이다.
이에 본 연구에서는 LLM의 활용 목적을 기준으로 네 가지 접근을 구분한다(Fig. 2). GIS 기반 재생에너지 모델링에 LLM을 적용할 때는 문서와 판단 기준의 구조화, 외부 지식의 근거화, 공간 및 에너지 자료에 대한 모델 적응, 분석 도구와 실행 절차의 연계가 요구되며, 본 연구에서는 이에 각각 대응하는 프롬프팅(prompting), 검색증강생성(retrieval-augmented generation, RAG), 도메인 특화 학습 및 모델 적응(domain-specific fine-tuning and model adaptation), 도구 활용 및 LLM 기반 에이전트(tool-using and LLM-based agent)의 네 범주로 정리하였다(Fig. 2).
프롬프팅은 모델 파라미터를 수정하지 않고 지시문과 예시, 질문 구조를 설계하여 응답을 조정하는 접근이다. RAG는 외부 지식을 검색해 응답 생성에 결합함으로써 최신 자료와 도메인 문서에 근거한 답변을 유도한다. 도메인 특화 학습 및 모델 적응은 미세 조정과 입력 표현 변환 등을 통해 LLM과 멀티모달 모델을 특정 분야의 자료와 과제에 맞추는 접근이다. 도구 활용 및 에이전트 기반 LLM은 LLM이 외부 도구를 호출하고 분석 절차를 구성하여, 여러 분석 도구와 모델을 연결·조율하도록 설계하는 접근이다.
본 연구에서 문헌 검색 과정은 다음과 같다. 문헌 검색은 Google Scholar와 Scopus를 중심으로 수행하였으며, 검색어는 LLM 관련 용어(large language model, LLM, vision-language model, VLM, prompting, multimodal, RAG, LLM agent), 재생에너지 관련 용어(renewable energy, solar, photovoltaic, PV, wind, energy siting, energy forecasting), 공간정보 관련 용어(GIS, geospatial, spatial, remote sensing, satellite imagery)를 조합하여 사용하였다. 기본적으로 세 용어군의 교집합에 해당하는 문헌을 우선 검토하였으며, 검색 결과 41편의 문헌이 확인되었다. LLM을 GIS 기반 재생에너지 모델링에 직접 적용한 연구는 아직 제한적이므로, 최신 방법론을 반영하기 위해 arXiv에 공개된 일부 연구와 공공 연구기관의 기술보고서도 보완적으로 검토하였다. 출판 기간은 LLM의 에너지 및 공간정보 분야 응용 연구가 본격적으로 증가한 2024년부터 2026년까지로 설정하였다. 문헌 선정 시에는 재생에너지 모델링, 공간자료 활용, GIS 또는 원격탐사 기반 분석, LLM 기반 해석·추론·검색·예측·도구 활용과의 관련성을 주요 기준으로 삼았다. 스크리닝 과정에서는 동일한 세부 주제에 속하더라도 LLM의 활용 목적과 방식이 다른 연구를 포함하여 방법론적 차이를 비교하였으며, LLM이 아닌 일반적인 생성형 AI 연구는 제외하였다. 이에 따라 초기 검색에서 확인된 41편 중 11편을 제외하고, 최종적으로 30편을 분석 대상으로 선정하였다. GIS 기반 재생에너지 분야에서 LLM 적용 사례가 부족한 경우에는 개별 주제로 수행된 연구를 분석 사례로 포함하고, 이들이 향후 어떻게 결합되어 활용될 수 있는지를 함께 논의하였다.
최종 선정된 문헌을 LLM의 활용 방식에 따라 프롬프팅, 검색증강생성, 도메인 특화 학습 및 모델 적응, 도구 활용 및 에이전트 기반 접근의 네 범주로 구분하여 각 장에서 분석하고 사례를 검토하였다. 이를 바탕으로 토의에서는 LLM이 GIS 기반 재생에너지 모델링에 제공하는 기회와 한계를 논의하고, 신뢰성 있는 에너지 공간 분석을 위한 향후 연구 방향을 제시한다.
프롬프팅
개요
프롬프팅은 모델 가중치를 수정하지 않고 입력 지시와 예시를 설계하여 LLM의 응답을 과제 요구에 맞게 유도하는 방식이다. 별도의 학습자료 구축이나 재학습 과정이 필요하지 않아 전문 분야에 비교적 쉽게 적용할 수 있으며, 출력 형식과 판단 절차를 조정함으로써 도메인 과제에 대한 활용성을 높일 수 있다. GIS 기반 재생에너지 모델링에서는 정책 및 규제 문서, 환경영향평가서, 기술 지침, 입지 기준 등 자연어 자료를 공간 분석에 필요한 제약조건과 평가 기준으로 변환하는 과정이 요구된다. 또한 입지 적합성 판단, 사회적 수용성 및 환경요인 검토, 평가기준 간 가중치 산정처럼 정량 자료만으로 결정하기 어렵고 전문가 판단이 함께 요구되는 절차도 포함된다. 프롬프팅 기반 LLM은 이러한 문서 해석과 판단 기준의 구조화를 지원함으로써, 기존의 수작업 검토와 규칙 기반 추출을 보완하는 방법으로 활용될 수 있다.
프롬프팅은 입력 설계 방식에 따라 구분되며 이에 따라 응답의 품질과 형식이 달라진다(Fig. 2). 직접 과제 지시(direct task prompting)는 수행할 역할, 과제 내용, 맥락, 출력 형식을 명시적으로 지정하는 방식으로, 규제 속성 추출이나 입지 기준 식별처럼 요구 출력이 비교적 명확한 과제에 활용된다. 예시 기반 프롬프팅(demonstration-based prompting)은 입력과 기대 출력의 예시를 프롬프트에 포함하여 유사한 응답 패턴을 유도하는 방식이며, 예시 수에 따라 제로샷(zero-shot), 원샷(one-shot), 퓨샷(few-shot) 프롬프팅으로 구분된다. 추론 유도 프롬프팅(reasoning-oriented prompting)은 LLM이 단계적 판단 과정을 거쳐 결론에 도달하도록 유도하는 방식으로, 사고 사슬(chain-of-thought, CoT) 프롬프팅이 대표적이다. 행동 지향 프롬프팅(action-oriented prompting)은 코드 생성, 도구 호출, 후속 작업 선택과 같이 실행 가능한 행동을 포함하도록 응답을 설계하는 방식이며, 도구 활용 및 에이전트 기반 LLM과 연결된다.
GIS 기반 재생에너지 연구에서 프롬프팅이 주목받는 이유는, 기존에 전문가의 수작업이나 규칙 기반 시스템에 의존하던 작업(예: 비정형 문서에서 구조화된 공간정보를 추출하는 작업과 복잡한 판단을 전문가 수준으로 수행하는 작업)을 LLM으로 처리할 가능성을 제시하였기 때문이다. 재생에너지 입지 규제와 정책문서 검토는 방대한 문서를 반복적으로 읽고 해석해야 하므로 상당한 시간과 노력이 소요되며, 수작업 검토 역시 문서 표현의 다양성과 법률적 해석의 복잡성, 반복 작업에 따른 오류로부터 자유롭지 않다. 인간이 구축한 입지규제 데이터베이스조차 약 85–90% 수준의 정확도를 보이는 것으로 보고되어(Buster et al., 2024), 대규모 문서 검토와 갱신을 보조할 자동화 방법의 필요성이 제기되어 왔다. 프롬프팅 기반 LLM은 규정 문서, 환경영향평가서, 정책보고서와 같은 비정형 텍스트와 공간 데이터를 연결하는 인터페이스로서 이러한 작업을 실질적으로 지원할 수 있다. GIS 기반 재생에너지 연구에서 프롬프팅의 활용은 크게 두 방향으로 정리된다. 하나는 규제 및 기술문서에서 공간 분석에 필요한 지식을 추출하는 것이고, 다른 하나는 입지평가와 정책 판단 과정에서 전문가적 의사결정을 보조하는 것이다. Table 1은 이 두 흐름에 해당하는 연구들의 입력자료, 사용 모델과 도구, 프롬프팅 역할, 산출물을 비교한 것이며, 이하에서는 각 유형별 대표 연구를 중심으로 프롬프팅 기반 LLM의 적용 방식을 검토한다.
Table 1.
Prompting-based LLM applications for knowledge extraction and judgment support in GIS-based renewable energy studies
| Category | Reference | LLMs / tools | Prompting role | Input materials | Output |
| Knowledge extraction from documents | Buster et al. (2024) | GPT-4; PDF-to-text; LLM decision tree | Multi-prompt rule extraction | Wind siting ordinance | Structured siting rules |
| Li et al. (2026) | GPT-4o-mini, Claude 3.5, Gemini 1.5, DeepSeek; RDF/OWL; Jena; TopFarm/PyWake | Ontology-aware constraint extraction | Offshore wind planning documents | Knowledge graph and executable rules. | |
| Prompting-based judgment support analysis | Moshina et al. (2025) | ChatGPT 3.5, Bard, Bing; MAXQDA | Iterative siting-context prompting | Solar siting questions and answers | Siting factors, regional descriptions, and rankings. |
| Memduhoğlu et al. (2025) | GPT-4.1, o3, Claude, Gemini, DeepSeek; NumPy/SciPy | Virtual-expert prompting | GIS-based solar siting criteria and AHP weights | Criteria weights, and rankings | |
| Larosa et al. (2025) | ClimateBERT; GPT-3.5; Gemini 1.5 Flash | Prompt-based SDG classification | Climate and sustainability policy documents | SDG labels, and policy-alignment signals |
정책 및 규제 문서의 정보 구조화
재생에너지 입지 선정과 공간계획은 다양한 규제 조건에 의해 제약된다. 그러나 관련 정보는 법령, 조례, 기술문서, 평가보고서에 비정형 텍스트로 분산되어 있어, GIS 분석에 활용하려면 적용 대상, 수치 기준, 예외 조건을 구조화해야 한다. 프롬프팅 기반 LLM은 이러한 규제 조항을 해석하고, 공간 제약조건을 GIS 입력자료나 규칙 검토에 활용 가능한 형태로 변환하는 데 효과적으로 사용될 수 있다.
Buster et al.(2024)은 미국의 카운티(county) 단위의 풍력 입지 조례에서 이격거리, 높이 제한, 용도지역 규제 정보를 자동 추출하기 위해 GPT-4 기반 다단계 의사결정 트리 프레임워크를 제시하였다(Table 1). PDF (portable document format) 형식의 조례 문서를 텍스트로 변환한 뒤 풍력 관련 조항을 선별하고, 전문가가 설계한 다단계 프롬프트 의사결정 트리를 통해 각 조례의 이격 규칙이 고정 거리, 터빈 높이 배수, 조건부 규정 중 어떤 형태에 해당하는지 판별하였다(Fig. 3). 해당 트리 구조는 조례마다 다른 표현 방식을 퓨샷 프롬프트 예시와 단계별 질문 분류로 처리하였으며, 85개 테스트 문서에서 약 90%의 정확도, 91%의 정밀도, 81%의 재현율을 보였다. 또한 작업 시간을 최대 3배 단축할 수 있음을 제시하였다. 다만 하나의 문서 안에 복합 조건이 포함된 경우 적용 대상이나 수치가 잘못 추출될 수 있어, 법적 해석과 실제 사업 적용 단계에서는 전문가 검토가 필요하다.
Li et al.(2026)은 해상풍력 계획에서 비정형 규제 및 기술문서를 디지털 트윈 기반 의사결정과 연결하기 위해 LLM 증강 의미론적 디지털 트윈(LLM-augmented semantic digital twins)을 제안하였다(Fig. 3 and Table 1). 연구에서는 환경영향평가서, 의사결정기록서, 법령 문서를 대상으로 LLM이 이격거리, 수심 제한, 조건부 제약 표현을 추출하도록 온톨로지(ontology)1) 인식 프롬프트를 설계하였다. LLM으로 추출된 규제 정보는 지식 그래프 형태로 구조화되어 공간자료와 결합된 규제 준수 검토, 풍력단지 배치 최적화, 허리케인 시나리오 시뮬레이션 등 디지털 트윈 기반 공간계획 의사결정에 활용된다. LLM은 총 289개의 의미적으로 검증된 규제를 추출하였으며, LLM 기반 배치는 기준 배치와 유사한 공간 패턴을 나타냈다. 그러나 규정의 오해석이나 누락이 지식 그래프에 반영될 경우 후속 의사결정으로 오류가 전파될 수 있으므로 전문가 검토와 검증 절차가 함께 요구된다.
전문가 수준의 의사결정 및 판단
재생에너지 입지 선정과 정책 분석에는 사회적 수용성, 환경적 요인, 다기준 가중치 산정, 정책 목표 간 정합성 판단과 같은 정성적인 전문가적 판단이 전 과정에 개입된다(Islam et al., 2024). 기존에는 이러한 판단을 전문가 설문, 델파이 방법(delphi method), 계층분석법(analytic hierarchy process, AHP) 등 구조화된 절차로 수행하였으나 전문가 섭외와 합의 도출에 상당한 시간과 비용이 소요되었다. 추론 유도, 역할 부여, 다단계 구조화 질의와 같은 프롬프팅 전략은 LLM이 입지평가와 정책 판단 과정에서 기준을 비교하고 판단 근거를 제시하는 보조적 전문가 역할을 수행할 수 있는 가능성을 보여준다.
Moshina et al.(2025)은 미국 Utah 지역의 대규모 태양광 입지 선정을 위해 ChatGPT 3.5, Google Bard, Microsoft Bing 4.0이 입지평가를 지원할 수 있는지 비교하였다(Table 1). 프롬프팅 기법은 입지 기준 도출, 선행문헌 정보 제공, 후보 지역 특성화, 반복 질의를 통한 응답 안정성 검토로 이어지는 구조로 적용되었다(Fig. 3). 분석 결과, 세 모델 모두 일사량, 송전망 접근성, 토지 가용성, 인허가 위험 등 주요 입지 기준을 제시하였으나 응답 특성은 달랐다. ChatGPT는 응답 일관성이 높았지만 외부 출처 제시가 제한적이었고, Bard는 표 형식의 비교와 지리적 설명에 강점을 보였으나 반복 질의에서 후보 순위가 달라졌다. Bing은 외부 출처를 가장 적극적으로 제시하고 응답 안정성도 높았지만, 출처의 관련성과 품질에 대한 검증이 필요하였다. 이 연구에서는 LLM이 GIS 연산을 통해 최적 입지를 직접 산정하기보다는, 후보 지역의 특성과 정성적 고려사항을 구조화하는 의사결정 보조 도구로 활용될 수 있음을 보여주었다.
Memduhoğlu et al.(2025)은 GIS 기반 AHP 분석에서 LLM이 전문가가 산정한 기준별 가중치를 수치적으로 얼마나 근접하게 재현하는지를 평가하였다(Fig. 3 and Table 1). 10명의 전문가가 수행한 14개 공간 기준의 쌍대비교(pairwise comparison)를 기준값으로 활용하고, 6개 LLM에 기본 맥락만 제시한 프롬프팅, CoT, 전문가 패널 역할 부여 프롬프팅을 적용하여 비교하였다. 전문가 패널 역할 부여 프롬프팅이 가장 높은 전문가 일치도를 보였으며 최적 조건에서 GPT-4.1은 전문가 합의와 피어슨(Pearson) 상관계수(r) 0.838의 상관성을 달성하였다. 다만 모든 LLM에서 지형 요소를 과소평가하고 인프라 기준을 과대평가하는 체계적 편향이 공통으로 관찰되어, 고위험 입지 결정에서는 편향 보정과 전문가 검증이 필수적임을 시사하였다.
Larosa et al.(2025)은 기후·지속가능성 정책 문서를 대상으로 LLM이 정책 내용과 지속가능발전목표(sustainable development goals, SDGs) 간의 연계성을 자동으로 식별할 수 있는지 평가하였다(Fig. 3 and Table 1). 기후정책 문서에 특화된 ClimateBERT를 이용해 정책문서에서 SDG 관련 내용이 기후 적응 또는 완화와 어떤 관련을 갖는지 분류하고, Gemini 1.0과 GPT-3.5가 해당 내용을 어떤 SDG와 연결하고 그 관계를 시너지 또는 상충관계로 판단하는지 비교하였다. 분석 결과 Gemini 1.0은 반복 실행과 프롬프트 조건 변화에 대해 GPT-3.5보다 일관적인 결과를 보여 최종 분석 모델로 선정되었으며, LLM이 식별한 SDG는 전문가 기반 판단과 약 80% 일치하였다. 다만 일부 SDG가 과소 또는 과대 탐지되어, LLM이 대규모 정책문서의 주제와 정책적 관계를 빠르게 구조화하는 데 유용하더라도 목표별 분류 결과에는 전문가 검토가 필요함을 보였다.
검색증강생성
개요
LLM은 광범위한 사전학습을 통해 풍부한 언어적 추론 능력을 갖추고 있으나, 특정 저장소의 최신 문서나 검증된 자료에 근거하지 않을 경우 일반적이거나 부정확한 답변을 생성할 수 있다는 한계가 있다. RAG는 이를 보완하기 위해 외부 문서나 데이터베이스를 검색 가능한 지식원으로 구성하고, 사용자 질문과 의미적으로 관련된 근거를 LLM의 답변 생성 과정에 직접 제공하는 방식이다(Fig. 4). RAG 절차는 문서 수집, 문서 분할, 임베딩(embedding), 검색, 응답 생성으로 구성된다(Fig. 4). 먼저 수집된 문서를 문단이나 일정 길이의 문서 조각으로 나눈 뒤, 임베딩 모델을 이용해 각 조각을 의미 정보를 반영한 수치 벡터로 변환한다. 이 벡터는 문서의 의미를 숫자 좌표처럼 표현한 것으로, 내용이 유사한 문서 조각일수록 벡터 공간에서 가깝게 배치된다. 변환된 벡터는 FAISS, Chroma와 같은 벡터 검색 도구나 데이터베이스에 저장되며, 사용자 질의도 같은 방식으로 벡터화하여 의미적으로 가까운 문서 조각을 찾는 데 사용된다. 이후 검색된 문서 조각의 원문 텍스트가 사용자 질의와 함께 LLM에 전달되며, LLM은 이를 근거로 답변을 생성한다. LangChain, LlamaIndex 등의 프레임워크가 문서 불러오기, 분할, 임베딩 생성, 검색, LLM 호출 과정을 모듈화하여 RAG 기반 도메인 지식 시스템 구축을 지원하고 있다(Lewis et al., 2020).
GIS 기반 재생에너지 연구에서 RAG가 주목받는 이유는 두 가지 측면에서 찾을 수 있다. 첫째, 재생에너지 자원, 전력망, 건물부하, 정책, 규제, 기술지침 등 분석에 필요한 자료가 여러 데이터 저장소와 문서에 분산되어 있으며, 기존의 키워드 기반 검색만으로는 연구자가 자료의 맥락과 재사용 가능성을 파악하는 데 한계가 있다. 둘째, GIS 분석의 핵심인 공간적 조건(설비 위치, 자원 분포, 토지이용 제약, 인접관계 등)은 일반 LLM이 내부 지식만으로 정확히 처리하기 어려운 영역이다. 이에 본 연구에서는 검토 대상 RAG 연구를 문서 및 데이터 저장소를 대상으로 자료 탐색과 해석을 지원하는 접근과, 공간정보를 활용하여 매핑과 지리공간 추론을 보강하는 접근으로 구분하였다. Table 2는 이 두 흐름에서 사용된 지식원, 검색 및 색인 방식, 연계된 LLM 또는 VLM, 주요 산출물을 비교한 것이며, 이하에서는 문서 기반 RAG와 공간정보 기반 RAG로 나누어 대표 연구의 적용 방식을 검토한다.
Table 2.
LLM-RAG studies for document/data-repository and spatial-information use in GIS-based renewable energy research
| Category | Reference | Embedding / indexing tools | LLM / VLM | Input source | Main output | |
|
Document- based RAG | Weers et al. (2024) | Repository vector RAG | Amazon Bedrock; vector database | ChatGPT | Repository documents | Dataset discovery; technical context explanation |
| Weers et al. (2025) | Amazon Bedrock; Amazon Titan embedding; vector database | OpenAI ChatGPT | Metadata and documents, s | Knowledge exploration | ||
| Weers (2025) | Amazon Bedrock; Cohere embedding; vector database | OpenAI ChatGPT | DOE edocuments and metadata | Cross-domain data search | ||
| Arslan et al. (2024) | Multimodal vector RAG | Sentence-Transformers; FAISS GPU; LangChain | Llama2, Llama3, Llama3.1 via Ollama | Multi-source documents | Decision support | |
| Campi et al. (2025) | Graph-based RAG | LLMGraphTransformer; text-embedding-3-small; knowledge graph | GPT-4o-mini | Regulatory documents | Technical guidance QA | |
| Spatial-information- based RAG | Guo et al. (2026) | Visual RAG | CLIP ViT-B/32; FAISS image index | GPT-4o / VLM | Satellite images | PV inveontory |
| Yu et al. (2025) | Spatial da tabase RAG | Spatial SQL; spatial indexing; text embedding | GPT-4-Turbo and other LLMs | Spatial databases and POIs, | Natural-language spatial QA | |
| Chen et al. (2025) | Geographic knowledge graphed RAG | OSM-based STKG; coordinate-based retrieval | Qwen2.5-32B and other LLMs | OSM-based spatial knowledge graph | Place-based QA |
문서 기반 RAG를 통한 자료 탐색과 해석
GIS 기반 재생에너지 모델링에서는 분석에 필요한 자료를 찾는 것만큼이나, 그 자료의 생성 조건이나 활용 목적을탐색하는 과정이 중요하다. 재생에너지 자원, 전력수요, 전력망, 건물부하, 정책, 규제, 기술지침 등과 관련된 자료는 여러 데이터 저장소와 문서에 분산되어 있으며, 실제 활용에 필요한 설명은 메타데이터(metadata), 기술 보고서, 논문, 규정문서 등에 흩어져 있는 경우가 많다. 기존의 키워드 기반 검색은 사용자가 이미 데이터명이나 관련 용어를 알고 있을 때에는 유용하지만, 연구 목적에 맞는 자료를 탐색하거나 데이터의 가정, 변수, 생성방법, 적용범위를 해석하는 데에는 한계가 있다. 문서 및 데이터 저장소 기반 RAG는 이러한 한계를 보완하기 위해 외부 문서를 검색 가능한 지식원으로 구성하고, 사용자 질문과 의미적으로 관련된 근거를 LLM 답변 생성 과정에 제공한다.
이러한 접근은 AskGDR, AskPRIMRE, AskOEDI와 같은 에너지 데이터 저장소 기반 연구보조 시스템에서 구체화되었다(Weers et al., 2024; Weers et al., 2025; Weers, 2025). 해당 시스템은 사용자가 정확한 데이터셋 명칭이나 전문 검색어를 알지 못하더라도 연구 목적에 부합하는 자료를 탐색하고 해당 자료의 생성 방식, 가정, 한계를 자연어로 파악할 수 있도록 도와준다. 공통적으로 데이터 저장소의 문서와 메타데이터를 수집, 분할, 임베딩하여 검색 가능한 지식원으로 구축한 후, 사용자 질문과 의미적으로 관련된 문서 조각을 벡터 검색을 통해 선별한 후 이를 ChatGPT와 같은 LLM의 답변 생성 과정에 근거로 제공한다 이는 Fig. 4에서 제시한 문서 기반 RAG 흐름에 해당한다. 기존의 파일 단위 검색에서 다루기 어려웠던 데이터의 기술적 맥락과 활용 가능성을 질의응답 방식으로 탐색할 수 있게 한다. 다만 각 시스템은 적용 대상과 범위에서 차이를 보인다(Table 2). AskGDR은 미국 Geothermal Data Repository (GDR)를 대상으로 지열 데이터셋의 수집 방법, 측정 장비, 변수 의미, 가정조건 등 기술적 맥락을 설명하는 데 초점을 둔다(Weers et al., 2024). AskPRIMRE는 해양 재생에너지 분야로 범위를 확장하여 데이터뿐 아니라 환경영향 문서, 기술자료, 소프트웨어, 프로젝트 정보, GIS 기반 자원지도 등 여러 지식 허브(knowledge hub)에 분산된 정보를 통합적으로 탐색하도록 지원한다(Weers et al., 2025). AskOEDI는 특정 에너지원에 한정되지 않고 미국 에너지부 전반의 에너지 데이터 인프라를 대상으로 하며 다양한 에너지 데이터셋의 정의, 생성 방법, 해상도, 변수 체계, 활용 가능성을 질의응답 방식으로 파악할 수 있도록 지원한다(Weers, 2025).
에너지 전환 관련 정보는 다양한 주제로 구성되며 서로 다른 매체에 분산되어 있어 전문 분석 자원이 제한적인 사용자에게는 개별 탐색과 비교에 상당한 부담이 따른다. Arslan et al.(2024)의 Energy Chatbot은 여러 출처의 에너지 문서를 검색 가능한 지식원으로 변환하고, 사용자 질문과 관련된 문서 내용을 찾아 Llama 계열 모델의 답변 생성에 활용하는 벡터 기반 RAG 구조를 구현하였다(Table 2). Energy Chatbot을 통해 사용자는 자연어 질문만으로 에너지 정책 동향, 시장 조건, 기술 개발 현황, 관련 제도와 규제 정보를 통합적으로 파악할 수 있게 된다. 성능 비교 결과, RAG를 적용하지 않은 Llama 3.1 8B 기반 챗봇의 F1-score는 38.4%에 그친 반면, RAG를 결합한 Energy Chatbot은 94.6%를 기록하였다. 이 연구에서는 벡터 기반 RAG가 관련 문서 조각을 효율적으로 검색할 수 있으나 문서 내 개념 간 관계와 규정의 계층적·조건적 구조를 명시적으로 표현하는 데에는 한계가 있다고 지적하였다.
Campi et al.(2025)은 이를 보완하기 위해 에너지효율 관련 지침 및 규제 문서에서 주요 개념과 관계를 추출하고, 이를 지식 그래프로 구성한 뒤 그래프 탐색 결과를 바탕으로 답변을 생성하는 그래프 기반 RAG 구조를 제안하였다(Table 2). 여기서 개념 간 관계 추출이란, ‘인센티브–지원조건–기술’, ‘제도–적용대상–사용자’와 같이 문서 속 정보를 연결된 지식 단위로 구조화하는 과정을 의미한다. 이 방식은 LLM 단독 사용 시 발생할 수 있는 환각(hallucination) 문제와 벡터 RAG가 문서의 관계 구조를 충분히 반영하지 못한다는 한계를 동시에 보완한다. 검증 결과, 에너지효율 관련 101개 질의응답 쌍에 대한 답변의 타당성 평가 점수가 75.2 ± 2.7%를 달성하였고, 이탈리아어와 영어 간 성능 차이가 약 4.4%p 수준에 그쳐 다국어 질의응답 가능성도 확인되었다. 이 언구는 정책 및 기술 문서 기반 RAG가 단순 검색형 구조에서 관계 기반 추론 구조로 확장될 필요성을 보여주는 사례로 볼 수 있다.
공간정보 기반 RAG를 통한 매핑과 공간 추론
공간정보 기반 RAG는 원격탐사 영상, 공간 객체, 좌표, 공간 관계, 지식 그래프와 같은 지리공간 자료를 검색 가능한 외부 지식으로 구성하고, 이를 LLM 또는 VLM의 추론 과정에 결합하는 접근이다. 이는 Fig. 4에서 제시한 공간정보 기반 RAG 흐름에 해당한다. GIS 기반 재생에너지 연구에서는 위치, 거리, 인접성, 포함관계와 같은 공간적 특성과 조건이 중요한 판단 기준으로 작용한다. 일반 LLM은 이러한 공간관계 분석에 취약하다는 한계가 있으며, 기존 GIS 및 원격탐사 모델 역시 자연어 질의와 복합적인 사용자 의도를 해석하는 데 제한적이다. 공간정보 기반 RAG는 검증된 이미지 사례, 공간 데이터베이스, 공간 지식 그래프와 같은 외부 공간 근거를 검색하여 지리공간 추론을 보강한다는 점에서 이 두 한계를 동시에 완화한다.
Solar-RAG는 공간정보 기반 RAG가 재생에너지 매핑에 직접 적용된 사례이다(Guo et al., 2026). 옥상 태양광(photovoltaic, PV) 인벤토리는 배전계통 계획, 수용 용량 평가, 전압 영향 분석 등에 필요한 기초 자료이며, CNN, U-Net, ViT 등 기존 컴퓨터 비전 모델은 지역별 지붕 재료, 도시 형태, 그림자, 영상 조건이 달라질 때 성능이 저하되는 문제가 있다(Guo et al., 2026). Solar-RAG는 이러한 지역 간 분포 차이로 인한 성능 저하를 줄이기 위해 모델을 반복 재학습하는 대신 검증된 옥상 참조 이미지 데이터베이스에서 질의 위성영상과 유사한 사례를 검색하고, VLM이 이를 비교하여 PV 존재 여부, 패널 수량 범위, 영상 내 위치를 추정하도록 하였다(Table 2). RAG가 적용된 GPT-4o는 PV 존재 여부, 패널 수량, 위치 추정에서 80.2–95.4%의 정확도를 보여 단독 GPT-4o를 활용할때 보다 높은 성능을 나타냈으며, 특히 세밀한 시각 해석이 필요한 수량·위치 항목에서 검색의 효과가 두드러졌다. 다만 패널 수량은 정확한 개수가 아닌 구간으로, 위치도 픽셀 수준 분할이 아닌 개략적 범주로 제공되며, 성능은 참조 데이터베이스의 다양성과 대표성에 의존한다는 한계가 있다.
Spatial-RAG는 자연어 공간 질의를 GIS 연산과 연결하여, 단순 텍스트 검색으로 처리하기 어려운 공간적 조건을 반영하는 RAG 구조이다(Yu et al., 2025). 특정 경로 주변의 시설이나 일정 거리 이내의 후보지를 찾기 위해서는 사용자의 의도뿐 아니라 벡터 데이터(point, polyline, polygon), 인접성, 포함관계와 같은 공간 관계(위상)를 함께 해석해야 한다. Spatial-RAG는 질문에서 기준 객체, 대상 객체, 공간 관계, 거리 조건을 추출하고, 공간 데이터베이스에서 유효한 후보를 검색한 뒤, 텍스트 의미 유사도까지 고려하여 최종 답변을 생성한다(Table 2). 연구 결과, 관광 질의응답 데이터셋인 TourismQA-NYC에서는 Precision@12) 기준 최고 기준 모델 대비 19.9%의 성능 개선을 보였다. 지도 기반 질의응답 데이터셋인 MapQA에서는 NDCG (normalized discounted cumulative gain)3)가 최대 52.6% 개선되었으며, recall4)은 75.4% 향상되었다. 해당 연구는 관광 및 지도 기반 질의응답을 중심으로 평가되었으나, 자연어 질의를 공간 데이터베이스 검색과 연결한다는 점에서 GIS 기반 재생에너지 분석에도 확장 가능성이 있다.
GeoRAG는 LLM의 도시 공간 맥락 이해를 보강하기 위해 도시 공간 정보를 지식 그래프로 구조화하여 LLM에 연계하는 접근이다(Chen et al., 2025). 일반 LLM은 지명에 대한 일반적 지식을 보유하고 있을 수 있으나, 실제 도시 내 주변 관심 지점(point of interest, POI), 도로, 행정 계층, 포함관계, 인접관계와 같은 최신 공간 맥락을 정확히 반영하기 어렵다. GeoRAG는 모델 파라미터를 수정하지 않고 OpenStreetMap 기반 시공간 지식 그래프를 구축한 뒤, 질문과 관련된 지명 및 좌표를 기준으로 공간 지식을 검색하여 LLM 프롬프트에 주입한다(Table 2). 도시 공간은 행정 계층, 도로, 관심지점, 포함관계, 인접관계가 연결된 그래프로 표현되며, 검색된 관계는 자연어 공간 맥락으로 변환되어 답변 근거로 활용된다. 다만 GeoRAG가 활용하는 지식 그래프는 사전에 구축된 정적 자료에 기반하므로 도시 공간의 시간적 변화나 실시간 정보를 반영하는 데 한계가 있다고 지적한다.
도메인 특화 학습 및 모델 적응
개요
도메인 특화 학습 및 모델 적응은 범용 LLM을 특정 분야의 자료, 용어, 입력 형식, 분석 과제에 맞게 조정하는 접근이다. 이는 전체 모델을 처음부터 학습하는 방식이 아니라, 도메인 자료를 이용한 미세 조정, 지시 이행 능력 조정, 경량 적응 기법, 입력 표현 변환 등을 통해 기존 파운데이션 모델의 활용성을 높이는 방식이다(Fig. 5). 대표적인 경량 적응 기법인 LoRA(low-rank adaptation)는 기존 모델의 주요 가중치를 고정한 상태에서 일부 저차원 보조 파라미터만 학습하여, 비교적 적은 연산 비용으로 도메인 특화 성능을 개선할 수 있다. 또한 LLM을 영상과 시계열 등 비언어 자료까지 처리할 수 있는 멀티모달 구조로 확장하는 접근이 있다. 멀티모달은 텍스트, 영상, 시계열처럼 서로 다른 형식의 자료를 하나의 모델에서 함께 처리하는 방식을 의미한다. VLM은 이 가운데 시각 자료와 언어 정보를 함께 처리하는 모델이며, 본 연구에서 검토한 VLM 기반 사례는 LLM의 언어 이해 및 추론 능력에 시각 인식 기능을 결합한 멀티모달 LLM에 해당한다. 재생에너지 분석에서는 영상이나 시계열을 모델이 처리할 수 있는 표현으로 변환하고, 이를 텍스트 및 공간정보와 결합하는 과정도 모델 적응의 주요 방식으로 다루어진다(Fig. 5).
GIS 기반 재생에너지 연구에서 이러한 적응 기법이 주목받는 이유는 기존 방법론이 단일 정보원이나 특정 데이터 형식에 의존하는 데 따른 한계를 보완할 수 있기 때문이다. 영상 기반 탐지 모델은 도메인 특화 학습자료와 지역별 재학습에 의존하고, 수치 시계열 기반 발전량 예측 모델은 맥락 파악과 영상 및 텍스트 정보의 통합적 반영에 한계가 있다. 이에 따라 최근 연구들은 파운데이션 모델을 재생에너지 데이터의 특성에 맞게 조정하거나, 다양한 자료 형식을 모델이 처리 가능한 형태로 변환하는 방향으로 발전하고 있다.
이 장에서는 이러한 연구를 두 가지 흐름으로 구분하여 검토한다. 첫째, 재생에너지 설비와 주변 환경을 공간적으로 파악하기 위해 위성영상, 거리뷰 영상 등 시각자료를 활용하는 연구를 다룬다. 둘째, 재생에너지 발전량 예측을 위해 수치형 시계열을 LLM이 처리 가능한 형태로 변환하거나, 시계열과 영상 및 공간정보를 결합하는 시공간 예측 연구를 다룬다. Table 3은 두 흐름의 입력자료, 기반 모델, 적응 방식, 산출물을 비교하여, 재생에너지 GIS 연구에서 기존 파운데이션 모델이 공간 인식과 시공간 예측 과제에 맞게 조정되거나 결합되는 방식을 정리한 것이다.
Table 3.
Foundation model adaptation methods for spatial perception and spatiotemporal forecasting in GIS-based renewable energy studies
| Category | Reference |
Backbone / model type | Foundation-model adaptation pattern | Input | Output |
| Spatial perception | Guo and Weng (2025a) |
GPT-4o multimodal LLM | Visual prompting, task decomposition, JSON schema, fine-tuning | Satellite imagery | Rooftop PV inventory |
| Guo and Weng (2025b) |
GPT-4o multimodal LLM | Cross-region visual reasoning and transfer evaluation | Multi-region satellite imagery | Region transfereable PV detection | |
| Liu (2025) | Grounding-DINO + SAM + LLM | Vision segmentation an LLM-based spatial reasoning | Street-view façade imagery | Installable façade area and PV layout | |
| Forecasting-wind | Liu et al. (2025) | GPT-2 | Time-series decomposition, reprogramming, prompt conditioning, LoRA | Wind power and meteorological time series | Multi-step wind power forecast |
| Fan et al. (2026a) | GPT-2 | Semantic time-series alignment, NWP fusion, LoRA | Wind power, NWP, task prompts | Ultra-short-term wind power forecast | |
| Zhu et al. (2025) | Frozen LLaMA / GPT / BERT | Numerical-to-text representation with prompt prefix | SCADA and meteorological time series | Multi-horizon wind forecast | |
| Wu and Ling (2024) | GPT-2 | Spatiotemporal prompting and localized spatial module | Multi-turbine wind speed and locations | Multi-step wind speed forecast | |
| Forecasting-solar | Fan et al. (2026b) | Qwen-based VLM/LLM | Multimodal spatiotemporal fusion and cross-site attention | PV, weather time series, satellite imagery, text, site locations | Multi-step PV power forecast |
| Lin and Yu (2025) | SigLIP-2 VLM + GPT-2 LLM | Vision, prompt, and time-series fusion | PV time series, sky images, task prompts | Intra-hour PV power forecast |
멀티모달을 활용한 태양광 발전 설비 탐지
GIS 기반 재생에너지 분석에서 위성영상과 거리뷰 영상은 재생에너지 설비 인벤토리 구축과 잠재량 평가의 주요 입력자료이다. 기존 CNN, U-Net, ResNet, ViT 기반 모델은 PV 탐지에 널리 활용되어 왔으나 대량의 주석 데이터와 지역별 재학습이 필요하고 그림자, 반사 표면, 지붕 설비처럼 PV와 시각적으로 유사한 객체가 많은 환경에서는 성능이 저하될 수 있다. 멀티모달 LLM과 VLM은 Fig. 5에 나타낸 것처럼 텍스트 지시문, 도메인 지식, 공간·맥락 정보, 출력 형식 및 불확실성 관련 요구사항을 함께 입력으로 반영할 수 있다는 점에서 이러한 한계를 보완할 수 있다.
PVAL은 GPT-4o 기반 멀티모달 LLM을 이용해 고해상도 위성영상에서 옥상형 PV를 탐지하고, 위치와 수량 정보를 구조화된 형태로 추출한 연구이다(Guo and Weng, 2025a). 연구에서는 과업 분해(task decomposition)를 통해 모델이 영상 확인, PV 존재 여부 판단, 위치 식별, 수량 추정을 단계적으로 수행하도록 하였으며, JSON 스키마를 이용해 출력 형식을 표준화하였다(Table 3). 퓨샷 프롬프팅은 PV 패널 사례와 그림자, 반사 표면, 지붕 설비 등 오탐 가능성이 있는 사례를 함께 제시하여 모델이 판단 기준을 참고하도록 하는 방식으로 적용되었으며, 지도 미세 조정(supervised fine-tuning)은 주석이 달린 PV 영상과 정답 출력 형식을 학습자료로 사용하여, 모델이 PV 판별 기준과 구조화된 출력 형식을 더 안정적으로 따르도록 조정하는 과정으로 수행되었다. 이를 통해 파인튜닝된 PVAL은 U-Net, ResNet, VGG, Inception, ViT보다 높은 탐지 성능을 보였다. 또한 모델이 높은 신뢰도로 판단한 결과는 자동 레이블링에 활용하고, 불확실한 사례는 인간 검토로 넘기는 절차를 도입함으로써 대규모 PV 인벤토리 구축에 필요한 수작업 부담을 줄일 수 있음을 제시하였다.
PVAL의 후속 연구는 서로 다른 지역, 기후 조건, 건축환경에서도 모델이 안정적으로 작동하는지를 검증하는 교차 도메인 일반화 실험으로 확장되었다(Guo and Weng, 2025b). 기준 지역에서는 precision 0.961, recall 0.946, F1-score 0.950을 달성하였으며, CNN, U-Net, ViT 등 기존 모델에 비해 다른 지역으로 적용했을 때의 성능 저하 폭이 작았다. 기존 모델이 지붕 재료, 그림자, 지역별 영상 특성과 같은 시각적 단서에 민감하게 반응한 반면, 연구에서 제시한 멀티모달 LLM은 PV 패널을 색상이나 질감 패턴만이 아니라 의미론적 객체로 인식하여 다양한 도시환경에서 상대적으로 안정적인 공간 전이 가능성(spatial transferability)을 보였다.
SF-SPA는 파운데이션 모델을 외벽형 건물일체형 태양광(building-integrated photovoltaic, BIPV) 잠재량 평가에 적용한 사례로, VLM 기반 시각 인코딩과 LLM 기반 공간 추론을 결합한 접근에 해당한다(Liu, 2025). BIPV는 옥상뿐 아니라 외벽에도 적용될 수 있으나, 외벽은 정사영상만으로 설치 가능 면적을 파악하기 어렵기 때문에 거리뷰 영상의 활용이 필요하다. 그러나 거리뷰 영상은 원근 왜곡을 포함하며, 외벽에는 창문, 문, 발코니, 주변 장애물과 같이 PV 설치가 어려운 영역이 함께 나타나므로 단순 영상 분류나 객체 탐지만으로 설치 가능 면적을 산정하기 어렵다. SF-SPA는 이러한 문제를 해결하기 위해 거리뷰 영상을 기하 보정한 뒤, VLM 기반 시각 인코딩과 자연어 지시 기반 분할을 통해 벽, 창문, 발코니 등 외벽 구성 요소를 구분한다(Table 3). 이후 LLM은 분할된 외벽 요소, 장애물 위치, PV 모듈 크기와 배치 제약을 함께 입력받아 실제 설치 가능한 영역을 추론한다. 최종적으로 도출된 설치 가능 영역은 pvlib 기반 에너지 시뮬레이션과 연결되어 외벽형 PV 발전 잠재량 평가에 사용된다. 4개 도시 80개 건물에 대한 검증에서 설치 가능 면적 추정 오차는 전문가 주석 대비 평균 6.2 ± 2.8%였으며, 외벽 구성 요소 분할 성능을 나타내는 평균 교집합-합집합 비율(mean intersection over union, mIoU)은 0.814로 나타났다. 이 연구는 파운데이션 모델의 시각 인식 결과를 공학적 설계 조건 및 에너지 시뮬레이션과 연결함으로써, VLM과 같은 멀티모달 LLM이 재생에너지 설비 잠재량 평가의 공간 추론 계층으로 활용될 수 있음을 보여준다.
재생에너지 발전량 예측을 위한 시공간 데이터의 파운데이션 모델 적응
재생에너지 발전량 예측은 계통 연계와 발전 스케줄링, 에너지저장장치 운영의 기초가 되는 분석이다. 풍력과 태양광은 기상 조건에 민감하여 출력 변동이 크고 비선형적이므로, 시계열과 기상 자료, 공간관계, 영상 자료를 함께 다루는 시공간 예측 문제로 접근해야 한다. 기존의 딥러닝 시계열·공간 모델은 복잡한 시간 패턴과 공간 관계를 학습할 수 있으나, 예측 과업의 의미와 발전소의 운영 맥락, 영상에 담긴 구름 정보를 통합적으로 활용하는 데에는 한계가 있다. 이러한 한계를 보완하기 위해 멀티모달 LLM을 활용한 예측 연구가 등장하였다. 그러나 사전 학습된 LLM은 기본적으로 텍스트 토큰(token)을 처리하도록 설계되었기 때문에, 수치형 시계열을 그대로 입력할 경우 시간적 패턴과 변수 간 관계를 충분히 해석하기 어렵다. 따라서 재생에너지 예측 연구에서는 Fig. 5의 3번 과정과 같이 발전량 및 기상 시계열을 패치, 토큰, 또는 텍스트형 시퀀스로 변환하여 모델의 입력 공간에 맞추고, 프롬프트 설계나 미세조정을 통해 예측 과제에 적응시키는 과정이 중요하다. 이러한 접근은 크게 두 가지로 구분된다. 하나는 수치형 시계열을 모델의 입력 공간에 맞게 변환한 뒤 모델 일부를 미세조정하는 방식이고, 다른 하나는 시계열을 텍스트와 유사한 표현으로 바꾸어 사전학습된 LLM의 언어 표현 능력을 활용하는 방식이다.
풍력 발전량 예측 연구들은 과거 수치 패턴만 학습하던 기존 시계열 모델에서 나아가, 예측 시점과 입력자료의 통계적 특성, 풍력발전단지의 위치와 운영 조건, 기상 맥락을 프롬프트로 함께 제공함으로써 예측 문제의 조건과 단지의 맥락을 반영하고자 하였다(Table 3). CPLLM-WPF는 풍력 시계열의 다중 시간규모 변동을 다루기 위해 신호 분해 기법인 CEEMDAN으로 시계열을 단기 급변동·중간 규모 패턴·장기 추세 성분으로 나누고 각 성분에 예측 목표와 통계값, 추세, 주요 시차 정보를 담은 프롬프트를 부여한 뒤, 수치 재프로그래밍(numerical reprogramming)과 LoRA 기반 경량 파인튜닝을 결합하였다(Liu et al., 2025). 그 결과 비교 모델 대비 오차를 30% 이상 줄였으며, 6시간 및 9시간 이후 예측에서도 높은 정확도를 유지하였다. M2WLLM은 초단기 풍력발전량 예측을 위해 텍스트 프롬프트와 수치 시계열, 수치예보(numerical weather prediction, NWP) 자료를 하나의 LLM 구조에서 결합하였다(Fan et al., 2026a). 핵심 모듈은 시계열을 짧은 구간으로 나눈 뒤 LLM의 단어 임베딩 공간과 연결하여, 수치형 조각(numerical patch)을 모델이 다루기 쉬운 의미적 표현으로 변환한다. 세 지역 자료에서 주요 딥러닝 모델의 성능을 상회하였으며, 특히 학습자료가 적은 퓨샷 조건에서도 성능이 안정적이어서 신규 풍력발전단지에 대한 적용 가능성을 보였다. CMLLM은 LLM을 고정한 채, 5)SCADA 데이터를 LLM의 언어 임베딩 공간에서 처리 가능한 표현으로 변환하고, 여기에 풍력발전단지의 위치와 설치용량, 자원 조건, 예측 시점을 담은 사전지식 프롬프트(prior knowledge prompt prefix)를 함께 입력하여 수치 패턴과 운영 맥락을 모두 반영하도록 하였다(Zhu et al., 2025). 세 풍력발전단지에서 15분부터 12시간까지의 예측 범위에 걸쳐 여러 시계열 모델보다 낮은 오차를 보였으며, 이 프롬프트를 포함했을 때 오차가 최대 5% 가량 감소하였다. STELLM은 풍속 시계열을 계절 성분과 추세 성분으로 나누어 GPT-2 기반 LLM에 입력하고, 터빈 간 거리와 배치를 알려주는 공간 프롬프트, 과거의 유사 풍속 패턴을 참조하는 시간 프롬프트, 인접 터빈 정보를 반영하는 국지 공간 모듈을 결합하였다(Wu and Ling, 2024). 그 결과 네 개의 공개 데이터셋에서 모두 기존 시계열 모델의 성능을 상회하여, LLM 기반 예측에서도 터빈의 지리적 배치와 인접 관계를 명시적으로 반영하는 것이 중요함을 보였다.
태양광 발전량 예측 연구들은 시계열과 영상, 텍스트, 공간관계의 융합을 한층 강조한다. 기존 태양광 분야의 예측은 시계열 예측, 공간 시계열 예측, 영상 기반 예측이 대체로 독립적으로 발전해 왔으나, 실제 발전량은 이 요소들이 함께 작용한 결과이므로 단일 정보원만으로는 변동성을 충분히 설명하기 어렵다. Solar-VLM은 여러 태양광 발전소의 발전량을 예측하기 위해 발전량 및 기상 시계열 데이터, 위성영상, 텍스트 형태의 기상 설명, 발전소 간 공간관계를 하나의 프레임워크에서 결합한다(Fan et al., 2026b). K-최근접 이웃 그래프로 지리적으로 인접한 발전소를 연결하고, 주변 발전소의 발전량과 기상 및 구름 정보가 대상 발전소의 예측에 기여하는 정도를 모델이 학습하도록 하여 공간적 인접성과 기상 변화의 연관성을 함께 반영하였다(Table 3). 그 결과 여러 시계열 모델 대비 예측 구간에서 가장 낮은 오차를 보였고, 48단계 예측에서는 기존 최고 모델 대비 오차(mean squared error, MSE)를 8.5% 줄였다. 발전소 간 어텐션을 제거하면 오차가 크게 악화되어 발전소 간 공간상관성 반영의 중요성이 확인되었다. PV-VLM은 지상에서 촬영한 전천 영상(sky image)을 활용하는 시간 내(intra-hour) 태양광 예측 연구이다(Lin and Yu, 2025). 영상에서 구름 경계, 구름 밀도, 일사 변화와 관련된 시각적 특징을 추출하고, 과거 발전량의 통계값, 추세, 예측 시점을 프롬프트로 제공하며, 시간 모듈을 통해 발전량 시계열의 변동 패턴을 학습한다. 이후 교차모달 어텐션을 통해 영상, 프롬프트, 시계열 정보 중 예측에 더 중요한 정보를 선택적으로 반영한다(Table 3). 옥상 태양광 자료에서 20분 예측 기준 높은 정확도(R² = 0.948)를 달성하였으며, 학습에 쓰이지 않은 다른 위치의 발전소로 전이했을 때에도 오차가 7–9% 가량 개선되어 일정 수준의 일반화 가능성을 보였다.
LLM의 도구 활용 및 LLM 기반 에이전트
개요
LLM의 도구 활용 및 LLM 기반 에이전트는 LLM이 자연어 이해와 응답 생성에 그치지 않고, 외부 도구를 스스로 선택하여 호출한 뒤 그 결과를 바탕으로 다음 행동을 결정하도록 설계하는 접근이다. 이때 LLM은 분석 목적을 해석하고, 필요한 도구를 선택 및 호출하며, 실행 결과를 바탕으로 후속 행동을 결정한다. 실제 공간 연산이나 수치 계산은 외부 도구가 수행하며, 이러한 기능을 LLM과 결합한 전체 시스템은 LLM 기반 에이전트로 구성될 수 있다(Fig. 6).
재생에너지 GIS 분석은 공간자료 처리, 입지 제약 평가, 잠재량 산정, 환경 영향 검토와 같은 여러 단계가 순차적으로 연결되는 복잡한 분석 절차를 요구하므로, 이를 자율적으로 계획하고 실행하기 위해 LLM 기반 에이전트 구조가 활용될 수 있다. 그러나 도구 활용 및 LLM 기반 에이전트를 GIS와 재생에너지 분석에 함께 적용한 연구는 아직 충분하지 않으며, 관련 연구는 현재 서로 다른 방향에서 발전하고 있다. 하나의 흐름은 일반 공간 분석을 대상으로 LLM이 GIS 작업 흐름을 계획하고 자동화하는 데 초점을 두며, 다른 흐름은 전력계통 모델, 최적화 솔버(solver), 시나리오 분석을 연결하여 재생에너지 시스템 운영과 의사결정을 지원하는 데 초점을 둔다. Table 4는 두 흐름에 속한 세부 연구들을 LLM의 역할, 에이전트 설계 방식, 연계 도구 및 모델 측면에서 비교한 것이며, 이어지는 절에서는 각 흐름에서 도구 활용 및 LLM 기반 에이전트가 구체적으로 어떻게 구현되고 적용되었는지를 살펴본다.
Table 4.
Studies on tool-using and LLM-based agents for GIS workflow automation and renewable-energy model linkage
| Category | Reference | LLM role | Model / agent design | Linked tools or models |
| GIS tool-use and workflow automation | Zhang et al. (2024) | Natural-language task interpreter and GIS tool controller | GPT-4-0613 and GPT-3.5-turbo; ReAct-style tool-use agent | GIS geoprocessing tools |
| Zhang et al. (2025b) | Generator of multi-step GIS tool-use chains | LLaMA-2-7B fine-tuned with LoRA; domain-specific instruction tuning | GIS tool library and simulated GIS environment | |
| Zhang et al. (2025a) | Benchmark target for workflow and code generation | Six LLMs tested: ChatGPT-4o-mini, Claude-3.5-Sonnet, Gemini-1.5-Flash, Llama-3.1-8B, DeepSeek-R1-7B, CodeLlama-7B | Python-based geoprocessing workflows | |
| Han et al. (2026) | GIS analyst agent for planning, coding, execution, and error correction | Single-agent ReAct and dual-agent Plan–Execute–Replan structures; multiple cloud and local LLMs | Open-source Python GIS libraries | |
| Wind-integrated power system operation | Ren et al. (2025) | Uncertainty calibration module for stochastic unit commitment | Two LLM agents based on Microsoft AutoGen; GPT-4 used for probability adjustment | Wind uncertainty model and optimization solver |
| Renewable-energy scenario analysis and policy interpretation | Forootani et al. (2025) | Natural-language explainer for optimization results | LLM-based explanation layer grounded in scenario matching and SHAP feature attribution | Energy-system optimization and explanation tools(SHAP) |
| Power grid control | Zhang et al. (2025c) | Multi-agent planner for grid violation resolution | Topology, Planner, Executor, Validator, and Summarizer agents; tested with Gemini and GPT models | Power flow and grid-control tools |
GIS workflow 자동화 기반 기술
재생에너지 입지 분석, 잠재량 평가, 계통 연계 검토와 같은 GIS 기반 연구는 여러 공간 연산을 정해진 순서로 결합하는 작업 흐름을 요구한다. 태양광 입지 적합성 평가만 하더라도 일사량 분석, 경사도 계산, 토지이용 중첩, 보호구역 제외, 송전망 거리 분석이 단계적으로 연결된다. 기존의 GIS workflow 자동화는 ArcGIS ModelBuilder, QGIS Graphic Modeler와 같이 미리 정의된 도구 체인을 사용자가 구성하고 반복 실행하는 방식이 주를 이루었다. 이 방식은 동일한 분석 조건에서는 효율적이지만, 분석 조건이 달라질 경우 작업 흐름을 다시 설계해야 하는 단점이 있다. 이에 비해 LLM 기반 접근은 Fig. 6와 같이 사용자의 요청을 LLM이 입력으로 받아 과업을 해석하고, 실행 계획을 수립하며, 필요한 도구를 선택한 뒤 결과를 해석하는 방식으로 작동한다. 다만 LLM이 실제 공간 연산을 직접 수행하는 것은 아니므로 관련 연구들은 LLM을 도구 선택, 실행 계획 수립, 중간 결과 해석, 오류 수정의 주체로 두고 실제 계산은 외부 GIS 도구나 파이썬 라이브러리 등이 수행하도록 설계한다.
GeoGPT는 GPT-4를 행위 주체로 활용하여 관심지점 자료 수집, 도로망 수집, 버퍼 및 교차 연산, 토지이용 분류, 시각화 등 외부 GIS 도구를 자연어 지시에 따라 호출한 초기 연구 사례이다(Zhang et al., 2024). 이 연구에서는 분석 수행에 앞서 전체 실행 계획을 먼저 수립하도록 프롬프트를 설계하여, 존재하지 않는 도구를 호출하거나 잘못된 작업 흐름을 생성하는 문제를 줄이고자 하였다. 50개의 자연어 기반 분석 요청에 대한 평가에서 GPT-4 기반 GeoGPT는 100%의 정확도를 보인 반면, GPT-3.5 기반은 66%에 그쳤으며 다섯 개 이상의 외부 도구가 필요한 복잡한 질의에서 성능 저하가 두드러졌다.
GTChain은 오픈소스 LLM이 GIS 도구 사용 절차를 생성하도록 도메인 특화 명령어 튜닝을 적용한 연구이다(Zhang et al., 2025b). 상용 모델에 민감한 공간자료를 전송하기 어려운 환경을 고려하여, 27개 GIS 도구에 대한 4,000개 학습 데이터를 구축하고 LLaMA-2-7B를 LoRA로 파인튜닝하였다. 그 결과 400개 과제에서 75.0%의 정확도를 달성하여 GPT-4와 Gemini 1.5 Pro를 상회하였고, 학습에 포함되지 않은 도구 조합에서도 일정한 성능을 유지하였다. GTChain은 GIS 도구 사용 LLM을 위한 학습자료 구축 전략을 제시한다는 점에서, 향후 재생에너지 분석 도구, 전력계통 모델, 최적화 솔버와 연계되는 도메인 특화 LLM 개발에도 참고될 수 있다.
GeoGPT와 GTChain이 LLM 기반 GIS tool-use의 가능성을 제시하였다면, 이러한 시스템이 실제로 얼마나 정확하고 신뢰할 수 있는지, 그리고 인간 전문가의 분석 논리와 얼마나 유사한 결과를 생성하는지에 대한 체계적인 평가는 아직 부족하였다. GeoAnalystBench는 이 공백을 채우기 위해 제안된 benchmark로, LLM이 생성한 GIS workflow와 코드를 인간 전문가 설계 결과와 직접 비교·평가하는 framework를 제공한다(Zhang et al., 2025a). 50개의 파이썬 기반 다단계 공간정보 처리 과제에서 6개 LLM을 비교한 결과, 상용 모델들은 93% 이상의 비율로 실행 가능한 GIS 분석 절차를 생성하였다. 그러나 공간 관계 해석, 입지 선정, 경로 최적화처럼 판단이 필요한 과제에서는 여전히 오류가 발생하였다. 또한 데이터셋 설명과 도메인 지식을 함께 제공했을 때 성능이 향상되어 GIS 자동화에서는 과제 지시와 함께 데이터 형식, 속성, 공간 개념을 명확히 제시하는 프롬프트 설계가 중요함을 확인하였다.
GISClaw는 GeoAnalystBench를 활용하여 표준화된 다단계 GIS 과제에서 시스템 성능을 검증한 사례이다(Han et al., 2026). 상용 GIS 소프트웨어 없이 오픈소스 파이썬 라이브러리만으로 데이터 구조 확인, 코드 실행, 중간 결과 검토, 오류 수정을 반복하며 작업 흐름을 완성한다. 평가 결과, 최신 모델을 사용한 단일 LLM 기반 에이전트는 50개 과제를 모두 성공적으로 수행하고 일부 기계학습 기반 공간 모델링도 처리하였다. 그러나 도메인 특화 수치 지식이 필요한 과제에서는 오류가 발생하였고, 동일 조건에서도 실행마다 성패가 달라지는 경우가 있어 단일 실행만으로 신뢰성을 판단하기 어렵다는 한계가 확인되었다.
재생에너지 모델-최적화 연계
재생에너지 시스템 분석에서는 발전량 예측, 시나리오 구성, 계통 제약 반영, 운영 최적화, 결과 해석이 연속적으로 연결되어야 한다. 그러나 이 과정에서는 단순한 비용 최소화뿐 아니라 불확실한 입력을 어떻게 구성할지, 여러 제어 수단을 어떤 순서와 조합으로 적용할지, 복잡한 결과를 어떻게 해석할지에 대한 판단이 함께 요구된다. 기존 수리 최적화 모델은 물리적 제약과 비용 계산에는 강하지만, 이러한 맥락적 판단을 함께 처리하는 데에는 한계가 있다. 이 절의 연구들은 LLM을 최적화 모델의 대체 수단이 아니라, 입력 보정, 결과 해석, 제어 전략 수립을 지원하는 보완적 추론 모듈로 활용한다.
LLM-SUC는 풍력 발전량의 불확실성을 발전기 운용 최적화에 반영하기 위해 LLM을 활용한 사례이다(Ren et al., 2025). 기존 확률 기반 발전기 운용 최적화는 예측 오차 분포를 단순화하여 실제 풍력 예측 오차의 편향을 충분히 반영하지 못할 수 있다. 이 연구에서는 두 개의 LLM 기반 에이전트를 순차적으로 배치하여, 첫 번째 에이전트가 과거 예측값과 실제 발전량의 차이를 바탕으로 불확실성 분포를 보정하고, 두 번째 에이전트가 이를 최적화 모델에 입력 가능한 수치로 변환하도록 하였다(Table 4). 이렇게 추론과 수치 변환을 분리함으로써 LLM 출력의 불안정성이 최적화에 직접 유입되는 위험을 줄였다. 보정된 확률 정보를 기존 최적화 모델에 입력한 결과, 10회 독립 실험에서 일일 운용 비용은 약 1.1–2.7%, 전력 미공급량은 약 26.3% 감소하였다.
LLM은 최적화 모델의 입력을 보정하는 것뿐 아니라, 계산된 결과를 다양한 이해관계자가 이해할 수 있도록 설명하는 역할도 수행할 수 있다. RE-LLM은 에너지시스템 최적화 결과를 자연어 설명으로 전환하기 위해, 독일의 토지 기반 온실가스 감축 문제를 대상으로 26개 정책 시나리오를 생성하고, 모델 결과에 대한 입력 요인의 기여도를 설명하는 SHAP(Shapley Additive exPlanations) 분석을 통해 각 시나리오 결과의 주요 영향 요인을 정량화하였다(Forootani et al., 2025). LLM은 이 기여도 정보를 근거로 주요 영향 요인과 감축 전략의 변화를 설명한다. 예를 들어 “CO₂ 가격이 20% 오르면 어떻게 되는가?”라는 질문에 대해 관련 시나리오를 찾아 결과 변화의 원인을 자연어로 제시한다. 연구에서는 LLM이 최적화 결과를 임의로 해석하지 않고, 사전 계산된 시나리오와 SHAP 기반 근거를 바탕으로 설명을 생성하도록 했다는 점에서 의미가 있다. 다만 LLM이 최적화 과정을 직접 제어하지는 않고, 계산된 결과를 해석하고 전달하는 역할에 머문다는 한계가 있다.
Grid-Agent는 LLM을 전력망 제어 전략의 중심 추론 주체로 활용한 사례이다(Zhang et al., 2025c). 전압 이상, 선로 과부하, 전력 고립이 동시에 발생할 경우 개별 문제를 순차적으로 처리하면 하나의 조치가 여러 문제를 함께 완화할 가능성을 충분히 활용하기 어렵다. Grid-Agent는 계통 상태 정리, 제어 전략 수립, 전력 흐름 계산, 결과 검증, 대응 과정 요약을 담당하는 여러 LLM 기반 에이전트로 구성하여 전력망 재구성, 배터리 운용, 부하 조정과 같은 제어 수단을 조합적으로 검토하도록 하였다(Table 4). 이는 Fig. 6에서 LLM 기반 에이전트 시스템이 계획을 수립한 뒤 외부 에너지 모델을 호출하고, 실행 결과를 관찰·해석하여 필요 시 계획을 갱신하는 반복 구조에 해당한다. 검증에 실패하면 이전 상태로 되돌아가 전략을 다시 생성하도록 설계되어 단일 조치의 효과와 부작용을 반복적으로 점검할 수 있다. 다양한 규모의 전력망 실험에서 주요 LLM을 적용한 Grid-Agent 시스템은 모든 시나리오의 이상을 해소하였고, 하나의 조치로 평균 약 3개의 위반을 동시에 완화하였다. 다만 탐색적 성격이 강해 기존 최적화 기법과의 정량적 비교는 향후 과제로 남는다.
토 의
GIS 기반 재생에너지 모델링은 규제 문서, 공간 자료, 시계열 자료, 분석 모델이 함께 다루어지는 복합적 분석 과정이다. 기존의 GIS 분석과 이를 보완해 온 머신러닝·딥러닝 모델은 정형 자료와 명확한 계산 절차가 주어질 때 높은 성능을 보이지만, 실제 재생에너지 계획에는 정책 목표, 규제 문서, 지역 맥락, 이해관계자 판단과 같은 비정형 요소가 함께 개입한다. 본 연구에서 검토한 네 범주의 연구들은 LLM이 이러한 요소를 해석하고 구조화하여 기존 분석모델의 입력과 판단 근거로 연결할 뿐 아니라, 의미와 맥락을 함께 해석해 분석 결과를 직접 산출하고, 여러 도구와 전문 모델의 실행을 상황에 맞게 구성하는 역할까지 수행함을 보여준다. 이러한 역할은 재생에너지 공간 분석을 정형 자료와 고정된 절차에 의존하는 계산 중심의 접근에서, 맥락을 이해하고 상황 변화에 대응하는 분석으로 확장한다는 점에서 의의가 있다. 다만 이러한 활용 방식은 과제의 성격에 따라 서로 다른 기법과 결합으로 구현되며, 어떤 경우에도 출력의 신뢰성을 확보하기 위한 검증이 요구된다.
이러한 관점에서 토의에서는 세 가지 측면을 중심으로 논의를 전개한다. LLM이 재생에너지 공간 분석의 각 단계에서 기존 방법을 보완하는 지점을 검토한다. 다음으로 과제 특성에 따라 각 LLM 방법이 어떻게 선택되고 결합될 수 있는지 정리한다. 마지막으로 LLM 기반 접근의 한계와 이를 보완하기 위한 향후 연구 방향을 제시한다.
재생에너지 공간 분석에서 LLM의 역할과 의의
LLM이 재생에너지 공간 분석에서 수행하는 역할은 분석 과정에서 맡는 기능에 따라 구분할 수 있다.
첫째, LLM은 비정형 정보와 정량 분석 모델 사이를 연결한다. 비정형 규제 텍스트는 프롬프팅을 통해 입지 제약조건으로 구조화되고, 공간적 참조가 없는 일반 지식은 공간정보 기반 RAG를 통해 위치와 근거가 결합된 정보로 보강되며, 자연어로 제시된 분석 요구는 LLM 기반 에이전트를 통해 실행 가능한 작업 절차로 구체화된다. 이 역할의 핵심은 단순히 정보 처리 속도를 높이는 것이 아니라, 기존 정량 분석에 포함되기 어려웠던 정책 목표, 지역적 맥락, 조례의 예외 및 판단 기준을 분석 가능한 형태로 전환하여 실제 모델의 입력과 분석 절차에 연결하는 데 있다. 그동안 정량 분석에 활용되는 정보는 사람이 문서를 읽고 수치 기준이나 공간 제약으로 옮길 수 있는 범위에 제한되었으며, 문서에만 서술된 조건은 분석 과정에서 제외되거나 소수의 기준으로 단순화되기 쉬웠다. 특히 재생에너지 입지평가에서 정책문서의 규제 조건을 GIS 연산에 사용할 수 있는 공간 제약으로 정리하고, 이를 잠재량 평가나 에너지시스템 모델의 입력으로 연결하는 과정은 반복적인 수작업이 요구되는 대표적인 병목이었다. LLM은 이러한 정보의 해석과 구조화를 자동화함으로써 분석 부담을 줄이는 동시에, 정량 분석에 반영할 수 있는 정보의 범위를 확장한다. 따라서 변환 및 연결 과정에서 LLM이 갖는 의의는 단순한 업무 자동화를 넘어, 기존 정량 분석의 정보적 범위를 넓힌다는 데 있다.
둘째, LLM은 자료의 표면적 패턴을 넘어 의미와 맥락을 함께 해석하여 분석 결과를 직접 산출한다. 영상 기반 설비 탐지에서 멀티모달 LLM은 시각 패턴뿐 아니라 객체의 의미와 설치 맥락을 함께 해석함으로써, 배경 조건이 달라져도 설비의 존재·위치·수량을 구조화된 출력으로 통합하고 지역 간 전이 가능성을 높인다. 발전량 예측에서는 기존 시계열 기반 예측이 반영하지 못했던 예측 시점, 발전소 위치, 기상 조건, 설비 특성을 프롬프트나 보조 입력으로 결합하여, 출력 변동성을 시공간 맥락에서 해석하는 방향으로 예측을 확장한다. 기존 모델에서 이러한 조건들은 별도의 변수로 설계되어 학습에 반영되어야 했고, 대상 지역이나 설비가 달라지면 모델과 학습자료를 다시 구성해야 했다. 반면 LLM은 자연어와 다양한 형식의 자료를 그대로 입력으로 받아들이므로, 분석에 필요한 맥락을 모델 구조의 변경 없이 결합할 수 있다. 이는 재생에너지 공간 분석에서 지역마다 조건이 달라지는 문제에 대응할 수 있는 접근으로서 의미를 가진다.
셋째, LLM은 여러 분석 도구와 전문 모델의 실행을 구성한다. LLM 기반 에이전트는 사용자의 분석 목적을 해석하여 필요한 GIS 도구나 에너지 모델을 선택하고, 중간 결과에 따라 다음 작업을 결정한다. 기존의 GIS 자동화가 미리 정해진 작업 순서를 반복하는 방식이었다면, LLM 기반 접근은 입력자료와 실행 결과에 따라 절차 자체를 조정할 수 있다는 점에서 구분된다. 따라서 이 역할의 의의는 도구를 대신 호출하는 데 있는 것이 아니라, 분석 목적과 계산 절차 사이의 연결을 상황에 맞게 구성한다는 데 있다.
LLM 기법의 선택과 결합: 과제 특성에 따른 활용 전략
LLM 기법은 과제가 요구하는 기능이 해석인지, 근거 확보인지, 도메인 적응인지, 실행 조율인지에 따라 선택되어야 한다. 재생에너지 공간 분석은 문서 해석, 공간자료 탐색, 설비 탐지, 발전량 예측, 분석 실행, 결과 설명이 연결되는 복합적 작업이므로 하나의 기법으로 전 과정을 처리하기 어렵다. 검토한 연구들은 범위가 명확한 정보 추출에는 프롬프팅이 효과적이고, 도메인 지식 또는 근거 부족으로 오류가 발생할 가능성이 큰 경우에는 RAG나 파인튜닝이 요구되며, 다단계 복합 과제에는 에이전트 기반 접근이 적합하다는 선택 논리를 공유한다. Table 5는 네 가지 LLM 기법의 주요 역할과 적합 과제, 선택 및 결합 조건, 적용 시 고려사항을 종합하여 제시한다.
Table 5.
Selection and combination strategies for LLM techniques in GIS-based renewable energy analysis
문서 기반 과제에서 RAG가 항상 프롬프팅보다 우월한 것은 아니다. 지역마다 표현 방식이 다르고, 이격거리 값이 표 형식으로 제시되며, 여러 조건이 계층적으로 결합된 조례에서는 벡터 유사도 검색만으로 정확한 구조화 추출을 수행하기 어렵다. 이러한 경우에는 전문가가 설계한 다단계 의사결정 트리 프롬프팅이 더 안정적인 결과를 제공할 수 있다. 반대로 조건과 예외가 여러 문서에 분산된 정책 및 기술문서에서는 RAG가 관련 근거를 제공하고, 프롬프팅이 해당 근거를 단계적으로 해석하도록 유도하는 결합이 효과적이다. 적용 대상, 조건, 공간 범위처럼 관계 구조가 중요한 규제 정보는 개념 간 관계를 주어 구조화하는 그래프 기반 RAG와 결합될 때 의사결정 지원에 더 적합하다.
재생에너지 특화 데이터가 중심이 되는 과제에서는 도메인 적응과 멀티모달 결합이 함께 고려되어야 하며, 이 결합 자체가 성능 향상의 주요 원천이 된다. 영상 기반 설비 탐지에서는 퓨샷 프롬프팅과 파인튜닝의 결합, 검증된 참조 영상의 검색 기반 주입이 재학습 없이 지역 간 성능 저하를 줄이는 효과를 보였다. 멀티모달 입력, 참조 사례, 출력 형식 통제가 함께 작동할 때 설비 탐지의 일반화 가능성이 높아질 수 있다.
발전량 예측에서도 도메인 적응과 공간정보 결합, 그리고 프롬프팅의 활용은 중요한 역할을 한다. 시계열의 표현 변환과 함께 발전소 위치·용량·자원 조건을 프롬프트로 결합하는 방식이 예측 성능을 개선하였고, 공간 프롬프트나 발전소 간 관계 정보를 제거할 때 성능이 저하되는 결과는 GIS 고유의 공간 정보를 명시적으로 주입하는 것이 중요함을 보여준다. 파인튜닝은 반복성이 높은 과제에서 출력 일관성을 높일 수 있지만, 지역 과적합의 위험이 있으므로 새로운 지역이나 조건으로 확장할 때는 RAG, 참조 데이터베이스, 외부 검증자료와 결합하는 것이 바람직하다.
여러 분석 단계가 연결되는 과제에서는 LLM 기반 에이전트가 직접 계산하는 모델이 아니라 조율자로 활용된다. 공간 연산은 GIS 도구가, 발전량 계산이나 최적화는 전문 모델이 수행하고, LLM은 분석 목적을 해석해 도구를 적절한 순서로 연결하며 단계 간 입출력을 정리한다. 이 구조에서 신뢰성은 에이전트의 존재 자체보다 결합 방식에 좌우된다. 추론과 추출 역할을 분리해 최적화 solver 입력을 안정화하거나, 계획·실행·검증·복원 단계를 나누어 제어 전략이 안전 검증을 거치도록 설계한 사례가 이를 보여준다.
LLM 기법 선택의 또 다른 쟁점은 범용 LLM 활용과 도메인 특화 모델 구축 사이의 균형이다. 범용 LLM을 프롬프팅이나 RAG와 함께 활용하는 접근은 비용이 낮고 유연하지만 보안성과 도메인 정합성에서 한계가 있으며, 도메인 특화 파인튜닝은 로컬 배포가 가능하고 특정 과제에서 높은 성능을 보이지만 데이터 구축과 유지 비용이 크다. 보안 환경에서 오픈소스 모델을 추가 학습한 사례가 상용 모델을 능가한 결과는, 최적의 접근이 단일하지 않으며 과제의 위험도, 보안 요구, 자료 구조, 반복성에 따라 적절한 선택이 달라질 수 있음을 보여준다. 결국 LLM 기법의 결합은 분석 단계별 역할 분담으로 이해할 수 있다. 프롬프팅은 해석 절차를 구성하고, RAG는 근거를 제공하며, 도메인 특화 모델링은 재생에너지 자료를 과업에 맞는 표현으로 변환하고, 멀티모달 LLM과 VLM은 영상, 시계열, 텍스트, 공간관계를 함께 해석하며, 에이전트는 이를 GIS 도구와 에너지 모델의 실행 흐름으로 연결한다.
한계 및 향후 과제
검토한 선행연구 대부분이 전문가 검토를 필수 절차로 제시한다는 점은 현재의 LLM 기반 GIS 재생에너지 분석이 완전한 자율 분석 기술이라기보다 연구자의 판단과 전문 모델을 보완하는 증강 도구의 단계에 있음을 보여준다. 이러한 위치에서 LLM 기반 접근은 여러 공통된 한계를 가진다.
가장 근본적인 한계는 출력의 신뢰성이다. 프롬프팅 기반 접근은 규제 정보나 입지 기준을 빠르게 추출할 수 있으나, 답변 불일치와 검색 결과의 편향에 영향을 받으며 temperature6)를 0으로 설정하더라도 출력이 완전히 고정되지 않는다. 동일한 질의를 반복할 경우 후보지 순위나 판단 근거가 달라질 수 있어, 고위험 의사결정에서는 반복 실행을 통한 안정성 평가와 전문가 검토가 요구된다. 특히 추출된 규제 조건이 곧바로 입지 최적화나 시뮬레이션으로 이어지는 연쇄 구조에서는 초기 오류가 후속 결과로 전파될 위험이 크다. 모델 버전과 프롬프트 표현에 따른 재현성 문제도 있으므로, 분석 모델, 실행 시점, 프롬프트, 주요 설정값을 기록하고 공개하는 절차가 필요하다.
LLM이 데이터에 나타난 표현 간 연관성에 기반해 판단하며 인과적 타당성을 보장하지 못한다는 점도 한계이다. AHP 가중치 재현 연구에서 LLM은 문헌에서 자주 언급되는 송전망 접근성을 상대적으로 크게 평가한 반면, 전문가가 중요하게 고려한 일사량, 방향각, 경사도와 같은 물리적 입지 조건은 낮게 평가하였다. 이는 빈도 높은 표현을 중요도로 오인할 수 있음을 보여준다. 따라서 물리적 인과관계와 지역적 타당성이 중요한 과제에서는 LLM 출력을 그대로 신뢰하기 어려우며, 전문가 검토와 교차 검증이 함께 이루어져야 한다.
RAG와 지식그래프 기반 접근은 응답의 근거성을 높이지만 검색 자료의 품질과 구조에 크게 의존한다. 벡터 검색은 관련 문서를 찾는 데 유용하나 규정의 계층 구조, 조건부 해석, 예외 조건을 명확히 표현하기 어렵고, 공간정보 기반 RAG도 정적 지식그래프에 의존할 경우 빠르게 변화하는 정보를 즉시 반영하기 어렵다. 향후에는 문서 검색과 관계 구조화를 결합하여 규제의 대상, 조건, 공간 범위를 명시적으로 표현하고, 최신 공간자료를 반영하는 동적 갱신 체계를 갖출 필요가 있다.
도메인 특화 LLM은 기존 머신러닝 및 딥러닝 방법보다 지역 간 적용 가능성을 높이지만, GIS 분석과 발전량 산정에 직접 활용하기에는 공간 정밀도가 충분하지 않다. 일부 연구는 태양광 패널의 존재 여부, 위치, 개수 범위와 같은 범주형 결과를 제공하나, 정밀한 면적 산정에 필요한 픽셀 단위 분할이나 패널 기하 정보까지 수행하지는 못한다. 발전량 예측 연구도 특정 지역과 짧은 기간의 자료에 기반한 경우가 많아 추가 검증이 필요하다. 향후 연구는 LLM의 결과를 영상 분할, 면적 추정, 3차원 도시모델, 발전량 산정 모델과 연결하고, 여러 지역과 기후권을 포함하는 데이터셋과 공개 평가 기준을 구축하여 일반화 가능성을 정량적으로 검토해야 한다.
도구 활용 및 에이전트 기반 LLM에서는 오류 전파의 위험과 이에 대한 검증이 특히 중요하다. 에이전트는 여러 도구와 모델을 연결해 복합 분석을 구성하지만, 한 단계의 잘못된 판단이나 도구 선택이 이후 계산과 해석까지 영향을 준다. 따라서, LLM이 제안한 전략은 전문 계산모델과 전문가 검토로 확인되어야 하며, 자동 실행 성능보다 중간 결과 확인과 물리적 타당성 검증을 갖춘 분석 구조가 요구된다.
마지막으로 LLM 활용에 따른 계산 비용과 에너지 소비도 고려되어야 한다. 재생에너지 분석은 설비 배치 효율화와 전력망 부담 완화를 목표로 하지만, 대규모 LLM의 반복 호출과 멀티모달 추론, 에이전트 실행은 상당한 계산 자원과 전력을 요구하여, 재생에너지 계획을 지원하는 AI 도구가 또 다른 에너지 부담을 만드는 역설이 발생할 수 있다. 향후 과제 난이도에 따라 모델 규모를 조정하고, 도메인 특화 경량 모델, 결과 재사용 전략 등을 함께 고려해야 한다. 분석 효율성과 에너지 비용을 함께 평가할 때 GIS 기반 재생에너지 모델링에서 LLM 활용은 더 지속가능한 방향으로 발전할 수 있다.
결 론
본 연구에서는 GIS 기반 재생에너지 모델링에서 LLM이 활용되는 방식을 프롬프팅, RAG, 도메인 특화 학습 및 모델 적응, 도구 활용 및 LLM 기반 에이전트의 네 범주로 구분하여 검토하였다. LLM은 재생에너지 공간 분석에서 단순한 자연어 처리 도구에 머무르지 않고, 비정형 정보와 정성적 판단을 정량 분석과 공간 분석에 활용 가능한 자료, 조건, 판단 근거로 전환하는 역할을 수행하였다. 정책 및 규제 문서는 공간 분석 조건으로, 외부 지식과 공간 데이터베이스는 응답의 근거로, 영상, 시계열, 텍스트 자료는 통합 해석 가능한 표현으로, 자연어 요구는 GIS 도구와 에너지 모델을 연결하는 실행 절차로 변환되었다. 이러한 점에서 LLM의 주요 기여는 기존 GIS 및 에너지 모델이 충분히 다루기 어려웠던 의미 정보, 지역 맥락, 분석 의도를 모델링 과정에 포함시킨 데 있다. 다만 현재까지의 LLM 기반 GIS 재생에너지 연구는 입지 규제 해석, 설비 탐지, 발전량 예측, 분석 자동화, 결과 설명과 같은 개별 과제에 집중되어 있으며, 정책 검토에서 공간 분석, 계통 연계, 운영 의사결정까지 이어지는 전 과정을 에이전트 기반 분석 체계로 통합하여 실증한 사례는 제한적이다. LLM은 개별 분석 기능을 확장하고 이를 연결하는 공통 인터페이스로서, 재생에너지 공간 분석을 통합적 분석 체계로 발전시키기 위한 중요한 연구 방향을 제시한다.
향후 연구에서는 세 가지 과제를 고려할 필요가 있다. 첫째, 재생에너지 도메인에 특화된 평가 기준과 벤치마크를 구축해야 한다. 현재 연구들은 평가 지표와 실험 조건이 상이해 기법 간 성능을 엄밀하게 비교하기 어렵고, 실제 계획 및 정책 의사결정에서 요구되는 신뢰성 수준을 판단하기에도 한계가 있다. 둘째, 검증 가능한 분석 구조를 설계해야 한다. LLM 에이전트의 자동 실행 능력뿐 아니라 중간 결과 확인, 계산 결과 검토, 물리적 제약 검증, 반복 실행 안정성 평가를 포함하는 구조가 필요하다. 셋째, LLM 활용의 계산 비용, 효율성과 지속가능성을 함께 고려해야 한다. 재생에너지 모델링은 전력 시스템의 효율화와 저탄소 전환을 지원하기 위한 분석임에도, 대규모 LLM의 반복 호출과 멀티모달 추론은 상당한 계산자원과 전력을 요구할 수 있다. 따라서 과제의 난이도와 위험도에 따라 모델 규모를 조정하고, 경량 모델, 도메인 특화 소형 모델, RAG 기반 보완, 결과 재사용 전략을 병행할 필요가 있다. 이러한 과제가 신뢰할 수 있는 공간자료, 도메인 지식, 전문 계산모델과 결합될 때, LLM은 GIS 기반 재생에너지 모델링의 효율성과 설명가능성을 높이고 실제 계획 및 정책 의사결정에 활용 가능한 분석 도구로 발전할 수 있을 것이다.
