1. 서 론 

전력시장의 변화는 시장가격과 전력구입비뿐만 아니라 발전계획과 계통운영 전반에 영향을 미친다. 새로운 시장제도가 도입되거나 연료가격과 발전설비 구성이 변화할 경우, 그 영향이 어느 범위까지 확산되는지, 비용과 운영조건은 어떻게 달라지는지를 사전에 파악할 필요가 있다. 전력시장 분석은 이러한 변화를 정량적으로 검토하고, 다양한 대안을 동일한 기준에서 비교함으로써 운영·계획·정책 수립에 필요한 판단 근거를 제공하는 과정이다.

그러나 실제 분석은 하나의 모형을 실행하여 결과를 얻는 것으로 끝나지 않는다. 분석자는 관련 규정과 보고서에서 적용 기준을 확인하고, 여러 시스템에 분산된 운영 데이터를 수집·정제한 후 분석 목적에 맞는 입력 조건과 시나리오를 구성해야 한다. 모형을 실행한 뒤에는 결과가 어떤 데이터와 가정에 기반하여 도출되었는지 검증하고, 조건을 변경해 가며 다양한 대안을 반복적으로 비교해야 한다. 이 과정에서 자료와 도구가 분산되어 있으면 정보 탐색과 입력 준비에 많은 시간이 소요되고, 동일한 분석이라도 담당자의 경험과 숙련도에 따라 수행 절차와 결과 설명이 달라질 수 있다.

한전 전력연구원은 이러한 전력시장 분석 업무를 체계화하기 위해 차세대 전력시장 종합 분석 솔루션인 MTAS 3.0을 개발하고 있다. MTAS 3.0은 다양한 시장·설비·계통 조건을 반영해 시나리오를 구성하고, 최적화와 시뮬레이션을 통해 대안별 영향을 정량적으로 비교·분석하는 핵심 분석 기반이다. 다만 실제 업무에서는 모형의 계산 기능뿐 아니라 분석에 필요한 문서와 데이터를 찾고, 입력 조건을 구성하며, 실행 결과의 근거와 한계를 확인하는 과정까지 유기적으로 연결되어야 한다.

MTAS AI는 분석 전후의 업무를 지원하기 위한 지능형 분석 지원 계층이다. 사내 전력시장 관련 문서와 운영 데이터베이스·분석 도구를 자연어 기반으로 연결하여 사용자의 분석 목적을 구체적인 작업으로 전환하고, 필요한 근거와 데이터를 탐색하며, 분석 결과와 그 한계를 추적 가능한 형태로 제시한다. MTAS AI의 목적은 전문가의 판단을 대신하는 자동 의사결정 시스템을 구축하는 데 있지 않다. 오히려 분석 과정에서 반복적으로 수행되는 정보 탐색, 데이터 준비, 입력 조건 구성 및 결과 확인을 지능적으로 지원함으로써 분석 절차의 일관성과 재현성을 높이는 데 있다. 

본고에서는 MTAS 3.0과 MTAS AI의 역할과 연계 구조를 살펴보고, 검색 증강 생성(RAG) 기반 지식 검색을 AI 에이전트 기반 분석 플랫폼으로 고도화하기 위한 기술 구조와 향후 발전 방향을 소개한다.

2. MTAS 3.0의 분석 기능과 

AI 기반 고도화 배경

MTAS 3.0은 실시간 전력시장과 보조서비스 시장, 중·장기 에너지계획을 분석하기 위해 개발 중인 차세대 전력시장 종합 분석 시스템이다. 전원 Mix 분석 시스템, 실시간 전력시장 분석 시스템, 수요관리자원 분석 시스템, 계통분석 연계 시스템, 수요입찰 시스템으로 구성되며, 각 시스템을 독립적으로 활용하거나 전원 Mix 계획, 중장기 발전계획, 단기 정밀 발전계획의 순으로 연계하여 분석할 수 있도록 설계되어 있다.

분석자는 수요와 연료가격, 발전기 기술 특성과 입찰정보, 발전설비 구성, 재생에너지 보급, 시장제도, 송전제약 등의 조건을 기준 시나리오와 대안 시나리오에 반영하고 그 결과를 비교할 수 있다. 이를 통해 실시간 및 보조서비스 시장의 SMP와 예비력가격, 전력구입비를 분석·예측하고, 발전계획의 정합성을 검증할 수 있다. 또한 중장기 전원 Mix와 수요관리자원의 진입 및 발전계획을 최적화하고, 이에 따른 비용 영향을 분석할 수 있다. 계통해석 결과를 송전제약 시나리오로 변환하여 발전계획에 반영하고, 제약조건 적용 전후 결과를 비교하는 기능도 제공한다.

이를 위해 MTAS 3.0은 전력거래소의 시장·계통 정보와 사내 NPTS, MDMS, SCADA 등의 운영 데이터를 통합 데이터베이스로 연계한다. 수집된 데이터의 전처리와 입력 자료 생성을 거쳐 발전계획 및 전원 Mix 최적화, 전력시장 시뮬레이션, 가격 결정 정합성 검증, 계통분석 정보 연계를 수행하며, 분석 조건 설정부터 모형 실행과 결과 비교까지의 과정을 하나의 업무 흐름으로 지원하도록 개발되고 있다.

그러나 이러한 종합 분석 기능을 실제 업무에 효과적으로 활용하기 위해서는 관련 규정과 분석 지침을 확인하고, 사용자의 분석 목적을 구체적인 분석 조건으로 변환하며, 실행 결과의 근거와 한계를 검토하는 과정이 필요하다. 특히 분석 조건이 변경될 때마다 필요한 자료와 기능을 다시 탐색하고 선택해야 하므로, 분석 준비와 실행 과정의 효율성은 물론 절차의 일관성과 재현성을 높일 수 있는 지능형 지원 기능이 요구된다.

MTAS AI는 MTAS 3.0의 데이터 연계·최적화·시뮬레이션 기능을 대체하는 별도의 계산 시스템이 아니라, 사용자의 자연어 요청을 바탕으로 필요한 문서와 운영 데이터를 탐색하고 MTAS 3.0의 분석 기능을 선택·연계하여 실행 전후의 업무를 지원하는 지능형 분석 지원 서비스로 고도화되고 있다. 분석 목적을 세부 작업으로 구분하고, 입력 조건 구성과 기초 분석을 지원하며, 분석 결과와 함께 활용한 문서의 근거, 데이터 범위, 적용 조건 및 해석상의 한계를 제시함으로써 분석자가 결과를 직접 확인하고 재검토할 수 있다.

MTAS AI는 외부 생성형 AI에 제공하기 어려운 사내 문서와 전문가 지식을 폐쇄망에서 검색·활용하는 검색 증강 생성(RAG) 서비스로 시작하였다. 현재는 시장 운영 데이터베이스 조회와 Python 기반 데이터 분석으로 기능 범위를 확대하고 있으며, 향후에는 사용자가 승인한 분석 조건을 MTAS 3.0의 시뮬레이션 및 최적화 기능으로 전달하고, 실행 결과를 검증하는 단계까지 연계할 계획이다.

3. AI 에이전트 기반 MTAS AI 기술

MTAS AI 고도화의 핵심은 기존의 검색 증강 생성(RAG) 기능을 대체하는 데 있지 않다. 문서 검색을 기반으로 시장 운영 데이터 조회와 분석, 시나리오 구성, 향후 MTAS 3.0의 시뮬레이션 실행까지를 하나의 분석 흐름으로 연결하는 데 목적이 있다. 이를 위해 RAG를 여러 분석 도구 중 하나로 활용하고, AI 에이전트가 사용자의 분석 목적에 따라 필요한 작업을 계획·실행하며 그 결과를 점검할 수 있도록 기술 구조를 확장하고 있다.

(1) RAG 기반 지식 검색에서 AI 에이전트 기반 분석으로의 확장

기존의 검색 증강 생성(RAG)은 사용자의 질문과 관련된 문서 구간을 검색하고, 검색된 내용을 바탕으로 답변을 생성한다. 외부 생성형 AI에 제공하기 어려운 사내 규정과 보고서, 업무 지식을 폐쇄망에서 활용할 수 있다는 점에서 유용하지만, 기본적으로 문서에 포함된 정보를 찾아 설명하는 데 적합한 구조이다. 여러 자료를 비교하거나 시장 운영 데이터를 조회하고, 분석 결과를 차트와 표로 작성하는 등의 업무를 수행하려면 분석자가 각 작업을 개별적으로 수행해야 한다.

전력시장 분석에서 요구되는 질문은 단순한 사실 확인에 그치지 않는 경우가 많다. 사용자의 분석 목적을 이해하고, 어떤 문서와 데이터가 필요한지 판단한 후 적절한 분석 방법과 산출물의 형태를 결정해야 한다. 첫 번째 검색 결과만으로 충분한 근거를 확보하기 어려우면 추가 자료를 탐색하고, 조회한 데이터가 분석 목적에 적합하지 않으면 조건을 수정하거나 다른 자료를 확인해야 한다. 또한 분석 결과에 영향을 미치는 기준연도나 정책 가정이 명확하지 않은 경우에는 이를 임의로 결정하지 않고 사용자에게 확인해야 한다.

AI 에이전트 기반 MTAS AI는 연속적인 분석 작업을 수행할 수 있도록 오케스트레이터가 전체 분석 과정을 조정하는 구조로 설계된다. 오케스트레이터는 사용자의 요청에서 분석 목적과 필요한 근거, 산출물의 형태를 파악하고 작업 계획을 수립한다. 이후 문서 검색, 시장 운영 DB 조회, Python 기반 데이터 분석, 차트·CSV 생성 등 각 작업에 필요한 도구를 선택해 실행한다. 실행 결과를 확인한 후 근거가 충분하지 않으면 추가 검색을 수행하고, 데이터나 분석 결과에 문제가 있으면 조건을 수정해 다시 실행할 수 있다.

이 과정에서 RAG는 사라지는 것이 아니라 AI 에이전트가 활용하는 지식 검색 도구로 활용된다. 기존 구조가 검색된 문서를 바탕으로 한 번의 답변을 생성하는 데 중점을 두었다면, AI 에이전트 구조에서는 문서 검색 결과를 시장 운영 데이터 조회와 분석으로 연결하고, 분석 결과를 다시 확인·검증하는 반복적인 분석 절차를 지원한다.

도구의 실행은 사전에 정의된 권한과 통제 범위 내에서 이루어진다. 시장 운영 DB에 대한 SQL은 조회 전용 여부와 대상 테이블, 조회 기간 및 데이터 범위를 확인한 후 실행하며, Python 기반 분석은 권한과 자원 사용이 제한된 격리 실행 환경에서 수행한다. 분석에 사용한 문서와 데이터 조회 조건, 분석 코드 및 산출물은 작업 이력으로 관리한다. 이를 통해 최종 결과를 단순히 언어모델이 생성한 설명에 그치지 않고, 어떤 자료와 분석 과정을 통해 도출되었는지 확인할 수 있는 근거 기반 산출물로 구성한다.

그림 1은 문서 검색과 답변 생성에 집중된 기존 RAG 구조가 작업 계획, 도구 실행, 결과 확인 및 재분석이 가능한 AI 에이전트 기반 분석 구조로 확장되는 과정을 보여준다.

(2) 문서·지식그래프·시장 운영 DB를 결합한 근거 기반 분석

전력시장 분석에는 서로 다른 성격의 정보가 함께 활용된다. 시장운영규칙과 내부 기준은 분석에 적용할 원칙과 조건을 제공하고, 시장 운영 DB는 실제 운영 실적과 시장 결과를 제공한다. 또한 문서와 데이터에 사용된 용어와 항목 간 관계를 정확히 이해해야 사용자의 질문을 적절한 자료와 연결할 수 있다. 이에 MTAS AI는 문서 저장소, 지식그래프, 시장 운영 DB를 정보 기반의 세 영역으로 구성하고, 분석 목적에 따라 필요한 정보를 결합해 활용할 수 있도록 설계하고 있다.

문서 저장소에는 전력시장 제도와 정책, 시장운영규칙, 사내 기준, 연구보고서 및 업무자료 등을 검색 가능한 형태로 저장한다. 각 문서에는 문서명, 작성 부서, 시행일, 개정 상태, 적용 기간, 버전, 보안등급 등의 메타데이터를 함께 관리한다. MTAS AI는 단순히 질문과 유사한 문장을 검색하는 데 그치지 않고, 검색된 문서의 유효성과 현재 분석에 대한 적용 가능성을 확인한 후 답변의 근거로 활용한다. 또한 분석 결과에 관련 문서와 근거 구간을 연결하여 사용자가 적용 근거를 직접 확인하고 검토할 수 있도록 한다.

지식그래프는 전력시장 업무에 사용되는 개념과 개념 간 관계를 구조화하는 역할을 한다. 발전원과 연료, 시장가격, 정산 항목, 계통제약, 시장운영규칙 및 데이터 항목을 연결함으로써 사용자의 표현과 실제 문서 또는 DB에서 사용하는 용어가 다르더라도 관련 정보를 탐색할 수 있도록 지원한다. 예를 들어 사용자가 일반적인 표현으로 연료가격 변화가 시장에 미치는 영향을 질문하더라도, 관련 발전원과 시장가격, 정산 항목 및 운영 데이터까지 검색 범위를 확장할 수 있다.

지식그래프는 문서와 시장 운영 DB를 연결하는 의미 체계로도 활용된다. 특정 시장지표의 정의가 수록된 문서와 해당 지표의 실제 값이 저장된 테이블 및 컬럼을 연결함으로써 자연어 질문을 실제 데이터 조회로 전환할 수 있다. 서로 다른 자료의 내용이 상충하는 경우에는 시행일, 개정 상태, 승인 주체 및 문서의 효력 등을 확인하여 분석에 적용할 근거를 결정한다. 이때 보안등급은 자료의 유효성을 판단하는 기준이 아니라, 사용자가 해당 자료를 열람하고 활용할 수 있는 범위를 통제하는 기준으로 적용한다.

시장 운영 DB 조회 단계에서는 사용자의 질문에 필요한 데이터 항목과 조회 기간, 집계 단위를 식별하고, 이를 해당 테이블과 컬럼에 연결한다. 생성된 조회문은 권한과 안전성을 확인한 후 실행하며, 조회 결과에 대해서는 결측값과 중복 여부, 단위와 시간축의 적정성, 이상값 등을 점검한다. 데이터 품질을 확인한 후에만 분석 도구로 전달함으로써 부적절한 데이터가 후속 분석에 그대로 사용될 가능성을 낮춘다.

현재는 문서 저장소와 시장 운영 DB의 연계를 중심으로 기능을 구현하고 있으며, 지식그래프는 업무 용어와 문서·데이터 간 관계를 구조화하는 방향으로 단계적으로 확대하고 있다. 이를 통해 MTAS AI는 일반적인 지식 설명에 그치지 않고, 사내 문서의 적용 근거와 권한 범위 내 운영 데이터를 함께 활용한 분석 결과로 구성된다.

(3) 자연어 기반 데이터 분석과 시나리오 구성

MTAS AI는 사용자의 자연어 요청을 곧바로 SQL이나 분석 코드로 변환하지 않는다. 먼저 분석 대상과 기간, 비교 조건, 필요한 산출물 등을 구체화하고, 결과에 영향을 미치는 조건이 누락되거나 불명확한 경우에는 사용자에게 추가 확인을 요청한다. 현재는 이러한 절차를 바탕으로 시장 운영 DB를 조회하고, Python을 이용해 데이터 정제와 통계 분석, 차트 및 요약표 생성을 수행한다. 분석 결과에는 사용한 데이터의 범위와 전처리 조건, 분석 방법 및 해석상의 한계를 함께 제시하여 결과가 어떤 조건에서 도출되었는지 확인할 수 있도록 한다.

시뮬레이션이 필요한 경우에는 자연어 요청에서 기준 시나리오와 대안 시나리오의 분석 기간, 변경 변수, 비교 지표, 수요·설비 가정 및 제약 조건 등을 추출하여 MTAS 3.0에서 활용할 수 있는 시나리오 초안을 구성한다. 이 과정에서 관련 시장운영규칙과 분석 지침을 검색하고 필요한 운영 데이터를 확인·검증한다. 그림 2의 ‘시나리오 자동 구성’은 AI가 분석 조건을 최종적으로 결정한다는 의미가 아니라, 사용자의 검토와 수정을 위한 시나리오 초안을 구성한다는 의미다. 특히 기준연도와 정책 가정 등 분석 결과에 중대한 영향을 미치는 핵심 조건은 사용자의 확인을 거쳐 확정한다.

그림 2는 이러한 분석 절차를 질의 해석, 지식·규칙 검색, 데이터 조회·검증, 시나리오 구성, MTAS 실행·감시, 결과 분석·비교 및 근거 기반 보고서 작성의 흐름으로 나타낸 것이다. 오케스트레이터는 각 단계의 결과를 확인하고, 필요한 경우 추가 검색이나 재분석을 수행하며 다음 작업을 조정한다. 실행 감시기는 근거의 충분성, 데이터 품질, 권한과 안전성 및 모형 실행 상태를 점검한다. 따라서 이 절차는 정해진 순서를 한 차례 수행하는 단방향 자동화가 아니라, 중간 결과를 검증하면서 작업 계획을 조정하는 반복적 분석 구조이다.

현재는 문서 및 시장 운영 DB 검색과 Python 기반 데이터 분석을 중심으로 기능을 구현하고 있다. 향후에는 사용자가 확정한 시나리오 조건을 MTAS 3.0의 실시간 전력시장 분석, 전원 Mix 분석 및 계통분석 연계 기능으로 전달하고, 실행 결과를 기준 시나리오와 비교·해석하는 단계까지 기능을 확대할 계획이다.

(4) 프로세스 온톨로지와 멀티에이전트 구조

지식그래프가 전력시장에 어떤 개념이 존재하고 개념 간 관계가 어떻게 구성되는지를 표현한다면, 프로세스 온톨로지는 분석 업무를 어떤 순서와 조건으로 수행해야 하는지를 구조화한다. 전력시장 분석은 필요한 데이터를 찾는 것만으로 완료되지 않으며, 분석 목적에 따라 선행 업무와 필수 입력자료, 적용 기준, 사용 도구 및 산출물이 달라진다. 프로세스 온톨로지는 이러한 업무 절차와 작업 간 선후 관계를 명시적으로 정의하여 AI 에이전트가 분석 계획을 수립하고 실행하는 과정에 활용할 수 있다.

예를 들어 시장가격 분석을 수행하기 전에 분석 대상 기간과 가격 기준을 확인해야 하며, 시나리오 분석에서는 기준 시나리오와 변경 조건을 먼저 확정해야 한다. 또한 데이터 분석에 앞서 데이터의 시간 단위와 품질을 점검하고, 시뮬레이션 결과를 활용하기 전에는 입력자료의 버전과 모형 실행 성공 여부를 확인해야 한다. 이러한 선행 조건과 작업 간 관계를 구조화하면 에이전트가 자연어 요청을 실행계획으로 전환하는 과정에서 누락된 단계와 입력 조건을 사전에 점검할 수 있다.

향후 MTAS AI는 오케스트레이터를 중심으로 지식 검증, 데이터 구조화, Python 분석 및 시뮬레이션을 담당하는 서브에이전트를 배치하는 멀티에이전트 구조로 확장할 계획이다. 오케스트레이터는 사용자의 요청을 분석하여 전체 작업 계획을 수립하고, 필요한 서브에이전트와 도구를 호출한 후 각 실행 결과를 통합한다. 실행 결과가 충분하지 않거나 오류가 확인되면 다음 작업을 재결정하고, 필요한 경우 추가 검색이나 재분석을 수행한다.

각 서브에이전트의 업무와 책임 범위는 명확히 구분한다. 지식 검증 에이전트는 문서의 시행일과 개정 상태, 적용 근거의 충분성을 확인하고, 데이터 구조화 에이전트는 사용자의 질문을 시장 운영 DB의 테이블과 컬럼에 연결하여 데이터 품질을 점검한다. Python 분석 에이전트는 승인된 데이터와 분석 조건을 바탕으로 통계 분석과 시각화를 수행하며, 시뮬레이션 에이전트는 사용자가 확정한 입력 조건을 MTAS 3.0의 분석 기능과 연결한다.

실행 감시기는 오케스트레이터 및 서브에이전트와 별도의 통제 계층으로 구성하여 도구 실행의 권한과 안전성, 근거의 충분성, 데이터 품질 및 결과의 완전성을 점검한다. 시장 운영 DB를 조회할 때에는 SQL의 조회 전용 여부와 대상 범위, 조회량을 확인하고, Python 분석 단계에서는 사용 데이터와 단위, 결측값과 이상값, 분석 조건 등을 점검한다. 향후 시뮬레이션 연계 단계에서는 입력자료와 모형 버전, 실행 오류 및 수렴 여부를 확인한다. 검증 기준을 충족하지 못한 경우에는 실행을 중단하고, 오케스트레이터에 작업 계획의 재수립을 요청하거나 추가 근거 및 사용자 확인을 요구한다. 실행 감시기는 분석 계산을 직접 수행하는 주체가 아니라, 도구 실행을 승인·중단하고 실행 결과의 적합성을 판정하는 통제 계층이다.

그림 3의 자가 개선(Self Improvement)은 언어모델이 운영 과정에서 검증 없이 스스로 학습하거나 동작 방식을 변경하는 것을 의미하지 않는다. MTAS AI에서는 분석의 성공·실패 이력과 전문가가 검증한 도구 사용 절차를 작업 스킬로 저장하고, 유사한 분석 요청이 발생할 때 이를 재사용하는 방식으로 적용한다. 문서가 개정되거나 시장 운영 DB의 구조, 분석 도구 및 업무 규칙이 변경되는 경우에는 기존 스킬의 유효성을 다시 검증하며, 전문가가 승인한 절차만 운영 환경에서 활용한다.

이러한 구조의 목적은 멀티에이전트를 적용하는 것 자체에 있지 않으며, 분석 단계별 책임과 검증 기준을 명확하게 구분하는 데 있다. 오케스트레이터, 서브에이전트 및 실행 감시기의 역할을 분리함으로써 특정 단계에서 발생한 오류가 후속 분석으로 전파될 가능성을 낮추고, 각 단계에서 어떤 판단과 도구 실행이 이루어졌는지를 추적할 수 있다. 그림 3은 이러한 역할 분담과 실행·검증 체계를 개념적으로 나타낸 것이다.

(5) 근거 기반 분석 결과 구성

MTAS AI의 최종 산출물은 질문에 대한 결론만 제시하는 대화형 답변이 아니라 분석 목적과 적용 조건, 사용한 근거와 데이터, 분석 결과, 해석상의 한계 및 후속 검토 사항을 포함하는 분석 보고서 형태로 구성한다. 이를 통해 사용자는 무엇을 분석했는지와 어떤 기준과 조건에서 해당 결과가 도출되었는지를 함께 확인할 수 있다.

분석 결과에는 먼저 사용자의 질문을 바탕으로 정리한 분석 목적과 범위를 제시한다. 이어 분석에 적용한 시장운영규칙과 내부 기준, 참고 문서의 출처와 적용 시점을 함께 제시하고, 사용한 데이터의 대상 기간과 집계 단위, 전처리 조건 및 제외 항목을 명시한다. 핵심 결과는 표와 차트, 주요 지표를 통해 제시하며, 기준 시나리오 대비 변화와 결과에 영향을 미친 주요 요인을 함께 설명한다.

각 결론은 관련 문서와 데이터 조회 조건, 분석 코드, 시나리오 입력값, 사용 모형 및 실행 이력과 연계한다. 이를 통해 분석자는 결과의 근거를 직접 확인하고 동일한 조건에서 분석을 재현할 수 있다. 적용한 가정이 불확실하거나 자료가 충분하지 않은 경우에는 이를 결과에 명확히 표시하고, 추가로 확인해야 할 자료와 후속 분석의 필요성도 함께 제시한다.

산출물의 표시 범위는 사용자의 권한과 자료의 보안등급에 따라 통제한다. 내부 분석에서는 업무 수행에 필요한 상세 근거와 데이터를 제공할 수 있지만, 대외 활용 자료에는 실제 수치와 세부 식별정보, 내부 시스템 화면 등을 그대로 포함하지 않는다. 필요에 따라 데이터를 집계하거나 비식별화하고, 공개 가능한 기술 구조와 분석 절차 및 결과만 별도로 구성한다. 대외 제공이 필요한 산출물은 담당자의 검토와 승인 절차를 거친다.

근거 기반 결과 구성의 목적은 AI가 작성한 문장을 그대로 수용하도록 하는 데 있지 않다. 분석자가 적용 조건과 가정을 검토하고, 결과가 도출된 과정을 추적하며, 필요할 경우 동일한 절차로 재현할 수 있도록 하는 데 있다. 또한 사용자는 후속 질의를 통해 분석 기간과 조건, 비교 지표 등을 변경하고 결과를 다시 비교할 수 있으며, 이 과정에서 변경된 조건과 실행 이력도 함께 관리한다.

그림 4는 분석 목적과 적용 근거, 데이터 조건, 분석 결과, 해석과 한계 및 후속 검토 사항을 하나의 구조로 구성하고, 권한과 보안 수준에 따라 산출물의 표시 범위를 통제하는 근거 기반 결과 구성 체계를 보여준다.

4. 맺음말

MTAS AI의 의미는 전력시장 업무에 생성형 AI를 단순히 도입하는 데 있지 않다. 핵심은 분석에 필요한 문서와 데이터를 탐색하고, 분석 조건을 구성하며, 분석 도구를 실행하고, 결과의 근거와 한계를 확인하는 일련의 과정을 하나의 추적 가능한 흐름으로 연결하는 데 있다. MTAS 3.0이 전력시장 및 전원 Mix 분석에 필요한 데이터 연계·전처리, 최적화, 시뮬레이션과 결과 검증을 수행하는 핵심 분석 시스템이라면, MTAS AI는 사용자의 자연어 요청을 바탕으로 관련 문서와 운영 데이터를 탐색하고 MTAS 3.0의 분석 기능과 연계하여 분석 전후의 업무를 지원하는 지능형 서비스로 고도화되고 있다. 이를 통해 분석자는 반복적인 자료 탐색과 입력자료 준비에 소요되는 시간을 줄이고, 결과의 검토와 판단에 보다 집중할 수 있다.

현재 MTAS AI는 폐쇄망 문서 검색과 시장 운영 DB 조회, Python 기반 데이터 분석을 중심으로 기능을 확대하고 있다. 향후에는 프로세스 온톨로지와 멀티에이전트 구조를 통해 분석 절차와 역할을 구체화하고, 사용자가 확인한 분석 조건을 MTAS 3.0의 시뮬레이션 및 최적화 기능과 단계적으로 연계할 계획이다. 이 과정에서 AI가 기준연도나 정책 가정과 같은 핵심 조건을 임의로 결정하지 않도록 통제하고, 활용한 문서와 데이터 범위, 입력 조건 및 실행 이력을 함께 관리하여 분석 결과의 추적성과 재현성을 확보하는 것이 중요하다.

궁극적으로 MTAS AI가 지향하는 것은 전문가를 대체하는 자동 의사결정 시스템이 아니다. 필요한 정보와 분석 도구를 적절한 시점에 연결하고, 결과가 도출된 과정과 판단 근거를 함께 제시함으로써 전문가의 분석과 의사결정을 지원하는 전력시장 종합 분석 플랫폼이다. 이러한 체계가 정착되면 개인의 경험에 의존해 수행되던 분석 절차와 업무 지식을 조직의 공통 자산으로 축적할 수 있으며, 시장제도와 운영환경이 빠르게 변화하는 상황에서도 다양한 대안을 보다 신속하고 일관되게 검토할 수 있다.

sgkwon90@kepco.co.kr