본 논문은 대규모 언어 모델(LLM)을 활용한 비침습 부하 모니터링(NILM) 프레임워크를 제시합니다. 기존 딥러닝 기반 NILM의 한계인 레이블 데이터 의존성, 제한적인 일반화 능력, 해석성 부족을 극복하기 위해, 프롬프트 기반 접근 방식을 채택하여 문맥 학습을 통해 가전제품 특징, 시간 정보, 문맥 정보, 그리고 대표적인 시계열 예시를 통합한 프롬프트 전략을 설계하고 평가합니다. REDD 데이터셋을 사용하여 실험한 결과, 최적화된 프롬프트를 사용한 LLM은 미지의 가구에 대해 평균 F1-score 0.676을 달성하며 경쟁력 있는 상태 감지 정확도를 보였고, 파인튜닝 없이 강력한 일반화 능력을 보여줍니다. 또한, 사람이 이해할 수 있는 설명을 제공하여 해석성을 향상시킵니다. 결론적으로, LLM은 NILM에서 데이터 요구량을 줄이고, 적응성을 향상시키며, 투명한 에너지 분해를 제공할 수 있음을 보여줍니다.
