본 논문은 대규모 언어 모델(LLM)을 활용한 비침습 부하 모니터링(NILM) 프레임워크를 제시합니다. 기존 딥러닝 기반 NILM의 한계인 레이블된 데이터 의존성, 제한적인 일반화 능력, 그리고 설명 가능성 부족을 극복하기 위해, 프롬프트 기반 접근 방식을 통해 LLM의 컨텍스트 학습 능력을 활용합니다. 가전제품 특징, 시간 정보, 상황 정보, 그리고 대표적인 시계열 데이터 예시를 통합한 프롬프트 전략을 설계하고 평가하여, 파인튜닝 없이 경쟁력 있는 상태 감지 정확도와 견고한 일반화 능력을 달성함을 보여줍니다. 또한, LLM의 예측에 대한 명확하고 사람이 이해할 수 있는 설명을 제공하여 설명 가능성을 향상시킵니다. 결과적으로 데이터 요구량 감소, 적응성 향상, 그리고 NILM 응용 분야에서 투명한 에너지 분해를 가능하게 함을 입증합니다.
