An Agentic AI Pipeline for Appliance-Level Energy Anomaly Detection and LLM-Driven Recommendations

Appliance-level energy monitoring in office buildings produces noisy alerts that non-expert facility managers struggle to use. This paper proposes an end-to-end agentic pipeline that combines deep time-series forecasting, variational anomaly detection, and LLM-based reasoning to generate prioritized, actionable maintenance recommendations. The system tracks seven office appliances using a hybrid Singular Spectrum Analysis (SSA) and Long Short-Term Memory (LSTM) forecasting model, and applies a per-appliance LSTM Variational Autoencoder (VAE) with attention to flag abnormal daily consumption episodes. A three-stage LangChain pipeline begins with a Context Agent that always retrieves three core RAG sources (model reliability, hourly baseline, and expert knowledge) and conditionally adds up to three more (forecast context, anomaly history, global baseline) based on event characteristics, capped at eight reasoning steps. A Diagnosis Agent converts the evidence into a structured JSON diagnosis, and a Report Agent renders a human-readable narrative. A reflective memory layer incorporates operator feedback. The dashboard shows real-time 30-minute forecasts, intraday consumption, the previous day anomaly report, and a feedback form. We evaluate the forecasting model, anomaly detector with appliance-specific thresholds, and LLM reasoning on a 16-scenario benchmark including sustained and transient spikes, unexpected shutdowns, and systemic events, comparing five LLM backends under static vs. dynamic retrieval. Dynamic retrieval matches full static retrieval across all backends while cutting average context from six to three-six sources per event. The best backend scores 90.4/100 with a 100% pass rate at a 70-point threshold, and a fully local 7B-parameter model passes all 16 scenarios.

한 줄 요약

오피스 건물의 가전별 에너지 이상 탐지 및 LLM 기반 유지보수 추천을 위한 에이전트 AI 파이프라인 제안.

핵심 기여도

SSA-LSTM 하이브리드 모델로 7개 가전의 에너지 예측 수행.
각 가전별 LSTM VAE(attention 포함)를 사용한 일일 소비 이상 탐지.
3단계 LangChain 파이프라인(3개 RAG 소스 + 최대 3개 추가 소스)으로 추천 생성.
16개 시나리오에서 90.4/100 점수, 100% 패스율 달성.

핵심 아이디어

기존 에너지 모니터링 시스템은 노이즈 많은 알림으로 인해 비전문가 시설 관리자에게 유용하지 못하다. 본 연구는 SSA와 LSTM을 결합한 예측 모델과, 가전별 VAE를 활용한 이상 탐지 기법을 결합하여 정확한 에너지 이상을 식별한다. 이후, LangChain 기반 에이전트 파이프라인을 통해 RAG 기반의 정확한 정보를 기반으로 유지보수 추천을 생성한다. 특히, Context Agent는 3개의 핵심 RAG 소스(모델 신뢰도, 시간대별 기준, 전문 지식)를 항상 참조하며, 이벤트 특성에 따라 최대 3개의 추가 소스를 선택적으로 추가한다. 이는 추론 단계를 최대 8단계로 제한하면서도 정보의 질을 유지한다.

기술적 접근법

**예측 모델**: SSA와 LSTM을 결합한 하이브리드 모델.
**이상 탐지**: 가전별 LSTM VAE(attention 포함)를 사용.
**LLM 파이프라인**: 3단계 LangChain (Context Agent, Diagnosis Agent, Report Agent).
**RAG 소스**: 3개 필수 (모델 신뢰도, 시간대별 기준, 전문 지식) + 최대 3개 선택적 추가.
**평가**: 16개 시나리오, 5개 LLM 백엔드 비교, 정적 vs. 동적 검색 비교.

주요 결과

SSA-LSTM 모델과 VAE 기반 이상 탐지 시스템을 사용.
16개 시나리오에서 최고 백엔드는 90.4/100 점수, 70점 기준에서 100% 패스율 달성.
7B 파라미터 로컬 모델은 모든 16개 시나리오를 통과.
동적 검색은 평균 6개에서 3~6개 소스로 줄이며 정적 검색과 동일한 성능 유지.

의의 및 한계

본 연구는 비전문가 시설 관리자에게 맞춘 에너지 이상 탐지 및 추천 시스템을 제시하며, RAG 기반 LLM 추론의 효율성과 정확도를 입증한다. 특히, 7B 파라미터 로컬 모델이 모든 시나리오를 처리할 수 있다는 점은 실용적 가치가 크다. 그러나 시스템의 성능은 RAG 소스의 질과 수에 크게 의존하며, 추가적인 소스 확장이 필요할 수 있다. 또한, 7개 가전에만 적용되었기 때문에 더 많은 장비에 대한 확장 가능성은 명시되지 않음.

실용적 활용

오피스 건물의 시설 관리, 에너지 효율성 향상, 유지보수 자동화 등에 적용 가능. 특히, 비전문가가 쉽게 이해하고 활용할 수 있는 실시간 대시보드와 피드백 시스템은 실제 운영 환경에서 유용하게 사용될 수 있다.