공변량 기반 시계열 기초 모델과 함께한 설명 가능한 부하 예측

시계열 기초 모델 (Time Series Foundation Models, TSFMs) 은 최근 범용 예측 모델로 등장하여 에너지 시스템 응용 분야에서 상당한 잠재력을 보이고 있습니다. 그러나 전력 그리드와 같은 핵심 인프라에서의 적용은 신뢰성과 안정성을 보장하기 위해 투명성이 필요하며, 순수 블랙박스 모델에 의존할 수 없습니다. TSFMs 의 투명성을 향상시키기 위해 이러한 모델에 맞춘 Shapley Additive Explanations (SHAP) 을 계산하는 효율적인 알고리즘을 제안합니다. 제안된 접근법은 TSFMs 이 입력 컨텍스트 길이와 제공된 공변량 (covariates) 에 대한 유연성을 활용합니다. 이 속성은 효율적인 시간적 및 공변량 마스킹 (선택적 입력 은폐) 을 가능하게 하여, SHAP 를 사용하여 모델 예측에 대한 확장 가능한 설명을 제공합니다. 우리는 전송 시스템 운영자 (TSO) 의 일일 부하 예측 작업에 대해 Chronos-2 와 TabPFN-TS 라는 두 가지 TSFMs 을 평가했습니다. 제로샷 (zero-shot) 설정에서 두 모델 모두 TSO 데이터 여러 년에 특화되어 훈련된 Transformer 모델과 경쟁력 있는 예측 성능을 달성했습니다. 제안된 접근법을 통해 얻은 설명은 확립된 도메인 지식과 일치하며, 특히 TSFMs 이 부하 예측에 날씨 및 캘린더 정보를 적절히 사용할 때 그러합니다. 전반적으로 우리는 TSFMs 이 운영 에너지 예측을 위한 투명하고 신뢰할 수 있는 도구로 기능할 수 있음을 입증했습니다.