시운전 시기에 태양광 (Photovoltaic, PV) 운영자는 대상 부지의 관측 데이터가 확보되기 전에 발전량을 예측해야 하며, 이는 표준적인 지도 학습 기반 예측기 (supervised forecasters)의 직접적인 사용을 제한합니다. 이러한 콜드 스타트 (Cold-Start) 설정은 발전소 메타데이터와 기상 공변량 (meteorological covariates)으로부터 합성 발전 이력을 생성하는 제로샷 (zero-shot) 파이프라인을 통해 해결되며, 이를 통해 시계열 파운데이션 모델 (Time-series Foundation Models, TSFMs)이 추론 시점 조건화 (inference-time conditioning)를 통해 예측할 수 있도록 합니다. 다섯 가지 TSFMs를 엄격한 콜드 스타트 베이스라인 (Cold-Start Baseline), 실제 피드백 (Real Feedback), 그리고 자기 예측 피드백 (Self-Forecast Feedback) 전략 하에서 전통적인 베이스라인 모델들과 비교 벤치마킹하였습니다. 평가는 네 개의 데이터셋과 다양한 기후 체계에 걸친 440개의 PV 사이트를 대상으로 수행되었습니다. 공변량 인지 파운데이션 모델 (Covariate-aware foundation models)은 베이스라인보다 약 1.7~2배 더 우수한 성능을 보였습니다. TabPFN-TS는 실제 피드백 (Real Feedback) 하에서 가장 낮은 오차(MAE 0.514, RMSE 0.721 kWh kWp⁻¹ d⁻¹)를 달성하였으며, Chronos-2는 자기 예측 피드백 (Self-Forecast Feedback) 하에서 가장 견고한(robust) 성능을 보였습니다. 성능은 합성 이력의 출처에 크게 민감하지 않았으며, 이는 정확도가 특정 생성기(generator)보다는 타당한 시간적 맥락 (temporal context)의 가용성에 의해 좌우됨을 나타냅니다.