FETS 벤치마크: 에너지 시계열 예측에서 기초 모델이 데이터셋 특화 머신러닝을 능가합니다

기후 중립형 에너지 시스템으로의 전환에 힘입어 정확한 에너지 시계열 예측은 계획과 운영에 있어 필수적입니다. 그러나 여전히 이는 주로 데이터셋 특화 작업으로 남아있으며, 포괄적인 훈련 데이터를 필요로 하고 확장성을 제한하며 높은 모델 개발 및 유지보수 노력을 초래합니다. 최근에는 광범위한 사전 학습을 통해 일반화 가능한 패턴을 학습하려는 기초 모델 (Foundation Models) 이 여러 예측 작업에서 우수한 성능을 보였습니다. 그럼에도 불구하고 에너지 예측 분야의 도전 과제를 해결할 수 있는 강력한 잠재력을 가지고 있음에도 불구하고, 이 도메인에서의 적용은 아직 크게 탐구되지 않았습니다. 우리는 기초 모델을 에너지 시계열 예측에 적용하는 Foundation Models in Energy Time Series Forecasting (FETS) 벤치마크를 제시하여 이 격차를 해소합니다. 우리는 (1) 이해관계자, 속성, 데이터 범주라는 세 가지 주요 차원을 따라 에너지 예측 사용 사례에 대한 체계적인 개요를 제공하고, (2) 일반적인 이해관계자의 관심사를 안내하여 9 개의 데이터 범주에 걸쳐 54 개 데이터셋을 수집 및 분석하며, (3) 다양한 예측 설정에서 기초 모델을 고전적 머신러닝 접근법과 비교 벤치마크합니다. 기초 모델은 훈련 과정에서 전체 역사적 목표 데이터를 목격했음에도 불구하고 모든 설정과 데이터 범주에서 데이터셋 특화 최적화된 머신러닝 접근법을 일관되게 능가합니다. 특히, 공변량 (covariate) 정보를 활용한 기초 모델이 가장 강력한 성능을 발휘합니다. 추가 분석은 예측 성능과 스펙트럴 엔트로피 (spectral entropy) 간의 강한 상관관계, 특정 컨텍스트 길이 이후의 성능 포화 현상, 그리고 국가 부하 (national load), 지역 난방, 전력 그리드 데이터와 같은 더 높은 집계 수준에서 향상된 성능을 보여줍니다. 전반적으로 우리의 발견은 기초 모델이 에너지 도메인을 위한 확장 가능하고 일반화 가능한 예측 솔루션으로서의 강력한 잠재력을 강조하며, 특히 데이터 제약이 있고 민감도가 높은 설정에서 더욱 그러함을 시사합니다.