정확한 에너지 수요 예측은 현대의 지속 가능한 에너지 시스템의 신뢰할 수 있는 운영과 계획을 위해 필수적입니다. 시공간 그래프 신경망 (Spatial-temporal graph neural networks, STGNNs)은 상호 연결된 에너지 노드 간의 시간적 역동성 (temporal dynamics)과 관계적 의존성 (relational dependencies)을 공동으로 모델링함으로써 최근 점 예측 (point forecasting) 분야에서 강력한 성능을 달성했습니다. 그러나 실제 에너지 시스템에서는 정확한 점 예측만으로는 불충분합니다. 운영자는 불확실성 하에서의 위험 인지 의사결정 (risk-aware decision-making), 그리드 안정성, 그리고 운영 계획을 지원하기 위해 신뢰할 수 있는 불확실성 추정치 (uncertainty estimates)를 필요로 하기 때문입니다. 컨포멀 예측 (Conformal prediction)은 통계적 커버리지 보장 (statistical coverage guarantees)과 함께 불확실성 정량화 (uncertainty quantification)를 위한 원칙적이고 모델 불가지론적 (model-agnostic)인 프레임워크를 제공하며, 이는 안전이 중요한 에너지 애플리케이션에 특히 매력적입니다. 하지만 기존의 컨포멀 예측 접근 방식은 에너지 시스템의 복잡한 시공간 구조를 완전히 포착하지 못하는 경우가 많습니다. 이러한 한계를 해결하기 위해, 우리는 그래프 기반 예측과 테이블형 파운데이션 모델 (tabular foundation models)의 제로샷 교정 (zero-shot calibration) 능력을 통합한 새로운 프레임워크인 STOIC (Spatial-Temporal Graph Conformal Prediction with In-Context Learning)를 제안합니다. STOIC는 먼저 STGNN을 사용하여 점 예측을 생성한 다음, 시공간 잔차 (spatial-temporal residuals)를 인컨텍스트 학습 (in-context learning)에 적합한 테이블 형식으로 재구성합니다. 테이블형 파운데이션 모델을 활용하여, STOIC는 작업별 재학습 없이 예측 구간 (prediction intervals)을 교정하며, 순차적 (sequential) 의존성과 관계적 (relational) 의존성을 모두 효과적으로 포착합니다. 우리는 합성 시뮬레이션을 포함하여 실제 전기 및 지역 난방 네트워크를 포함한 5가지 다양한 벤치마크에서 STOIC를 평가합니다. 모든 데이터셋에 대해 STOIC는 기존의 컨포멀 예측 베이스라인을 일관되게 능가하며, 복잡한 그래프 구조의 에너지 시계열에 대해 더욱 신뢰할 수 있고 견고한 불확실성 추정치를 제공합니다.