سود:
- امکان ایجاد یک گردش کار تجزیه و تحلیل پایتون از داده ها به گزارش با کمک هوش مصنوعی
- امکان تایید کد تولید شده از نظر سازگاری واحد، نشتی و تکرارپذیری
- توانایی اعمال محدودیت های اخلاقی، رازداری، امنیت سایبری و مسئولیت مهندسی در پروژه های انرژی
امتحان ماژول
1. کدام یک از موارد زیر اصل اساسی است که ریسک خروجی هوش مصنوعی را در مهندسی سیستم های انرژی تعیین می کند؟
- الف) خطر یک خروجی برابر است با آسیبی که در صورت معیوب بودن آن خروجی ایجاد می کند. بر این اساس مقیاس های اعتبارسنجی ✔
- ب) خروجی هوش مصنوعی به طور کلی امن است زیرا روان و با اطمینان نوشته شده است
- ج) زمانی که از جدیدترین مدل استفاده می شود، اعتبارسنجی غیر ضروری است
- د) اگر خروجی به یک استاندارد اشاره دارد، نیازی به کنترل اضافی نیست
توضیح: ریسک یک خروجی برابر است با آسیبی که در صورت معیوب بودن آن خروجی ایجاد می کند. در حالی که یک خطای جزئی در متن ارائه ممکن است بی ضرر باشد، یک خطا در تنظیم حفاظت رله یا تصمیم بارگیری ترانسفورماتور می تواند باعث آسیب تجهیزات، قطع شدن و خطرات ایمنی جانی شود. بنابراین شدت تأیید مقیاس با آسیب احتمالی است.
2. رایج ترین دام هنگام تهیه داده های سری زمانی انرژی با هوش مصنوعی چیست و نتایج را بیشتر مخدوش می کند؟
- الف) انتخاب نادرست رنگ های گرافیکی
- ب) منطقه زمانی، ساعت تابستانی و سردرگمی برچسب مهر زمان ✔
- ج) نام فایل خیلی طولانی است
- د) نگهداری داده ها در اکسل به جای CSV
توضیح: اشتباهات برچسب شروع/پایان منطقه زمانی، زمان صرفه جویی در روز (DST) و مهر زمانی در داده های انرژی بسیار رایج است. یک شیفت یک ساعته کل تحلیل نوع روز و ساعت اوج را مخدوش می کند. بنابراین، محور زمان باید قبل از هر تجزیه و تحلیل استاندارد شود و خروجی هوش مصنوعی باید در برابر لنگرهای فیزیکی مانند زمان طلوع / اوج خورشید آزمایش شود.
3. کدام وضعیت نشان میدهد که در حالی که MAPE (میانگین درصد مطلق خطا) در یک پیشبینی بار کوتاهمدت کم به نظر میرسد، ممکن است پیشبینی همچنان غیرقابل اعتماد باشد؟
- الف) MAPE همیشه یک معیار کامل و کافی برای کیفیت پیش بینی است
- ب) حتی اگر میانگین پایین است، ممکن است انحراف سیستماتیک در ساعات اوج مصرف وجود داشته باشد و این جایی است که شبکه بحرانی است ✔
- ج) MAPE فقط در پیشبینی بلندمدت معنادار است
- د) MAPE کم ثابت می کند که مدل از نظر فیزیکی درست است
توضیح: MAPE یک خطای متوسط است. حتی اگر کل خوب به نظر برسد، ممکن است انحرافات سیستماتیک در ساعات اوج مصرف و انتقال فصلی وجود داشته باشد. تعادل شبکه دقیقاً در این لحظات اوج حیاتی است، بنابراین صرفاً به دلیل خوب بودن معیار میانگین نمیتوان پیشبینی آن را ایمن دانست. خطا باید به طور جداگانه بر اساس زمان و رژیم تجزیه و تحلیل شود.
4. قوی ترین حد فیزیکی برای آزمایش منطقی بودن پیش بینی تولید نیروگاه خورشیدی چیست؟
- الف) صورت حساب کل سال گذشته
- ب) سقف تولید فیزیکی محدود به تابش، مساحت پانل و توان نصب شده (شامل صفر در شب) ✔
- ج) درصد اطمینان داده شده توسط مدل
- د) اندازه گیری سرعت باد
توضیحات: یک نیروگاه خورشیدی نمی تواند بیش از حد مجاز تابش خورشیدی و ظرفیت پانل تولید کند. انتظار میرود تولید در شب صفر باشد، در حوالی ظهر به اوج برسد و با قدرت نصب شده و منطقه ماژول محدود شود. اگر مدل ارزشی بیش از تولید شبانه یا ظرفیت نصب شده داشته باشد، از نظر فیزیکی غیرممکن است. این بررسی بدون نگاه کردن به آمار، پیش بینی را حذف می کند.
5. فیلتری که یک پیشنهاد بهینه سازی هوش مصنوعی قبل از پیاده سازی مستقیم در شبکه هوشمند باید از آن عبور کند چیست؟
- الف) کافی است پیشنهاد به تنهایی کمترین هزینه را ارائه کند.
- ب) کافی است مدل با دقت بالا آموزش داده شود
- ج) محدودیت های ایمنی (ولتاژ، حرارتی، N-1) کنترل و تایید اپراتور مجاز ✔
- د) کافی است که این توصیه با داده های تاریخی مطابقت داشته باشد
توضیحات: شبکه از نظر ایمنی بسیار مهم است: هرگونه توصیه ای که محدودیت های ولتاژ، جریان، حرارتی و N-1 (شکست عنصر) را نقض کند، قابل اجرا نیست. خروجی هوش مصنوعی ابتدا از طریق این محدودیت های امنیتی عبور داده می شود و سپس برای تایید به اپراتور مجاز ارائه می شود. بهینه سازی هرگز مانع از محدودیت امنیتی نمی شود.
6. هنگام ایجاد استراتژی آربیتراژ (خرید ارزان، فروش بالا) با هوش مصنوعی در تجارت ذخیره باتری، کدام هزینه اغلب نادیده گرفته می شود و سود را گمراه می کند؟
- الف) هزینه اتصال به اینترنت
- ب) تخریب (ساییدگی) و هزینه از دست دادن کارایی در هر چرخه ✔
- ج) مدت زمان استراحت کافه کارکنان
- د) رنگ باتری
توضیحات: هر چرخه شارژ-دشارژ باتری را فرسوده می کند. تخریب (از دست دادن سلامتی) یک هزینه واقعی است و محدودیت های گارانتی را تمام می کند. تجزیه و تحلیل آربیتراژ که فقط به تفاوت قیمت نگاه می کند، سود را بیش از حد تخمین می زند و عمر باتری را کوتاه می کند، اگر هزینه تخریب و کاهش کارایی در هر چرخه را نادیده بگیرد.
7. تعادل کلیدی هنگام تعیین مقدار آستانه یک مدل تشخیص ناهنجاری در تعمیر و نگهداری پیش بینی چیست؟
- الف) تعادل آگاهانه بین هشدار نادرست و هزینه های شکست از دست رفته ✔
- ب) آستانه همیشه باید تا حد امکان پایین نگه داشته شود
- ج) آستانه صرفاً با مشاهده درصد دقت مدل تعیین می شود
- د) هنگامی که آستانه تعیین شد، هرگز نباید آن را تغییر داد.
توضیح: اگر آستانه کاهش یابد، آلارمهای کاذب (زنگ هشدار بدون نقص) افزایش مییابد و تیم نسبت به آلارمها بیاعتماد میشود. اگر آستانه افزایش یابد، خطر خطای از دست رفته (فقدان خطای واقعی) افزایش می یابد. آستانه صحیح تعادل آگاهانه بین هزینه هشدار نادرست و هزینه خطای از دست رفته (مثلاً انفجار ترانسفورماتور) است و با توجه به بحرانی بودن تجهیزات تنظیم می شود.
8. منطق اساسی چارچوب اندازه گیری و راستی آزمایی (M&V) برای تأیید ادعای صرفه جویی در یک پروژه بهره وری انرژی چیست؟
- الف) هر کاهش در مبلغ فاکتور پس انداز مستقیم محسوب می شود
- ب) صرفه جویی تفاوت بین پایه تنظیم شده و مصرف اندازه گیری شده است ✔
- ج) صرفه جویی فقط به ارزش کاتالوگ سازنده اعلام می شود
- د) پس انداز برابر با آنچه مدل پیش بینی می کند
توضیح: پس انداز را نمی توان مستقیماً اندازه گیری کرد. آنچه اندازه گیری می شود مصرف پس از رعایت احتیاطات است. پس انداز تفاوت بین مصرف اندازه گیری شده و خط پایه "آنچه بدون اندازه گیری مصرف می شود" است. بنابراین مدل پایه باید برای متغیرهایی مانند آبوهوا/تولید، صرفهجویی در برابر این مرجع تنظیمشده، اصلاح شود.
9. چرا «بیش از حد» در مدل پیشبینی قیمت برق خطرناک است؟
- الف) چون سرعت مدل را کاهش می دهد
- ب) سروصدای گذشته را به خاطر میسپارد، در آینده فرو میریزد، مخصوصاً وقتی رژیم تغییر میکند و با اطمینان بالا گمراه میکند.
- ج) فقط به این دلیل که حافظه بیشتری مصرف می کند
- د) چون خواندن گرافیک را سخت می کند
توضیح: تطبیق بیش از حد زمانی است که مدل نویز و الگوهایی را در دادههای تاریخی به خاطر میسپارد که تکرار نمیشوند. بک تست کامل به نظر می رسد اما در آینده خراب می شود. با تغییر رژیم داده های قیمت (شوک قیمت سوخت، تغییر قوانین)، الگوی حفظ شده نامعتبر می شود و منجر به پیشنهاد نادرست با اطمینان بالا می شود.
10. چرا مفهوم شدت کربن ساعتی (مقدار gCO2 یک کیلووات ساعت برق در آن ساعت) برای جابجایی بار مهم است؟
- الف) چگالی کربن در هر ساعت یکسان است، بنابراین مهم نیست
- ب) چون فقط روی مبلغ فاکتور تاثیر می گذارد
- ج) بسته به سهم قابل تجدید هر ساعت متفاوت است. تغییر بار انعطاف پذیر به ساعت با شدت کم باعث کاهش انتشار گازهای گلخانه ای می شود ✔
- د) چون فقط مربوط به تعرفه شبانه است
توضیح: شدت کربن شبکه به صورت ساعتی متفاوت است: در ساعاتی که تولید انرژی های تجدیدپذیر زیاد است، کم است و در ساعات اوج مصرف که نیروگاه های فسیلی آنلاین می شوند، زیاد است. جابجایی بارهای انعطاف پذیر به ساعات کم اوج مصرف باعث می شود انرژی مشابهی مصرف شود اما انتشار کمتری تولید شود. میانگین سالانه این فرصت را پنهان می کند.
11. «نشت داده» در کد تجزیه و تحلیل پایتون تولید شده توسط هوش مصنوعی به چه معناست و چرا خطرناک است؟
- الف) حذف داده ها از دیسک
- ب) مدل از اطلاعات آتی در آموزش استفاده می کند که در زمان پیش بینی در دسترس نخواهد بود. تست خوبه ولی واقعیت بد ✔
- ج) داده ها معنایی جز نشت به اینترنت ندارند
- د) کد بسیار کند اجرا می شود
توضیح: نشت داده زمانی است که مدل به اطلاعاتی دسترسی پیدا می کند که واقعاً در آینده در طول آموزش پیدا می شود. به عنوان مثال، با استفاده از مقدار واقعی ساعتی که باید پیش بینی شود به عنوان یک ویژگی. این منجر به بک تست کامل می شود اما در واقعیت بی فایده است. مرز گذشته/آینده در سری زمانی باید به دقت در کد حفظ شود.
12. هنگام ارسال داده های شرکت انرژی SCADA به یک ابزار هوش مصنوعی عمومی، رویکرد صحیح چیست؟
- الف) ارسال تمام داده ها به همان صورت که هست دقیق ترین نتایج را به دست می دهد
- ب) ناشناس کردن داده ها و به اشتراک گذاری تنها زیر مجموعه فنی ضروری با ابزار تایید شده ✔
- ج) احتیاط لازم نیست زیرا داده ها به هر حال باز هستند
- د) فقط تغییر نام فایل کافی است
توضیحات: SCADA و داده های توپولوژی شبکه اطلاعات زیرساخت حیاتی هستند. ارسال آن به فضای ابری عمومی خطرات حریم خصوصی، رقابت و امنیت سایبری را به همراه دارد. رویکرد صحیح این است که نامهای سایت/دارایی را با برچسبهای نماینده به اشتراک بگذارید، فقط زیرمجموعه فنی مورد نیاز برای کار را به اشتراک بگذارید، و ابزارهای تأیید شده/بسته شده توسط موسسه را انتخاب کنید.
13. چرا «ضریب ظرفیت» (نسبت انرژی تولید شده به انرژی تولید شده در صورت کارکرد مداوم با ظرفیت کامل) به عنوان یک لنگر منطقی در پیشبینی تولید باد استفاده میشود؟
- الف) زیرا این عدد فقط برای اهداف بازاریابی است
- ب) چون فاکتور را مستقیم داده است
- ج) زیرا یک معیار فیزیکی است که ترتیب بزرگی پیشبینی را با محدوده معمولی شناخته شده (تقریباً 25-45٪) آزمایش میکند.
- د) چون رنگ توربین را تعیین می کند
توضیحات: ضریب ظرفیت مزارع بادی خشکی معمولاً در محدوده 25-45 درصد است. یک پیشبینی در صورتی که تولید را بر اساس میانگین بلندمدت که به خوبی خارج از این محدوده باشد (مثلاً 90 درصد) پیشبینی کند، از نظر فیزیکی غیرممکن است. این نسبت به شما امکان می دهد تا ترتیب بزرگی پیش بینی را بدون وارد شدن به جزئیات آزمایش کنید.
14. چگونه می توان نقش هوش مصنوعی را در تصمیم گیری سیستم انرژی حیاتی امنیتی به دقیق ترین شکل تعریف کرد؟
- الف) هوش مصنوعی می تواند جایگزین تاییدیه مهندس مجاز شود
- ب) هوش مصنوعی فرضیه ها و خطوط کلی را ایجاد می کند. تایید و مسئولیت تصمیم حیاتی ایمنی بر عهده مهندس مجاز است ✔
- ج) اگر هوش مصنوعی به اندازه کافی قدرتمند باشد، تأیید انسانی غیر ضروری است
- د) خروجی هوش مصنوعی بی فایده است و باید کاملاً نادیده گرفته شود
توضیحات: هوش مصنوعی دستیار قدرتمندی است که سریع می خواند، الگوها را می گیرد، پیش نویس ها را تولید می کند. اما جایگزین تایید و مسئولیت کارشناس ذیصلاح در تصمیمات حیاتی ایمنی مانند تنظیم حفاظت، بارگذاری ترانسفورماتور، مانور شبکه نمی شود. هوش مصنوعی فرضیه ها و خطوط کلی را ایجاد می کند. مهندس مجاز تصمیم و امضا می دهد.