Analyse énergétique de bout en bout, éthique et limites avec Python

Gains :

• Capacité à établir un flux de travail d'analyse Python de bout en bout, des données aux rapports, à l'aide de l'intelligence artificielle
• Capacité à vérifier le code généré en termes de compatibilité des unités, de fuite et de reproductibilité
• Capacité à mettre en pratique les limites de l'éthique, de la confidentialité, de la cybersécurité et de la responsabilité de l'ingénieur dans les projets énergétiques

Examen de module

1. Lequel des principes suivants est le principe de base qui détermine le risque d'une production d'IA dans l'ingénierie des systèmes énergétiques ?

• A) Le risque d'une sortie est égal au dommage qu'elle causerait si cette sortie était défectueuse ; la validation évolue en conséquence ✔
• B) La sortie de l'IA est généralement sûre car elle est écrite de manière fluide et en toute confiance
• C) La validation n'est pas nécessaire lorsque le modèle le plus récent est utilisé
• D) Si la sortie fait référence à une norme, aucun contrôle supplémentaire n'est requis

Explication : Le risque d'une sortie est égal au dommage qu'elle causera si cette sortie est défectueuse. Même si une erreur mineure dans un texte de présentation peut être inoffensive, une erreur dans le réglage d'une protection de relais ou dans une décision de chargement d'un transformateur peut entraîner des dommages à l'équipement, des pannes et des risques pour la sécurité des personnes ; l’intensité de la vérification évolue donc en fonction des dommages potentiels.

2. Quel est l’écueil le plus courant lors de la préparation de données de séries chronologiques sur l’énergie avec l’intelligence artificielle et lequel fausse le plus les résultats ?

• A) Sélection incorrecte des couleurs graphiques
• B) Confusion du fuseau horaire, de l’heure d’été et de l’étiquette d’horodatage ✔
• C) Le nom du fichier est trop long
• D) Conserver les données dans Excel au lieu de CSV

Explication : Les confusions de balises de début et de fin concernant le fuseau horaire, l'heure d'été (DST) et l'horodatage sont très courantes dans les données énergétiques ; un décalage d'une heure fausse l'ensemble de l'analyse du type de jour et des heures de pointe. Par conséquent, l’axe du temps doit être standardisé avant chaque analyse et la sortie de l’IA doit être testée par rapport à des ancres physiques telles que l’heure du lever/pointe.

3. Quelle situation montre que même si le MAPE (Mean Absolute Percent Error) dans une prévision de charge à court terme semble faible, la prévision peut néanmoins être peu fiable ?

• A) MAPE est toujours une mesure complète et adéquate de la qualité des prévisions
• B) Même si la moyenne est faible, il peut y avoir des écarts systématiques dans les heures de pointe et c'est là que le réseau est critique ✔
• C) MAPE n'a de sens que dans les prévisions à long terme
• D) Un MAPE faible prouve que le modèle est physiquement correct

Explication : MAPE est une erreur moyenne ; Même si le total semble bon, il peut y avoir des écarts systématiques dans les heures de pointe et les transitions saisonnières. L’équilibre du réseau est critique précisément à ces moments de pointe, donc le simple fait que la métrique moyenne soit bonne ne peut pas être considéré comme sûr à prédire ; L'erreur doit être analysée séparément sur la base du temps et du régime.

4. Quelle est la limite supérieure physique la plus robuste pour tester le caractère raisonnable d’une prévision de production de centrale solaire ?

• A) La facture totale de l'année dernière
• B) Plafond de production physique limité par le rayonnement, la surface des panneaux et la puissance installée (y compris zéro la nuit) ✔
• C) Pourcentage de confiance donné par le modèle
• D) Mesure de la vitesse du vent

Description : Une centrale solaire ne peut pas produire plus que ce que le rayonnement solaire et la capacité des panneaux le permettent ; La production devrait être nulle la nuit, avec un pic vers midi et limitée par la puissance installée et la superficie des modules. C'est physiquement impossible si le modèle donne une valeur dépassant la production nocturne ou la capacité installée. Cette vérification élimine la prédiction sans regarder les statistiques.

5. Quel est le filtre qu’une proposition d’optimisation de l’IA doit passer avant d’être directement implémentée dans le réseau intelligent ?

• A) Il suffit que la suggestion fournisse à elle seule le coût le plus bas.
• B) Il suffit que le modèle soit entraîné avec une grande précision
• C) Contrôle des contraintes de sécurité (tension, thermique, N-1) et agrément de l'opérateur agréé ✔
• D) Il suffit que la recommandation corresponde aux données historiques

Description : Le réseau est critique pour la sécurité : toute recommandation qui viole les contraintes de tension, de courant, thermiques et N-1 (défaillance d'un élément) ne peut être mise en œuvre. La sortie de l'IA est d'abord soumise à ces contraintes de sécurité, puis présentée à l'opérateur agréé pour approbation ; L’optimisation ne s’oppose jamais à une contrainte de sécurité.

6. Quel coût est fréquemment négligé et induit le profit en erreur lors de l’établissement de la stratégie d’arbitrage (acheter à bas prix, vendre à un prix élevé) avec l’IA dans le secteur du stockage sur batterie ?

• A) Frais de connexion Internet
• B) Dégradation (usure) et coût de perte d'efficacité par cycle ✔
• C) Durée de la pause-café du personnel
• D) Couleur de la batterie

Description : Chaque cycle de charge-décharge use la batterie ; la dégradation (perte de santé) est un coût réel et épuise les limites de la garantie. Une analyse d’arbitrage qui ne prend en compte que la différence de prix surestimera le profit et réduira la durée de vie de la batterie si elle ignore le coût de dégradation et la perte d’efficacité par cycle.

7. Quel est l'équilibre clé lors de la détermination de la valeur seuil d'un modèle de détection d'anomalies en maintenance prédictive ?

• A) Équilibre conscient entre les fausses alarmes et les coûts des pannes manquées ✔
• B) Le seuil doit toujours être maintenu aussi bas que possible
• C) Le seuil est déterminé uniquement en regardant le pourcentage de précision du modèle
• D) Une fois le seuil défini, il ne doit jamais être modifié.

Explication : Si le seuil est abaissé, les fausses alarmes (alarmes alors qu'il n'y a pas de défaut) augmentent et l'équipe devient méfiante à l'égard des alarmes ; Si le seuil est augmenté, le risque d'un défaut manqué (manquer le défaut réel) augmente. Le seuil correct est un équilibre conscient entre le coût d'une fausse alarme et le coût d'un défaut manqué (par exemple, explosion d'un transformateur) et est ajusté en fonction de la criticité de l'équipement.

8. Quelle est la logique de base du cadre de mesure et de vérification (M&V) pour vérifier une allégation d'économies dans un projet d'efficacité énergétique ?

• A) Toute diminution du montant de la facture est considérée comme une économie directe
• B) Les économies correspondent à la différence entre la consommation de référence ajustée et la consommation mesurée ✔
• C) Les économies sont déclarées uniquement à la valeur catalogue du fabricant
• D) Des économies égales à ce que prédit le modèle

Explication : Les économies ne peuvent pas être mesurées directement ; Ce qui est mesuré, c'est la consommation après avoir pris des précautions. Les économies sont la différence entre la consommation mesurée et la référence « ce qui serait consommé sans la mesure ». Le modèle de référence doit donc être corrigé pour des variables telles que les conditions météorologiques/la production, les économies étant calculées par rapport à cette référence ajustée.

9. Pourquoi le « surajustement » est-il particulièrement dangereux dans le modèle de prévision des prix de l'électricité ?

• A) Parce que cela ralentit le modèle
• B) Il mémorise le bruit du passé, s'effondre dans le futur, surtout lorsque le régime change, et induit en erreur avec une grande confiance ✔
• C) Juste parce qu'il utilise plus de mémoire
• D) Parce que cela rend les graphiques difficiles à lire

Explication : le surajustement se produit lorsque le modèle mémorise du bruit et des modèles dans les données historiques qui ne se répéteront pas ; Le backtest semble parfait mais plante à l’avenir. À mesure que les données sur les prix changent de régime (choc des prix du carburant, changement de législation), le modèle mémorisé devient invalide et conduit à des enchères incorrectes avec un niveau de confiance élevé.

10. Pourquoi le concept d'intensité carbone horaire (valeur gCO2 d'un kWh d'électricité au cours de cette heure) est-il important pour le transfert de charge ?

• A) La densité du carbone est la même toutes les heures, donc cela n'a pas d'importance
• B) Parce que cela n'affecte que le montant de la facture
• C) Varie horaire en fonction de la part renouvelable ; Le déplacement de la charge flexible vers des heures de faible intensité réduit les émissions ✔
• D) Parce que cela concerne uniquement le tarif de nuit

Explication : L’intensité carbone du réseau varie d’heure en heure : elle est faible pendant les heures où la production renouvelable est élevée et élevée pendant les heures de pointe lorsque les centrales électriques fossiles sont mises en service. Le déplacement des charges flexibles vers des heures de pointe réduites permet de consommer la même énergie mais de produire moins d'émissions. Le facteur annuel moyen cache cette opportunité.

11. Que signifie « fuite de données » dans un code d'analyse Python produit par l'intelligence artificielle et pourquoi est-ce dangereux ?

• A) Suppression de données du disque
• B) Le modèle utilise des informations futures dans la formation qui ne seront pas disponibles au moment de la prédiction ; le test est bon mais la réalité est mauvaise ✔
• C) Les données n'ont d'autre signification que de fuir sur Internet
• D) Le code s'exécute très lentement

Explication : La fuite de données se produit lorsque le modèle accède à des informations qui seront réellement trouvées dans le futur lors de la formation ; par exemple, en utilisant la valeur réelle de l'heure à prédire comme attribut. Il en résulte un backtesting parfait mais inutile en réalité. La frontière passé/futur dans la série chronologique doit être soigneusement maintenue dans le code.

12. Quelle est l’approche correcte lors de l’envoi des données SCADA d’une entreprise énergétique à un outil d’IA général ?

• A) L'envoi de toutes les données telles quelles donne les résultats les plus précis
• B) Anonymiser les données et partager uniquement le sous-ensemble technique nécessaire avec un outil approuvé ✔
• C) La précaution n'est pas nécessaire car les données sont de toute façon ouvertes
• D) Il suffit de changer le nom du fichier

Description : les données SCADA et de topologie du réseau constituent des informations d'infrastructure critiques ; L’envoyer tel quel vers un cloud public présente des risques en matière de confidentialité, de concurrence et de cybersécurité. La bonne approche consiste à anonymiser les noms de sites/actifs avec des balises représentatives, à partager uniquement le sous-ensemble technique requis pour la tâche et à opter pour des outils approuvés/fermés par l'institution.

13. Pourquoi le « facteur de capacité » (le rapport entre l'énergie produite et l'énergie qui serait produite si l'énergie fonctionnait continuellement à pleine capacité) est-il utilisé comme critère de caractère raisonnable dans les prévisions de production éolienne ?

• A) Parce qu'il s'agit d'un numéro à des fins de marketing uniquement
• B) Parce qu'il a donné la facture directement
• C) Parce que c'est un critère physique qui teste l'ordre de grandeur de la prédiction, avec une plage typique connue (environ 25-45%) ✔
• D) Parce qu'il détermine la couleur de la turbine

Description : Le facteur de capacité des parcs éoliens terrestres se situe généralement entre 25 et 45 % environ. Une prévision est physiquement peu plausible si elle prévoit une production sur une moyenne à long terme bien en dehors de cette fourchette (par exemple 90 pour cent). Ce ratio permet de tester l’ordre de grandeur de la prédiction sans entrer dans le détail.

14. Comment définir le plus précisément possible le rôle de l’intelligence artificielle dans une décision concernant un système énergétique critique pour la sécurité ?

• A) L'IA peut remplacer l'approbation d'un ingénieur autorisé
• B) L'IA génère des hypothèses et des schémas ; L'approbation et la responsabilité de la décision critique pour la sécurité incombent à l'ingénieur agréé ✔
• C) Si l’IA est suffisamment puissante, la confirmation humaine n’est pas nécessaire
• D) La sortie de l'IA est inutile et doit être complètement ignorée

Description : L'intelligence artificielle est un assistant puissant qui lit rapidement, détecte des modèles, produit des brouillons ; mais cela ne remplace pas l'approbation et la responsabilité d'un expert compétent dans les décisions critiques pour la sécurité telles que le réglage de la protection, la charge du transformateur, les manœuvres du réseau. L'IA génère des hypothèses et des aperçus ; L'ingénieur agréé donne la décision et la signature.