નફો:
- એનર્જી સિસ્ટમ્સ એન્જિનિયરિંગ વર્કફ્લોમાં AI વાસ્તવિક મૂલ્ય ક્યાં બનાવે છે અને કયા નિર્ણયો એ એન્જિનિયરની જવાબદારી રહેવી જોઈએ તે સમજવાની ક્ષમતા
- ત્રણ એન્કર શિસ્ત લાગુ કરવાની ક્ષમતા કે જે દરેક AI આઉટપુટને તીવ્રતાના ક્રમમાં, એન્જિનિયરિંગ બુદ્ધિગમ્યતા અને ક્ષેત્ર/માપન પુરાવા સાથે ક્રોસ-વેલિડેટ કરે છે
- અનિશ્ચિતતા, આભાસ, ડેટા ગોપનીયતા અને નેટવર્ક સુરક્ષાના જોખમોને ઓળખીને અને સંદર્ભને અનામી કરીને સુરક્ષિત પ્રોમ્પ્ટ સેટ કરવાની આદત મેળવો.
એનર્જી સિસ્ટમ્સ એન્જિનિયરિંગ એવા વ્યવસાય સાથે વ્યવહાર કરે છે જે ક્યારેય થોભાવતો નથી. વીજળી ઉત્પન્ન થતાંની સાથે જ તેનો વપરાશ થવો જોઈએ; જો માંગ અને પુરવઠાને દર સેકન્ડે સંતુલિત રાખવામાં નહીં આવે, તો આવર્તન બદલાશે, સંરક્ષણ પ્રણાલીઓ સક્રિય થશે અને સૌથી ખરાબ કિસ્સામાં, મોટો વિસ્તાર અંધકારમાં ડૂબી જશે. તેથી જ ઉર્જા પ્રણાલીઓ એ એક ક્ષેત્ર છે જ્યાં ભૂલનો માર્જિન નાનો છે અને પરિણામો મોટા છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI; સોફ્ટવેર સિસ્ટમ્સ કે જે મોટા ડેટા પેટર્નમાંથી શીખે છે અને ટેક્સ્ટ, છબીઓ અથવા સંખ્યાઓનું ઉત્પાદન કરે છે) આ ક્ષેત્રમાં એક મહાન પ્રવેગક છે: સેકંડમાં લાખો મીટર રેકોર્ડ સ્કેન કરવું, હવામાનની આગાહીને ઉત્પાદનમાં ફેરવવું, ટ્રાન્સફોર્મરની ખામીના સાયલન્ટ ચિહ્નને શોધી કાઢવું. પરંતુ તે જ કૃત્રિમ બુદ્ધિ આત્મવિશ્વાસપૂર્ણ ભાષા સાથે સમાન અનિશ્ચિતતાને છુપાવી શકે છે. આ એકમ બે પાયા મૂકે છે જેના પર સમગ્ર મોડ્યુલ બાંધવામાં આવશે: ઊર્જા વર્કફ્લોમાં AI ક્યાં વાસ્તવિક મૂલ્ય ઉત્પન્ન કરે છે અને અમે દરેક આઉટપુટને કેવી રીતે માન્ય કરીએ છીએ.
ચાલો શરૂઆતથી જ સ્પષ્ટ થઈએ: આ મોડ્યુલ દરમ્યાન તમે જે પણ તકનીકો શીખો છો તેનો હેતુ યોગ્ય પાવર એન્જિનિયરના હસ્તાક્ષર, ક્ષેત્ર માપન અને એન્જિનિયરિંગ નિર્ણયને બદલવાનો નથી. કૃત્રિમ બુદ્ધિ એ સહાયક છે; ઝડપથી વાંચે છે, ઝડપથી લખે છે, પેટર્ન પકડે છે. પરંતુ જો રિલે ખોટી રીતે સેટ કરેલ હોય, ટ્રાન્સફોર્મર ઓવરલોડ થાય, સ્ટોરેજ સિસ્ટમ થર્મલ રનઅવેમાં જાય અથવા આગાહીની ભૂલને કારણે ગ્રીડ અસ્થિર બની જાય, તો જવાબદારી સોફ્ટવેરની નહીં પણ સાઇન ઓફ કરનાર એન્જિનિયરની છે. તમે આ વાક્યને ફરીથી મોડ્યુલના દરેક એકમમાં અલગ-અલગ સ્વરૂપમાં જોશો, કારણ કે સલામતી-નિર્ણાયક એન્જિનિયરિંગમાં આ એકમાત્ર સત્ય છે.
એનર્જી વર્કફ્લોમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ ક્યાં મૂલ્યનું સર્જન કરે છે?
પાવર એન્જિનિયરના સપ્તાહને આશરે ત્રણ પ્રકારના કામમાં વિભાજિત કરવામાં આવે છે: ડેટા તૈયારી (SCADA લૉગ્સ સાફ કરવા, મીટર ડેટાનું આયોજન, એકમ માનકીકરણ), વિશ્લેષણ અને આગાહી (લોડ આગાહી, ઉત્પાદન આગાહી, વિસંગતતા શોધ, ઑપ્ટિમાઇઝેશન), અને સંચાર (રિપોર્ટ, પ્રસ્તુતિ, દરખાસ્ત, નિયમનકારી એપ્લિકેશન). AI ત્રણેય ક્ષેત્રોને સ્પર્શે છે, પરંતુ દરેકમાં તેનું યોગદાન અને જોખમ અલગ-અલગ છે.
ચાલો સંક્ષિપ્તમાં શરતોને સ્પષ્ટ કરીએ: SCADA (સુપરવાઇઝરી કંટ્રોલ એન્ડ ડેટા એક્વિઝિશન) એ એક સિસ્ટમ છે જે પાવર પ્લાન્ટ અને નેટવર્ક સાધનોમાંથી ત્વરિત માપન એકત્રિત કરે છે અને રિમોટ મોનિટરિંગ/કંટ્રોલ પ્રદાન કરે છે. સ્માર્ટ મીટર એ વીજળીનું મીટર છે જે વપરાશને માપે છે અને તેને રિમોટલી ટ્રાન્સમિટ કરે છે, સામાન્ય રીતે 15-મિનિટના અંતરાલ પર.
ડેટાની તૈયારી એ આર્ટિફિશિયલ ઇન્ટેલિજન્સનું સૌથી સુરક્ષિત અને સૌથી નફાકારક ક્ષેત્ર છે. મીટર આઉટપુટની હજારો લીટીઓમાં આઉટલીયર્સને ફ્લેગ કરવું, અસંગત એકમોને માનક બનાવવું (જેમ કે kWh સાથે kW નું મિશ્રણ કરવું), ફ્રી-ટેક્સ્ટ ફોલ્ટ નોટ્સનું સંરચિત કોષ્ટકમાં ભાષાંતર કરવું — આ પુનરાવર્તિત, નિયમો-આધારિત, ચકાસવા માટે સરળ કાર્યો છે. જો અહીં કોઈ ભૂલ હોય તો પણ, સ્રોત (કાચા રેકોર્ડિંગ) પર પાછા જવા અને તપાસવામાં મિનિટો લાગશે.
વિશ્લેષણ અને અનુમાનનું ક્ષેત્ર સૌથી વધુ મૂલ્ય અને સૌથી વધુ જોખમ ધરાવે છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ આવતીકાલના લોડ વળાંક, સૌર ઉર્જા પ્લાન્ટનું બપોરનું ઉત્પાદન અથવા ટર્બાઇન બેરિંગ નિષ્ફળ જવાની વૃત્તિની આગાહી કરી શકે છે. આ એવા દાખલાઓ દર્શાવે છે જે માનવ આંખ ચૂકી શકે છે. પરંતુ તે જ મોડેલ વિશ્વાસપૂર્વક એવી પેટર્નને ફિટ કરી શકે છે જે અસ્તિત્વમાં નથી (આ ઘટનાને આભાસ કહેવામાં આવે છે: મોડેલ એવી માહિતી ઉત્પન્ન કરે છે જે વાસ્તવમાં અસ્તિત્વમાં નથી, જાણે તે વાસ્તવિક હોય). આ ક્ષેત્રમાં, AI એ પૂર્વધારણા જનરેટર છે, નિર્ણય નિર્માતા નથી.
સંદેશાવ્યવહારના ક્ષેત્રમાં, કૃત્રિમ બુદ્ધિ એ ડ્રાફ્ટ એક્સિલરેટર છે. શક્યતા અહેવાલના પદ્ધતિ વિભાગ, નિયમનકારી સંક્ષિપ્ત અથવા મિનિટોમાં ક્લાયન્ટ ઈમેલનો ડ્રાફ્ટ કરે છે. અહીં જોખમ એ છે કે કાયદાના બનાવેલા ભાગ અથવા ખોટા નંબર પર વહેતા લખાણમાં ધ્યાન આપ્યા વિના સહી કરી શકાય છે.
માન્યતા શિસ્ત: ત્રણ એન્કર નિયમ
આ મોડ્યુલનું હાર્દ એક આદત છે: કોઈપણ AI આઉટપુટને માન્ય કર્યા વિના એન્જિનિયરિંગ નિર્ણયમાં સામેલ ન કરવું. અમે માન્યતાને ત્રણ સ્વતંત્ર એન્કર પર આધાર રાખીએ છીએ.
પ્રથમ એન્કર - તીવ્રતાનો ક્રમ. શું પરિણામ અંદાજે 10 શ્રેણીની અપેક્ષિત શક્તિની અંદર છે? નિવાસસ્થાનનો વાર્ષિક વપરાશ સામાન્ય રીતે હજારો kWh ના ક્રમમાં હોય છે; જો મોડેલ ફ્લેટ માટે 5 મિલિયન kWh આપે છે, તો એકમ અથવા સંપાદન ભૂલ છે અને તે વિગતવારમાં ગયા વિના સમજી શકાય છે. ડિસ્ટ્રિબ્યુશન ટ્રાન્સફોર્મરની શક્તિ સેંકડો kVA થી લઈને કેટલાક MVA સુધીની હોય છે; પડોશી ટ્રાન્સફોર્મર માટે 500 MVA હાસ્યાસ્પદ છે. આ ચેક સેકન્ડ લે છે અને મોટાભાગની ભૂલો પકડે છે.
બીજું એન્કર - એન્જિનિયરિંગની બુદ્ધિગમ્યતા. શું આઉટપુટ સિસ્ટમના ભૌતિકશાસ્ત્ર અને વ્યવસાયિક તર્ક સાથે સુસંગત છે? તે સોલાર પાવર પ્લાન્ટ માટે રાત્રે ઉત્પાદન કરવા માટે, નકારાત્મક વપરાશ દર્શાવવા માટેના લોડ માટે (જો ત્યાં ઉત્પાદન ન હોય તો), બેટરીની કાર્યક્ષમતા 100 ટકાથી વધુ હોય તે માટે તે ભૌતિકશાસ્ત્રના નિયમોનું ઉલ્લંઘન કરે છે. ઉર્જાનું સંરક્ષણ, પાવર ફેક્ટર મર્યાદાઓ, સાધનસામગ્રી રેટિંગ - આ વાજબીતાના ફિલ્ટર્સ છે જે દરેક આઉટપુટને પસાર કરવું આવશ્યક છે.
ત્રીજો એન્કર — માપ/ક્ષેત્ર પુરાવા. આ સૌથી મજબૂત એન્કર છે. મીટર માપન, વાસ્તવિક ઉત્પાદન ડેટા, ક્ષેત્ર નિરીક્ષણ. લોડની આગાહીની તુલના વાસ્તવિક વપરાશ સાથે કરવામાં આવે છે. નિષ્ફળતાની આગાહી ક્ષેત્ર નિરીક્ષણ અને કંપન માપન દ્વારા પરીક્ષણ કરવામાં આવે છે. જમીની સત્ય હંમેશા જીતે છે; મોડલ ગમે તેટલા આત્મવિશ્વાસથી બોલે છે, ટર્મિનલમાં માપન અંતિમ કહે છે.
ટીપ: ચેકલિસ્ટની જેમ ત્રણ એન્કરને યાદ રાખો: "શું ઓર્ડર સાચો છે? શું ભૌતિકશાસ્ત્ર વાજબી છે? માપ શું કહે છે?" રિપોર્ટ પર હસ્તાક્ષર થાય તે પહેલાં આ ત્રણ પ્રશ્નો ઊર્જા વિશ્લેષણમાં મોટાભાગની ભૂલોને પકડે છે.
ત્રણ મિની કેસ: સંખ્યાઓ દ્વારા
કેસ 1 - મીટર ક્લિયરિંગમાં સમયની બચત. વિતરણ કંપનીના વિશ્લેષક 1,200 સબ્સ્ક્રાઇબર્સ (દર સબસ્ક્રાઇબર આશરે 2,880 પંક્તિઓ) માટે એક મહિનાના મૂલ્યના 15-મિનિટના મીટર ડેટાને મેન્યુઅલી સ્ક્રબ કરી રહ્યા હતા; સંદેશાવ્યવહારના ભંગાણ અને ડુપ્લિકેટ રેકોર્ડિંગને કારણે ગાબડા પડવાને દિવસો લાગી રહ્યા હતા. આર્ટિફિશિયલ ઇન્ટેલિજન્સ-સપોર્ટેડ નિયમ જનરેશન સાથે સ્વચાલિત ગેપ અને ડુપ્લિકેશન ડિટેક્શન; ચિહ્નિત રેકોર્ડની દૃષ્ટિની પુષ્ટિ કરી. પ્રક્રિયા લગભગ ત્રણ દિવસથી ઘટાડીને અડધો દિવસ કરવામાં આવી હતી, અને વેરિફિકેશનમાં જે સમય બચ્યો હતો તે ખર્ચવામાં આવ્યો હતો.
કેસ 2 - કેપ્ચર થયેલ આભાસ. જ્યારે ઇન્ટર્ન પાસે AI એ પ્રદેશના વિતરણ નિયમોનો સારાંશ આપે છે, ત્યારે ટેક્સ્ટમાં વાક્યનો સમાવેશ થાય છે "નિયમનના કલમ 47 મુજબ, પાવર પ્લાન્ટ્સે 30 સેકન્ડની અંદર ગ્રીડ સાથે સિંક્રનાઇઝ થવું આવશ્યક છે." એવો કોઈ પદાર્થ નહોતો; મોડેલે વાજબી દેખાતી પરંતુ કાલ્પનિક સંખ્યા તૈયાર કરી હતી. સોર્સ ડોક્યુમેન્ટ પર પાછા જવાની આદતએ સહી પહેલાં ભૂલ પકડી.
કેસ 3 - એકમ ભૂલ. એક ઉર્જા બચતની ગણતરીમાં, મોડેલ પાવર (kW) ને ઉર્જા (kWh) સાથે ભેળસેળ કરે છે અને 24 ના પરિબળ દ્વારા 24-કલાકના વપરાશને ઓછો અંદાજ આપે છે. તીવ્રતા તપાસના ક્રમમાં તરત જ ભૂલ જાહેર થઈ; બિલિંગ ડેટા 960 kWh ની રેન્જની પુષ્ટિ કરે છે.
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
નબળા પ્રોમ્પ્ટ:
આ પાવર પ્લાન્ટની કાર્યક્ષમતા પર ટિપ્પણી કરો અને સુધારાઓ સૂચવો.[ડેટા]
શક્તિશાળી પ્રોમ્પ્ટ:
તમારી ભૂમિકા: વરિષ્ઠ એનર્જી સિસ્ટમ એન્જિનિયર. આપેલ સંખ્યાઓના આધારે જ નીચેના ડેટા પર ટિપ્પણી કરો. - ડેટામાં ન હોય તેવા કોઈપણ મૂલ્યો, નિયમનકારી કલમો અથવા ધારણાઓ ઉમેરશો નહીં. - દરેક ટિપ્પણીની બાજુમાં, ડેટાની પંક્તિ/કૉલમ સૂચવો જેના પર તમે તેને કૌંસમાં બેઝ કરો છો. - દરેક આંકડાકીય પરિણામ માટે, સ્પષ્ટપણે એકમ લખો (kW અથવા kWh સ્પષ્ટ કરો).
મજબૂત પ્રોમ્પ્ટ મોડેલ પર ત્રણ બાબતો લાદે છે: સ્ત્રોતને વળગી રહેવું, સ્પષ્ટપણે એકમ જણાવવું અને અનિશ્ચિતતા સ્વીકારવી. આનાથી આભાસનો સંપૂર્ણ અંત આવતો નથી, પરંતુ તે તેને દૃશ્યમાન બનાવે છે.
ચાર નકલ કરી શકાય તેવા નમૂનાઓ
1) અનામી સંદર્ભની સ્થાપના:
હું એનર્જી સિસ્ટમ એન્જિનિયરિંગ અસાઇનમેન્ટ માટે મદદ શોધી રહ્યો છું. કંપની, ફીલ્ડનું નામ, કોઓર્ડિનેટ્સ અને ગ્રાહકની માહિતી ગોપનીય છે; હું તેમને "ફીલ્ડ-એ", "ફીડર-3" જેવા પ્રતિનિધિ લેબલ સાથે આપીશ. ક્વેસ્ટ: [ક્વેસ્ટ]. ફક્ત મેં આપેલા તકનીકી ડેટાના આધારે; હું ઇન્ફ્રાસ્ટ્રક્ચરની જટિલ વિગતો માંગીશ નહીં.
2) ત્રણ એન્કર ચકાસણી વિનંતીઓ:
નીચેના આઉટપુટ માટે ત્રણ તપાસ કરો અને દરેકને અલગ મથાળા હેઠળ જાણ કરો: 1) તીવ્રતાનો ક્રમ: શું દરેક સંખ્યા અપેક્ષિત શ્રેણીમાં છે? જો નહિં, તો તપાસો. 2) ભૌતિકશાસ્ત્ર/એન્જિનિયરિંગની બુદ્ધિગમ્યતા: શું ઉર્જા સંરક્ષણ, સાધનો રેટિંગ, ઓપરેટિંગ તર્કનું ઉલ્લંઘન થયું છે? 3) ચકાસણી ભલામણ: કયા માપ/ક્ષેત્ર પુરાવા આ આઉટપુટનું પરીક્ષણ કરે છે?
3) એકમ અને ધારણા નિયંત્રણ:
નીચે પગલું દ્વારા ગણતરી તપાસો. દરેક લાઇનમાં વપરાયેલ એકમ લખો, સ્પષ્ટપણે એકમ રૂપાંતરણ દર્શાવે છે (kW→kWh, MWh→GWh વગેરે). એક અલગ સૂચિમાં છુપાયેલા ધારણાઓ એકત્રિત કરો. જો પરિણામ શારીરિક રીતે અશક્ય છે, તો તેને સ્પષ્ટપણે જણાવો.
4) નિર્ણય-સમર્થન સારાંશ:
આ વિશ્લેષણને એન્જિનિયરિંગ નિર્ણય નોંધમાં રૂપાંતરિત કરો: (a) શોધ, (b) ડેટા કે જેના પર તે આધારિત છે, (c) અનિશ્ચિતતા/જોખમ, (d) અધિકૃત મંજૂરીની જરૂર હોય તેવા ભાગો. "નિર્ણય માટે ભલામણ" ભાષાનો ઉપયોગ કરો, "નિર્ણયિત" નહીં.
વારંવાર ઉપયોગમાં લેવાતી શરતો કોષ્ટક
મુદત
સંક્ષિપ્ત વર્ણન
ભાર
ચોક્કસ ક્ષણે વિદ્યુત શક્તિનો વપરાશ (kW/MW)
માંગની આગાહી
ભાવિ લોડની આગાહી
ક્ષમતા પરિબળ
ઉત્પાદિત ઊર્જાનો ગુણોત્તર જે ઉત્પન્ન થશે જો તે સંપૂર્ણ શક્તિ પર સતત કાર્ય કરે
આવર્તન
નેટવર્ક વૈકલ્પિક પ્રવાહનો ઓસિલેશન દર (તુર્કીમાં 50 હર્ટ્ઝ), માંગ-પુરવઠા સંતુલનનું સૂચક
આભાસ
AI અવિદ્યમાન માહિતી ઉત્પન્ન કરે છે જાણે તે વાસ્તવિક હોય
ત્રણ એન્કર
ઓર્ડર + ભૌતિકશાસ્ત્રની બુદ્ધિગમ્યતા + માપન સાબિતી ચકાસણી શિસ્ત
સામાન્ય ભૂલો
- ચોકસાઈ માટે ભૂલથી પ્રવાહિતા. ટેક્સ્ટ સાચો હોવાનો અર્થ એ નથી કે સંખ્યાઓ સાચી છે. ઊર્જા ડેટામાં, એકમ અને ક્રમ હંમેશા અલગથી તપાસવામાં આવે છે.
- એકમો અનિશ્ચિત છોડી રહ્યા છે. kW અને kWh, MW અને MWh વચ્ચેની મૂંઝવણ એ ઊર્જાની ગણતરીમાં સૌથી સામાન્ય અને ખર્ચાળ ભૂલ છે.
- નિર્ણાયક ડેટાને જેમ છે તેમ શેર કરવું. SCADA અને ગ્રીડ ટોપોલોજી નિર્ણાયક ઈન્ફ્રાસ્ટ્રક્ચર છે; તે અનામી વિના જાહેર સાધન પર મોકલવામાં આવતું નથી.
- નિર્ણય લેવા માટે AI ને ભૂલ કરવી. સલામતી-નિર્ણાયક નિર્ણયોમાં, AI ભલામણો જનરેટ કરે છે; અધિકૃત ઇજનેર નિર્ણય અને જવાબદારી લે છે.
- એક જ એન્કર પર આધાર રાખવો. ફક્ત "મોડલ સલામત લાગે છે" અથવા ફક્ત રેન્ક તપાસવું પૂરતું નથી; ત્રણ એન્કર એકસાથે વપરાય છે.
સાવધાન: એઆઈ ટૂલમાં ગ્રીડની ટોપોલોજી, પ્રોટેક્શન સેટિંગ્સ અથવા મહત્ત્વપૂર્ણ એસેટ સ્થાનો જેવી માહિતી દાખલ કરવી એ ગોપનીયતા અને સાયબર સુરક્ષા બંનેની નબળાઈ છે. આવા ડેટાની પ્રક્રિયા માત્ર સંસ્થા દ્વારા મંજૂર બંધ સિસ્ટમોમાં કરવામાં આવે છે.
સારાંશમાં
આર્ટિફિશિયલ ઇન્ટેલિજન્સ એનર્જી એન્જિનિયરિંગમાં ડેટાની તૈયારી, વિશ્લેષણ/અનુમાન અને સંચારમાં નોંધપાત્ર સમય બચાવે છે; પરંતુ વિશ્લેષણ અને અનુમાનનું ક્ષેત્ર જે ઉચ્ચતમ મૂલ્ય ધરાવે છે તે પણ સૌથી વધુ જોખમ ધરાવે છે. આ મોડ્યુલની કરોડરજ્જુ એ એક શિસ્ત છે જે દરેક આઉટપુટને ત્રણ એન્કર સામે પરીક્ષણ કરે છે - તીવ્રતાનો ક્રમ, ઇજનેરી બુદ્ધિગમ્યતા અને માપન પુરાવા. અધિકૃત એન્જિનિયરની મંજૂરી વિના AI આઉટપુટ પર કોઈ સલામતી-જટિલ નિર્ણયો બાકી નથી.
એપ્લિકેશન કાર્ય
તમારી પોતાની વર્કસાઇટ (અથવા ખુલ્લું ઉદાહરણ) પરથી દિવસ-આગળનો ભાર અથવા ઉત્પાદન અનુમાન મેળવો. ઉપરના "ત્રણ એન્કર માન્યતા વિનંતીઓ" ટેમ્પલેટનો ઉપયોગ કરીને, AI ને ત્રણ શીર્ષકો હેઠળ આઉટપુટનું ઑડિટ કરવા માટે કહો. પછી દરેક શીર્ષક માટે તમારા પોતાના હાથે તપાસ કરો: શું ઓર્ડર સાચો છે, શું ભૌતિકશાસ્ત્ર વાજબી છે, તમે કયા મેટ્રિક દ્વારા તેનું પરીક્ષણ કરશો? તમને મળેલી ઓછામાં ઓછી એક સમસ્યા અને તમે તેને ફકરામાં કેવી રીતે પકડ્યો તે લખો.
ચેકલિસ્ટ
- [ ] મેં કાર્યને ડેટા તૈયારી / વિશ્લેષણ / સંચાર તરીકે વર્ગીકૃત કર્યું અને તેના જોખમનું મૂલ્યાંકન કર્યું
- [ ] મેં મેગ્નિટ્યુડના ક્રમ દ્વારા આઉટપુટનું પરીક્ષણ કર્યું
- [ ] મેં ભૌતિકશાસ્ત્ર અને ઇજનેરીની બુદ્ધિગમ્યતા સામે આઉટપુટનું પરીક્ષણ કર્યું
- [ ] મેં નક્કી કર્યું છે કે કયા માપ/ક્ષેત્ર પુરાવા ચકાસશે
- [ ] મેં બધા એકમો (kW/kWh, MW/MWh) સ્પષ્ટપણે તપાસ્યા
- [ ] મેં નિર્ણાયક/ગોપનીય ડેટાને અનામી રાખ્યો છે, મહત્વપૂર્ણ માળખાકીય વિગતો શેર કરી નથી
- [ ] મેં નોંધ્યું છે કે સલામતી-નિર્ણાયક નિર્ણય અધિકૃત એન્જિનિયરની મંજૂરી સાથે રહે છે