이득:
- 인공지능의 도움으로 데이터부터 보고까지 엔드투엔드 Python 분석 워크플로우를 구축하는 능력
- 생성된 코드의 단위 호환성, 누출, 재현성 검증 능력
- 에너지 프로젝트에서 윤리, 기밀 유지, 사이버 보안 및 엔지니어 책임 제한을 실행하는 능력
모듈 시험
1. 다음 중 에너지 시스템 엔지니어링에서 AI 출력의 위험을 결정하는 기본 원칙은 무엇입니까?
- A) 출력의 위험은 해당 출력에 결함이 있을 경우 발생할 수 있는 피해와 동일합니다. 그에 따라 검증 규모가 조정됩니다 ✔
- 나) AI 출력물은 유창하고 자신있게 작성되었기 때문에 일반적으로 안전하다.
- 다) 최신 모델을 사용하는 경우에는 Validation이 불필요하다.
- D) 출력이 표준을 참조하는 경우 추가 제어가 필요하지 않습니다.
설명: 출력의 위험은 해당 출력에 결함이 있을 경우 발생하는 피해와 동일합니다. 프레젠테이션 텍스트의 사소한 오류는 무해할 수 있지만 계전기 보호 설정 또는 변압기 부하 결정의 오류는 장비 손상, 정전 및 생명 안전 위험을 초래할 수 있습니다. 따라서 검증 강도는 잠재적인 피해에 따라 증가합니다.
2. 인공지능으로 에너지 시계열 데이터를 작성할 때 가장 흔히 발생하는 함정은 무엇이며 결과를 가장 많이 왜곡하는 것은 무엇입니까?
- A) 그래픽 색상의 잘못된 선택
- B) 시간대, 일광 절약 시간 및 타임스탬프 라벨 혼동 ✔
- 다) 파일명이 너무 깁니다.
- D) CSV 대신 Excel에 데이터 보관
설명: 시간대, 일광 절약 시간(DST) 및 타임스탬프의 시작/끝 태그 혼동은 에너지 데이터에서 매우 일반적입니다. 1시간 교대 근무는 전체 요일 유형 및 피크 시간 분석을 왜곡합니다. 따라서 각 분석 전에 시간 축을 표준화해야 하며 AI 출력은 일출/피크 시간과 같은 물리적 앵커에 대해 테스트되어야 합니다.
3. 단기 부하 예측의 MAPE(평균 절대 백분율 오류)가 낮게 보이지만 예측이 여전히 신뢰할 수 없음을 보여주는 상황은 무엇입니까?
- A) MAPE는 항상 예측 품질에 대한 완전하고 적절한 척도입니다.
- B) 평균이 낮더라도 피크 시간대에는 체계적인 편차가 있을 수 있으며 이것이 바로 그리드가 중요한 부분입니다 ✔
- C) MAPE는 장기 예측에서만 의미가 있습니다.
- D) 낮은 MAPE는 모델이 물리적으로 정확하다는 것을 증명합니다.
설명: MAPE는 평균 오류입니다. 전체 결과가 양호해 보이더라도 피크 시간대와 계절적 변화에 체계적인 편차가 있을 수 있습니다. 네트워크 균형은 이러한 피크 순간에 매우 중요하므로 평균 지표가 좋다고 해서 예측하는 것이 안전하다고 간주할 수는 없습니다. 오류는 시간과 체제에 따라 별도로 분석되어야 합니다.
4. 태양광 발전소 생산량 예측의 합리성을 테스트하기 위한 가장 강력한 물리적 상한은 무엇입니까?
- 가) 지난해 총액
- B) 방사선, 패널 면적 및 설치 전력에 따라 물리적 생산 한도가 제한됨(야간에는 0 포함) ✔
- C) 모델이 제공하는 신뢰도 비율
- D) 풍속 측정
설명: 태양광 발전소는 태양 복사열과 패널 용량이 허용하는 것 이상을 생산할 수 없습니다. 생산량은 밤에 0이 되고 정오쯤에 최고조에 달할 것으로 예상되며 설치된 전력 및 모듈 면적에 따라 제한됩니다. 해당 모델이 야간생산이나 설치능력을 초과하는 가치를 부여한 경우에는 물리적으로 불가능합니다. 이 검사는 통계를 확인하지 않고 예측을 제거합니다.
5. AI 최적화 제안이 스마트 그리드에 직접 구현되기 전에 통과해야 하는 필터는 무엇입니까?
- A) 최저가 제안만으로도 충분합니다.
- B) 모델을 높은 정확도로 훈련시키는 것으로 충분합니다.
- C) 안전 제약(전압, 열, N-1) 제어 및 승인된 운영자 승인 ✔
- D) 추천이 과거 데이터에 적합하면 충분합니다.
설명: 네트워크는 안전에 매우 중요합니다. 전압, 전류, 열 및 N-1(요소 오류) 제약 조건을 위반하는 권장 사항은 구현할 수 없습니다. AI 출력은 먼저 이러한 보안 제약 조건을 통과한 후 승인을 위해 승인된 운영자에게 제출됩니다. 최적화는 결코 보안 제약을 방해하지 않습니다.
6. 배터리 저장 사업에서 AI를 활용한 차익거래(싸게 사서 비싸게 파는) 전략을 수립할 때 자주 간과되고 이익을 오도하는 비용은 무엇입니까?
- 가) 인터넷 접속료
- B) 사이클당 열화(마모) 및 효율 손실 비용 ✔
- 다) 직원의 커피 브레이크 시간
- D) 배터리 색상
설명: 각 충전-방전 주기는 배터리를 마모시킵니다. 성능 저하(건강 손실)는 실제 비용이며 보증 한도를 소진시킵니다. 가격 차이만 보는 차익거래 분석은 사이클당 성능 저하 비용과 효율 손실을 무시하면 이익을 과대평가해 배터리 수명을 단축시키게 된다.
7. 예측 유지 관리에서 이상 탐지 모델의 임계값을 결정할 때 핵심 균형은 무엇입니까?
- A) 잘못된 경보와 놓친 실패 비용 사이의 의식적인 균형 ✔
- B) 임계값은 항상 가능한 한 낮게 유지되어야 합니다.
- C) 임계값은 모델의 정확도 비율만 보고 결정됩니다.
- D) 한 번 설정된 임계값은 절대로 변경해서는 안 됩니다.
설명: 임계값이 낮아지면 허위 경보(장애가 없을 때 경보)가 증가하고 팀은 경보를 불신하게 됩니다. 임계값이 증가하면 오류 누락(실제 오류 누락) 위험이 증가합니다. 올바른 임계값은 허위 경보 비용과 누락된 오류(예: 변압기 폭발) 비용 사이의 의식적인 균형이며 장비의 중요도에 따라 조정됩니다.
8. 에너지 효율 프로젝트에서 절감 효과를 검증하기 위한 측정 및 검증(M&V) 프레임워크의 기본 논리는 무엇입니까?
- A) 송장 금액이 감소할 때마다 직접 절감액으로 간주됩니다.
- B) 절감액은 조정된 기준치와 측정된 소비량의 차이입니다 ✔
- C) 절감액은 제조업체의 카탈로그 가격으로만 선언됩니다.
- D) 모델이 예측한 것과 동일한 절감액
설명: 절감액은 직접 측정할 수 없습니다. 측정되는 것은 예방 조치를 취한 후의 소비량입니다. 절감액은 측정된 소비와 '측정 없이 소비되는 것'이라는 기준치 간의 차이입니다. 따라서 기본 모델은 날씨/생산과 같은 변수에 대해 수정되어야 하며, 이 조정된 기준에 대해 계산된 절감액이 필요합니다.
9. 전기 가격 예측 모델에서 '과적합'이 특히 위험한 이유는 무엇입니까?
- A) 모델 속도가 느려지기 때문입니다.
- 나) 과거의 소음을 기억하고, 미래에는 붕괴하고, 특히 정권이 바뀌면 무너지며, 높은 자신감으로 호도한다 ✔
- C) 메모리를 더 많이 사용하기 때문에
- D) 그래픽을 읽기 어렵게 만들기 때문입니다.
설명: 과적합은 모델이 반복되지 않는 과거 데이터의 노이즈와 패턴을 기억하는 경우입니다. 백테스팅은 완벽해 보이지만 나중에 충돌이 발생합니다. 가격 데이터가 정권을 바꾸면(유가 충격, 법률 변경 등) 기억된 패턴이 무효화되어 높은 신뢰도를 지닌 잘못된 입찰로 이어집니다.
10. 부하 이동에 있어 시간당 탄소 강도(그 시간에 전력 1kWh의 gCO2 값) 개념이 중요한 이유는 무엇입니까?
- A) 탄소밀도는 매시간 동일하므로 상관없습니다.
- B) 송장 금액에만 영향을 미치기 때문입니다.
- C) 재생 가능 지분에 따라 시간별로 달라집니다. 유연한 부하를 저강도 시간으로 전환하면 배출이 감소합니다 ✔
- 라) 야간요금에만 관련되어 있기 때문에
설명: 그리드의 탄소 강도는 시간별로 다릅니다. 재생 가능 발전량이 많은 시간에는 낮고, 화석 발전소가 가동되는 피크 시간에는 높습니다. 유연한 부하를 피크가 낮은 시간으로 전환하면 동일한 에너지를 소비하면서도 배출량이 줄어듭니다. 평균 연간 요인은 이 기회를 숨깁니다.
11. 인공지능이 제작한 파이썬 분석 코드에서 '데이터 유출'은 무엇을 의미하며 왜 위험한가요?
- 가) 디스크에서 데이터 삭제
- B) 모델은 예측 당시에는 사용할 수 없는 미래 정보를 훈련에 사용합니다. 시험은 좋은데 현실은 나쁘다 ✔
- 다) 데이터는 인터넷으로 유출되는 것 외에는 아무런 의미가 없습니다.
- D) 코드가 매우 느리게 실행됩니다.
설명: 데이터 유출은 모델이 미래에 훈련 중에 실제로 발견될 정보에 액세스하는 경우입니다. 예를 들어 예측할 시간의 실제 값을 속성으로 사용합니다. 이로 인해 완벽한 백테스팅이 이루어지지만 실제로는 쓸모가 없습니다. 시계열의 과거/미래 경계는 코드에서 주의 깊게 유지되어야 합니다.
12. 에너지 회사 SCADA 데이터를 일반 AI 도구로 보낼 때 올바른 접근 방식은 무엇입니까?
- A) 모든 데이터를 그대로 보내는 것이 가장 정확한 결과를 얻을 수 있습니다.
- B) 데이터 익명화 및 승인된 도구를 사용하여 필요한 기술 하위 집합만 공유 ✔
- 다) 어차피 데이터는 공개되어 있기 때문에 예방 조치가 필요하지 않습니다.
- D) 파일명만 변경하면 충분합니다.
설명: SCADA 및 네트워크 토폴로지 데이터는 중요한 인프라 정보입니다. 그대로 퍼블릭 클라우드에 전송하면 개인 정보 보호, 경쟁 및 사이버 보안 위험이 발생합니다. 올바른 접근 방식은 대표 태그로 사이트/자산 이름을 익명화하고, 작업에 필요한 기술적 하위 집합만 공유하고, 기관 승인/비공개 도구를 선택하는 것입니다.
13. 풍력 생산 예측에서 '용량 계수'(최대 용량으로 지속적으로 작동할 경우 생산되는 에너지에 대한 생산된 에너지의 비율)가 합리성 기준으로 사용되는 이유는 무엇입니까?
- A) 마케팅 목적으로만 사용되는 숫자이기 때문에
- 나) 청구서를 직접 주셨기 때문에
- C) 알려진 일반적인 범위(약 25-45%)를 사용하여 예측의 크기 순서를 테스트하는 물리적 기준이기 때문입니다. ✔
- D) 터빈의 색상을 결정하기 때문에
설명: 육상 풍력 발전 단지의 용량 계수는 일반적으로 약 25~45% 범위입니다. 이 범위(예: 90%)를 훨씬 벗어나는 장기 평균 생산을 예측하는 경우 예측은 물리적으로 믿기 어렵습니다. 이 비율을 사용하면 자세히 설명하지 않고도 예측의 크기 순서를 테스트할 수 있습니다.
14. 보안이 중요한 에너지 시스템 결정에서 인공 지능의 역할을 가장 정확하게 정의할 수 있는 방법은 무엇입니까?
- A) AI가 공인 엔지니어 승인을 대체할 수 있다
- B) AI는 가설과 개요를 생성합니다. 안전이 중요한 결정에 대한 승인과 책임은 공인 엔지니어에게 있습니다 ✔
- 다) AI가 충분히 강력하다면 인간의 확인은 불필요하다
- D) AI 출력은 쓸모가 없으므로 완전히 무시해야 합니다.
설명: 인공 지능은 빠르게 읽고, 패턴을 파악하고, 초안을 생성하는 강력한 조수입니다. 그러나 보호 조정, 변압기 부하, 네트워크 조작과 같은 안전에 중요한 결정에 있어 유능한 전문가의 승인과 책임을 대체하지는 않습니다. AI는 가설과 개요를 생성합니다. 승인된 엔지니어가 결정과 서명을 제공합니다.