Ganhos:
- Capacidade de estabelecer um fluxo de trabalho de análise Python completo, dos dados ao relatório, com a ajuda da inteligência artificial
- Capacidade de verificar o código gerado em termos de compatibilidade da unidade, vazamento e reprodutibilidade
- Capacidade de colocar em prática limites de ética, confidencialidade, segurança cibernética e responsabilidade do engenheiro em projetos de energia
Exame do Módulo
1. Qual das alternativas a seguir é o princípio básico que determina o risco de um resultado de IA na engenharia de sistemas de energia?
- A) O risco de uma saída é igual ao dano que causaria se essa saída fosse defeituosa; a validação é dimensionada de acordo ✔
- B) A saída de IA é geralmente segura, pois é escrita com fluência e confiança
- C) A validação é desnecessária quando o modelo mais atual é usado
- D) Se a saída se referir a um padrão, nenhum controle adicional é necessário
Explicação: O risco de uma saída é igual ao dano que causará se essa saída estiver defeituosa. Embora um pequeno erro em um texto de apresentação possa ser inofensivo, um erro na configuração da proteção do relé ou na decisão de carregamento do transformador pode causar danos ao equipamento, interrupção da operação e riscos à segurança da vida; portanto, a intensidade da verificação aumenta com danos potenciais.
2. Qual é a armadilha mais comum na preparação de dados de séries temporais de energia com inteligência artificial e qual distorce mais os resultados?
- A) Seleção incorreta de cores gráficas
- B) Fuso horário, horário de verão e confusão de rótulos de carimbo de data/hora ✔
- C) O nome do arquivo é muito longo
- D) Manter dados em Excel em vez de CSV
Explicação: Confusões de tags de início/fim de fuso horário, horário de verão (DST) e carimbo de data/hora são muito comuns em dados de energia; um turno de uma hora distorce toda a análise do tipo de dia e do horário de pico. Portanto, o eixo do tempo deve ser padronizado antes de cada análise e a saída da IA deve ser testada em relação a âncoras físicas, como horário de nascer do sol/pico.
3. Qual situação mostra que embora o MAPE (Erro Percentual Médio Absoluto) em uma previsão de carga de curto prazo pareça baixo, a previsão ainda pode não ser confiável?
- A) O MAPE é sempre uma medida completa e adequada da qualidade da previsão
- B) Mesmo que a média seja baixa, pode haver desvio sistemático nos horários de pico e é aí que a rede é crítica ✔
- C) MAPE só é significativo em previsões de longo prazo
- D) MAPE baixo prova que o modelo está fisicamente correto
Explicação: MAPE é um erro médio; Mesmo que o total pareça bom, pode haver desvios sistemáticos nos horários de pico e nas transições sazonais. O equilíbrio da rede é crítico precisamente nesses momentos de pico, portanto, só porque a métrica média é boa não pode ser considerado seguro para prever; O erro deve ser analisado separadamente com base no tempo e no regime.
4. Qual é o limite superior físico mais robusto para testar a razoabilidade de uma previsão de produção de uma usina solar?
- A) Fatura total do ano passado
- B) Teto físico de produção limitado por radiação, área do painel e potência instalada (incluindo zero à noite) ✔
- C) Porcentagem de confiança dada pelo modelo
- D) Medição da velocidade do vento
Descrição: Uma usina solar não pode produzir mais do que a radiação solar e a capacidade do painel permitem; A produção deverá ser zero à noite, com pico por volta do meio-dia, e limitada pela potência instalada e área do módulo. É fisicamente impossível que o modelo dê um valor superior à produção noturna ou à capacidade instalada. Esta verificação elimina a previsão sem olhar as estatísticas.
5. Qual é o filtro que uma proposta de otimização de IA deve passar antes de ser implementada diretamente na rede inteligente?
- A) Basta que a sugestão proporcione por si só o menor custo.
- B) É suficiente que o modelo seja treinado com alta precisão
- C) Controle de restrições de segurança (tensão, térmica, N-1) e aprovação do operador autorizado ✔
- D) É suficiente que a recomendação se ajuste aos dados históricos
Descrição: A rede é crítica para a segurança: quaisquer recomendações que violem as restrições de tensão, corrente, térmicas e N-1 (falha do elemento) não podem ser implementadas. A saída da IA passa primeiro por essas restrições de segurança e depois é apresentada ao operador autorizado para aprovação; A otimização nunca atrapalha uma restrição de segurança.
6. Qual custo é frequentemente esquecido e engana o lucro ao estabelecer a estratégia de arbitragem (comprar barato, vender caro) com IA no negócio de armazenamento de baterias?
- A) Taxa de conexão à Internet
- B) Degradação (desgaste) e custo de perda de eficiência por ciclo ✔
- C) Duração do coffee break da equipe
- D) Cor da bateria
Descrição: Cada ciclo de carga e descarga desgasta a bateria; a degradação (perda de saúde) é um custo real e esgota os limites da garantia. Uma análise de arbitragem que considere apenas a diferença de preço superestimará o lucro e reduzirá a vida útil da bateria se ignorar o custo de degradação e a perda de eficiência por ciclo.
7. Qual é o equilíbrio chave ao determinar o valor limite de um modelo de detecção de anomalias na manutenção preditiva?
- A) Equilíbrio consciente entre alarmes falsos e custos de falhas perdidas ✔
- B) O limite deve ser sempre mantido o mais baixo possível
- C) O limite é determinado exclusivamente observando a porcentagem de precisão do modelo
- D) Uma vez definido o limite, ele nunca deve ser alterado.
Explicação: Se o limite for reduzido, os alarmes falsos (alarmes quando não há falha) aumentam e a equipe passa a desconfiar dos alarmes; Se o limite for aumentado, o risco de uma falha perdida (perder a falha real) aumenta. O limite correto é um equilíbrio consciente entre o custo de um alarme falso e o custo de uma falha perdida (por exemplo, explosão do transformador) e é ajustado de acordo com a criticidade do equipamento.
8. Qual é a lógica básica do quadro de medição e verificação (M&V) para verificar uma declaração de poupança num projeto de eficiência energética?
- A) Cada diminuição no valor da fatura é considerada uma economia direta
- B) A economia é a diferença entre a linha de base ajustada e o consumo medido ✔
- C) As economias são declaradas apenas pelo valor de catálogo do fabricante
- D) Economia igual ao que o modelo prevê
Explicação: As poupanças não podem ser medidas diretamente; O que se mede é o consumo após tomar precauções. A poupança é a diferença entre o consumo medido e a linha de base “o que seria consumido sem a medida”. Portanto, o modelo de referência deve ser corrigido para variáveis como clima/produção, sendo as poupanças calculadas em relação a esta referência ajustada.
9. Porque é que o “overfitting” é particularmente perigoso no modelo de previsão dos preços da electricidade?
- A) Porque desacelera o modelo
- B) Memoriza o ruído do passado, entra em colapso no futuro, especialmente quando o regime muda, e engana com alta confiança ✔
- C) Só porque usa mais memória
- D) Porque dificulta a leitura dos gráficos
Explicação: Overfitting ocorre quando o modelo memoriza ruídos e padrões em dados históricos que não se repetirão; O backtesting parece perfeito, mas falha no futuro. À medida que os dados de preços mudam de regime (choque no preço dos combustíveis, mudança na legislação), o padrão memorizado torna-se inválido e leva a licitações incorretas com elevada confiança.
10. Por que o conceito de intensidade horária de carbono (valor de gCO2 de um kWh de eletricidade naquela hora) é importante para a mudança de carga?
- A) A densidade do carbono é a mesma a cada hora, então não importa
- B) Porque afeta apenas o valor da fatura
- C) Varia de hora em hora dependendo da parcela renovável; Mudar a carga flexível para horários de baixa intensidade reduz as emissões ✔
- D) Porque está relacionado apenas com a tarifa noturna
Explicação: A intensidade de carbono da rede varia de hora em hora: é baixa durante as horas em que a geração renovável é alta e alta durante as horas de pico, quando as centrais eléctricas fósseis entram em funcionamento. A mudança de cargas flexíveis para horários de menor pico permite consumir a mesma energia, mas produzir menos emissões. O fator médio anual esconde esta oportunidade.
11. O que significa ‘vazamento de dados’ em um código de análise Python produzido por inteligência artificial e por que é perigoso?
- A) Excluindo dados do disco
- B) O modelo utiliza informações futuras no treinamento que não estarão disponíveis no momento da previsão; o teste é bom, mas a realidade é ruim ✔
- C) Os dados não têm outro significado senão vazar para a internet
- D) O código é executado muito lentamente
Explicação: O vazamento de dados ocorre quando o modelo acessa informações que realmente serão encontradas no futuro durante o treinamento; por exemplo, usando o valor real da hora a ser prevista como um atributo. Isso resulta em backtesting perfeito, mas inútil na realidade. O limite passado/futuro na série temporal deve ser cuidadosamente mantido no código.
12. Qual é a abordagem correta ao enviar dados SCADA de empresas de energia para uma ferramenta geral de IA?
- A) Enviar todos os dados como estão fornece resultados mais precisos
- B) Anonimizar dados e compartilhar apenas o subconjunto técnico necessário com uma ferramenta aprovada ✔
- C) A precaução é desnecessária porque os dados estão abertos de qualquer maneira
- D) Basta alterar o nome do arquivo
Descrição: Os dados SCADA e de topologia de rede são informações críticas de infraestrutura; Enviá-lo para uma nuvem pública representa riscos de privacidade, concorrência e segurança cibernética. A abordagem correta é anonimizar nomes de sites/ativos com tags representativas, compartilhar apenas o subconjunto técnico necessário para a tarefa e optar por ferramentas aprovadas/fechadas pela instituição.
13. Porque é que o “fator de capacidade” (a relação entre a energia produzida e a energia que seria produzida se funcionasse continuamente a plena capacidade) é utilizado como uma âncora de razoabilidade na previsão da produção eólica?
- A) Porque é um número apenas para fins de marketing
- B) Porque ele deu a fatura diretamente
- C) Porque é um critério físico que testa a ordem de grandeza da previsão, com faixa típica conhecida (aproximadamente 25-45%) ✔
- D) Porque determina a cor da turbina
Descrição: O fator de capacidade dos parques eólicos onshore está normalmente na faixa de aproximadamente 25 a 45 por cento. Uma previsão é fisicamente implausível se prevê uma produção na média de longo prazo que está bem fora deste intervalo (por exemplo, 90 por cento). Essa proporção permite testar a ordem de grandeza da previsão sem entrar em detalhes.
14. Como pode ser definido com maior precisão o papel da inteligência artificial numa decisão sobre um sistema energético crítico para a segurança?
- A) A IA pode substituir a aprovação do engenheiro autorizado
- B) A IA gera hipóteses e contornos; A aprovação e a responsabilidade pela decisão crítica de segurança permanecem com o engenheiro autorizado ✔
- C) Se a IA for poderosa o suficiente, a confirmação humana é desnecessária
- D) A saída de IA é inútil e deve ser completamente ignorada
Descrição: A inteligência artificial é um assistente poderoso que lê rapidamente, capta padrões, produz rascunhos; mas não substitui a aprovação e a responsabilidade de um especialista competente em decisões críticas de segurança, como ajuste de proteção, carregamento de transformadores, manobras de rede. A IA gera hipóteses e esboços; O engenheiro autorizado dá a decisão e a assinatura.