ලාභ:
- කෘත්රිම බුද්ධිය ආධාරයෙන් වාර්තා කිරීම සඳහා දත්ත වලින් අන්තයේ සිට අවසානය දක්වා පයිතන් විශ්ලේෂණ කාර්ය ප්රවාහයක් ස්ථාපිත කිරීමේ හැකියාව
- ඒකක ගැළපීම, කාන්දු වීම සහ ප්රතිනිෂ්පාදනය යන කරුණු අනුව උත්පාදනය කරන ලද කේතය සත්යාපනය කිරීමේ හැකියාව
- බලශක්ති ව්යාපෘතිවල ආචාර ධර්ම, රහස්යභාවය, සයිබර් ආරක්ෂාව සහ ඉංජිනේරු වගකීම් සීමාවන් ක්රියාවට නැංවීමේ හැකියාව
මොඩියුල විභාගය
1. බලශක්ති පද්ධති ඉංජිනේරු විද්යාවේදී AI නිමැවුමක අවදානම තීරණය කරන මූලික මූලධර්මය පහත සඳහන් දේවලින් කුමක් ද?
- A) ප්රතිදානයක අවදානම එම ප්රතිදානය දෝෂ සහිත නම් එයින් සිදුවන හානියට සමාන වේ; ඒ අනුව වලංගු කිරීමේ පරිමාණයන් ✔
- B) AI ප්රතිදානය සාමාන්යයෙන් ආරක්ෂිත වන්නේ එය චතුර ලෙස සහ විශ්වාසයෙන් ලියා ඇති බැවිනි
- C) වඩාත්ම වත්මන් ආකෘතිය භාවිතා කරන විට වලංගු කිරීම අනවශ්යය
- D) ප්රතිදානය ප්රමිතියකට යොමු කරන්නේ නම්, අමතර පාලනයක් අවශ්ය නොවේ
පැහැදිලි කිරීම: ප්රතිදානයක අවදානම එම ප්රතිදානය දෝෂ සහිත නම් එයින් සිදුවන හානියට සමාන වේ. ඉදිරිපත් කිරීමේ පාඨයක ඇති සුළු දෝෂයක් හානිකර විය හැකි අතර, රිලේ ආරක්ෂණ සැකසුමක හෝ ට්රාන්ස්ෆෝමර් පැටවීමේ තීරණයේ දෝෂයක් උපකරණ හානි, ඇනහිටීම් සහ ජීවිත ආරක්ෂණ අවදානම් ඇති කළ හැකිය; එබැවින් විභව හානියක් සහිත සත්යාපන තීව්රතා පරිමාණයන්.
2. කෘත්රිම බුද්ධිය සමඟින් ශක්ති කාල ශ්රේණි දත්ත සකස් කිරීමේදී වඩාත් පොදු අන්තරාය කුමක්ද සහ ප්රතිඵල වඩාත් විකෘති කරන්නේ කුමක්ද?
- A) චිත්රක වර්ණ වැරදි ලෙස තෝරා ගැනීම
- B) කාල කලාපය, දිවා ආලෝකය ඉතිරි කිරීමේ කාලය සහ වේලා මුද්දර ලේබල් ව්යාකූලත්වය ✔
- C) ගොනුවේ නම දිග වැඩියි
- D) CSV වෙනුවට Excel හි දත්ත තබා ගැනීම
පැහැදිලි කිරීම: කාල කලාපයේ ආරම්භක/අවසාන ටැග් ව්යාකූලතා, දිවා ආලෝකය ඉතිරි කිරීමේ කාලය (DST) සහ වේලා මුද්රාව බලශක්ති දත්තවල බහුලව දක්නට ලැබේ; පැයක වැඩ මුරය මුළු දින වර්ගය සහ උපරිම පැය විශ්ලේෂණය විකෘති කරයි. එබැවින්, එක් එක් විශ්ලේෂණයට පෙර කාල අක්ෂය ප්රමිතිගත කළ යුතු අතර හිරු උදාව/උච්ච අවස්ථාව වැනි භෞතික නැංගුරම් වලට එරෙහිව AI ප්රතිදානය පරීක්ෂා කළ යුතුය.
3. කෙටි කාලීන පැටවීමේ පුරෝකථනයක MAPE (මධ්යන්ය නිරපේක්ෂ ප්රතිශත දෝෂය) අඩු බව පෙනෙන අතර, අනාවැකිය තවමත් විශ්වාස කළ නොහැකි බව පෙන්නුම් කරන්නේ කුමන තත්ත්වයද?
- A) MAPE සෑම විටම පුරෝකථන ගුණාත්මක භාවය පිළිබඳ සම්පූර්ණ සහ ප්රමාණවත් මිනුමක් වේ
- B) සාමාන්යය අඩු වුවද, උපරිම පැය වලදී ක්රමානුකූල අපගමනය විය හැකි අතර ජාලය තීරණාත්මක වන්නේ එහිදීය ✔
- C) MAPE අර්ථවත් වන්නේ දිගුකාලීන පුරෝකථනයේදී පමණි
- D) අඩු MAPE ආකෘතිය භෞතිකව නිවැරදි බව ඔප්පු කරයි
පැහැදිලි කිරීම: MAPE යනු සාමාන්ය දෝෂයකි; සමස්තය හොඳ පෙනුමක් තිබුණත්, උපරිම පැය සහ සෘතුමය සංක්රාන්තිවල ක්රමානුකූල අපගමනයන් තිබිය හැක. මෙම උච්ච අවස්ථාවන්හිදී ජාල ශේෂය ඉතා වැදගත් වේ, එබැවින් සාමාන්ය මෙට්රික් හොඳ වූ පමණින් පුරෝකථනය කිරීම ආරක්ෂිත යැයි සැලකිය නොහැක; දෝෂය කාලය සහ පාලන තන්ත්රය මත වෙන වෙනම විශ්ලේෂණය කළ යුතුය.
4. සූර්ය බලාගාර නිෂ්පාදන පුරෝකථනයක සාධාරණත්වය පරීක්ෂා කිරීමට වඩාත්ම ශක්තිමත් භෞතික ඉහළ සීමාව කුමක්ද?
- A) පසුගිය වසරේ මුළු බිල්පත
- B) විකිරණ, පුවරු ප්රදේශය සහ ස්ථාපිත බලයෙන් සීමා වූ භෞතික නිෂ්පාදන සිවිලිම (රාත්රියේ බිංදුව ඇතුළුව) ✔
- C) ආකෘතිය විසින් ලබා දෙන විශ්වාසයේ ප්රතිශතය
- D) සුළං වේගය මැනීම
විස්තරය: සූර්ය බලාගාරයකට සූර්ය විකිරණ සහ පැනල් ධාරිතාවට වඩා වැඩි ප්රමාණයක් නිපදවිය නොහැක; නිෂ්පාදනය රාත්රියේ ශුන්ය වනු ඇතැයි අපේක්ෂා කෙරේ, මධ්යහ්නය ආසන්නයේ උපරිමයට පැමිණ, ස්ථාපිත බල සහ මොඩියුල ප්රදේශයෙන් සීමා වේ. මාදිලිය රාත්රී නිෂ්පාදනය හෝ ස්ථාපිත ධාරිතාව ඉක්මවන අගයක් ලබා දුන්නේ නම් එය භෞතිකව කළ නොහැක්කකි. මෙම චෙක්පත සංඛ්යා ලේඛන දෙස නොබලා අනාවැකිය ඉවත් කරයි.
5. AI ප්රශස්තකරණ යෝජනාවක් ස්මාර්ට් ජාලය තුළ සෘජුවම ක්රියාත්මක කිරීමට පෙර සම්මත කළ යුතු පෙරහන කුමක්ද?
- A) යෝජනාව සඳහා අඩුම පිරිවැයක් සැපයීම පමණක් ප්රමාණවත්ය.
- B) ආකෘතිය ඉහළ නිරවද්යතාවයකට පුහුණු කිරීම ප්රමාණවත් වේ
- C) ආරක්ෂිත සීමාවන් (වෝල්ටීයතා, තාප, N-1) පාලනය සහ බලයලත් ක්රියාකරු අනුමැතිය ✔
- D) නිර්දේශය ඓතිහාසික දත්ත වලට ගැලපෙන බව ප්රමාණවත්ය
විස්තරය: ජාලය ආරක්ෂිතව වැදගත් වේ: වෝල්ටීයතාව, ධාරාව, තාප සහ N-1 (මූලද්රව්ය අසමත් වීම) සීමාවන් උල්ලංඝනය කරන ඕනෑම නිර්දේශයක් ක්රියාත්මක කළ නොහැක. AI ප්රතිදානය ප්රථමයෙන් මෙම ආරක්ෂක සීමාවන් හරහා සම්මත කර පසුව අනුමැතිය සඳහා බලයලත් ක්රියාකරු වෙත ඉදිරිපත් කරනු ලැබේ; ප්රශස්තකරණය කිසිවිටෙක ආරක්ෂක සීමාවකට බාධාවක් නොවේ.
6. බැටරි ගබඩා කිරීමේ ව්යාපාරයේ AI සමඟ බේරුම්කරණ (ලාභ මිලට ගන්න, ඉහළට විකිණීම) උපාය මාර්ගය ස්ථාපිත කිරීමේදී නිතර නොසලකා හරින සහ ලාභය නොමඟ යවන්නේ කුමන පිරිවැයද?
- A) අන්තර්ජාල සම්බන්ධතා ගාස්තුව
- B) පිරිහීම (ඇඳීම) සහ එක් චක්රයක් සඳහා කාර්යක්ෂමතාව නැතිවීම පිරිවැය ✔
- C) කාර්ය මණ්ඩලයේ කෝපි විවේක කාලය
- D) බැටරියේ වර්ණය
විස්තරය: සෑම ආරෝපණ-විසර්ජන චක්රයක්ම බැටරිය ක්ෂය වේ; පිරිහීම (සෞඛ්යය නැතිවීම) සැබෑ පිරිවැයක් වන අතර වගකීම් සීමාවන් අවසන් කරයි. මිල වෙනස පමණක් බලන බේරුම්කරණ විශ්ලේෂණයක්, එක් චක්රයක පිරිහීමේ පිරිවැය සහ කාර්යක්ෂමතා අලාභය නොසලකා හරින්නේ නම්, ලාභය අධිතක්සේරු කර බැටරියේ ආයු කාලය කෙටි කරයි.
7. අනාවැකි නඩත්තු කිරීමේදී විෂමතා හඳුනාගැනීමේ ආකෘතියක එළිපත්ත අගය නිර්ණය කිරීමේදී ප්රධාන ශේෂය කුමක්ද?
- A) ව්යාජ අනතුරු ඇඟවීම සහ මග හැරුණු අසාර්ථක පිරිවැය අතර සවිඥානක සමතුලිතතාවය ✔
- B) එළිපත්ත සෑම විටම හැකි තරම් අඩු මට්ටමක තබා ගත යුතුය
- C) එළිපත්ත තීරණය වන්නේ ආකෘතියේ නිරවද්යතා ප්රතිශතය දෙස බැලීමෙන් පමණි
- D) එළිපත්ත සැකසූ පසු, එය කිසි විටෙකත් වෙනස් නොකළ යුතුය.
පැහැදිලි කිරීම: එළිපත්ත පහත දැමුවහොත්, ව්යාජ එලාම් (වරදක් නොමැති විට අනතුරු ඇඟවීම්) වැඩි වන අතර කණ්ඩායම අනතුරු ඇඟවීම් ගැන අවිශ්වාස කරයි; එළිපත්ත වැඩි කළහොත්, මග හැරුණු දෝෂයක අවදානම (සැබෑ දෝෂය මග හැරීම) වැඩි වේ. නිවැරදි එළිපත්ත යනු ව්යාජ අනතුරු ඇඟවීමක පිරිවැය සහ මග හැරුණු දෝෂයක පිරිවැය (උදා: ට්රාන්ස්ෆෝමර් පිපිරීම) අතර සවිඥානික සමතුලිතතාවයක් වන අතර උපකරණවල විවේචනාත්මකභාවය අනුව සකස් කරනු ලැබේ.
8. බලශක්ති කාර්යක්ෂමතා ව්යාපෘතියක ඉතුරුම් හිමිකම් තහවුරු කිරීම සඳහා මිනුම් සහ සත්යාපන (M&V) රාමුවේ මූලික තර්කය කුමක්ද?
- A) ඉන්වොයිස් මුදලේ සෑම අඩුවීමක්ම සෘජු ඉතිරියක් ලෙස සැලකේ
- B) ඉතුරුම් යනු සකස් කරන ලද මූලික රේඛාව සහ මනින ලද පරිභෝජනය අතර වෙනසයි ✔
- C) ඉතුරුම් ප්රකාශ කරනු ලබන්නේ නිෂ්පාදකයාගේ නාමාවලි අගයෙන් පමණි
- D) ආකෘතිය පුරෝකථනය කරන දේට සමාන ඉතුරුම්
පැහැදිලි කිරීම: ඉතුරුම් සෘජුවම මැනිය නොහැක; මනිනු ලබන්නේ පූර්වාරක්ෂාව ගැනීමෙන් පසු පරිභෝජනයයි. ඉතුරුම් යනු මනින ලද පරිභෝජනය සහ 'මිනුමක් නොමැතිව පරිභෝජනය කළ යුතු දේ' අතර ඇති වෙනසයි. එබැවින් කාලගුණය/නිෂ්පාදනය වැනි විචල්යයන් සඳහා මූලික ආකෘතිය නිවැරදි කළ යුතුය, මෙම ගැලපුම් යොමුවට එරෙහිව ගණනය කළ ඉතුරුම්.
9. විදුලි මිල පුරෝකථනය කිරීමේ ආකෘතියේ 'අධික සවි කිරීම' විශේෂයෙන් භයානක වන්නේ ඇයි?
- A) එය ආකෘතිය මන්දගාමී වන බැවිනි
- B) එය අතීතයේ ඝෝෂාව කටපාඩම් කරයි, අනාගතයේදී කඩා වැටේ, විශේෂයෙන් පාලන තන්ත්රය වෙනස් වන විට සහ ඉහළ විශ්වාසයකින් නොමඟ යවයි ✔
- C) එය වැඩි මතකයක් භාවිතා කරන නිසා
- D) එය ග්රැෆික්ස් කියවීමට අපහසු වන බැවිනි
පැහැදිලි කිරීම: අධි සවි කිරීම යනු ආකෘතිය නැවත නැවත සිදු නොවන ඓතිහාසික දත්තවල ශබ්දය සහ රටා මතක තබා ගැනීමයි; Backtesting පරිපූර්ණ ලෙස පෙනෙන නමුත් අනාගතයේදී බිඳ වැටේ. මිල දත්ත පාලන තන්ත්රය වෙනස් වන විට (ඉන්ධන මිල කම්පනය, නීති වෙනස් කිරීම), කටපාඩම් කළ රටාව අවලංගු වන අතර ඉහළ විශ්වාසයක් ඇතිව වැරදි ලංසු තැබීමට හේතු වේ.
10. බර මාරු කිරීම සඳහා පැයක කාබන් තීව්රතාවය (එම පැයක විදුලියේ kWh එකක gCO2 අගය) සංකල්පය වැදගත් වන්නේ ඇයි?
- A) කාබන් ඝනත්වය සෑම පැයකටම සමාන වේ, එබැවින් එය වැදගත් නොවේ
- B) එය ඉන්වොයිස් මුදලට පමණක් බලපාන බැවිනි
- C) පුනර්ජනනීය කොටස අනුව පැයකට වෙනස් වේ; නම්යශීලී බර අඩු තීව්රතා පැයකට මාරු කිරීම විමෝචනය අඩු කරයි ✔
- D) එය රාත්රී ගාස්තුවට පමණක් සම්බන්ධ වන බැවිනි
පැහැදිලි කිරීම: ජාලකයේ කාබන් තීව්රතාවය පැයකට පැයකට වෙනස් වේ: පුනර්ජනනීය උත්පාදනය වැඩි වන පැය වලදී එය අඩු වන අතර පොසිල බලාගාර අන්තර්ජාලයට පැමිණෙන විට උපරිම පැය වලදී ඉහළ අගයක් ගනී. නම්යශීලී බර අඩු උපරිම පැයවලට මාරු කිරීම එකම ශක්තිය පරිභෝජනය කිරීමට ඉඩ සලසයි, නමුත් අඩු විමෝචනයක් නිපදවයි. සාමාන්ය වාර්ෂික සාධකය මෙම අවස්ථාව සඟවයි.
11. කෘතිම බුද්ධිය මගින් නිපදවන පයිතන් විශ්ලේෂණ කේතයක 'දත්ත කාන්දු වීම' යන්නෙන් අදහස් කරන්නේ කුමක්ද සහ එය භයානක වන්නේ ඇයි?
- A) තැටියෙන් දත්ත මකා දැමීම
- B) පුරෝකථනය කරන අවස්ථාවේ දී ලබා ගත නොහැකි පුහුණුවේ අනාගත තොරතුරු ආකෘතිය භාවිතා කරයි; පරීක්ෂණය හොඳ නමුත් යථාර්ථය නරකයි ✔
- C) දත්ත අන්තර්ජාලයට කාන්දු වීම හැර වෙනත් අර්ථයක් නැත
- D) කේතය ඉතා සෙමින් ධාවනය වේ
පැහැදිලි කිරීම: දත්ත කාන්දු වීම යනු පුහුණුව අතරතුර අනාගතයේදී ඇත්ත වශයෙන්ම සොයාගත හැකි තොරතුරු වලට ආකෘතිය ප්රවේශ වන විටය; උදාහරණයක් ලෙස, පුරෝකථනය කළ යුතු පැයේ සැබෑ අගය ගුණාංගයක් ලෙස භාවිතා කිරීම. මෙහි ප්රතිඵලය වන්නේ පරිපූර්ණ පසුපෙළක් වන නමුත් යථාර්ථයේ දී නිෂ්ඵල ය. කාල ශ්රේණියේ අතීත/අනාගත මායිම කේතයෙහි ප්රවේශමෙන් නඩත්තු කළ යුතුය.
12. බලශක්ති සමාගම SCADA දත්ත සාමාන්ය AI මෙවලමක් වෙත යැවීමේදී නිවැරදි ප්රවේශය කුමක්ද?
- A) සියලුම දත්ත එලෙස යැවීමෙන් වඩාත් නිවැරදි ප්රතිඵල ලැබේ
- B) දත්ත නිර්නාමික කිරීම සහ අනුමත මෙවලමක් සමඟ අවශ්ය තාක්ෂණික උප කුලකය පමණක් බෙදා ගැනීම ✔
- C) දත්ත කෙසේ හෝ විවෘත බැවින් පූර්වාරක්ෂාව අනවශ්යයි
- D) ගොනු නාමය වෙනස් කිරීම පමණක් ප්රමාණවත්ය
විස්තරය: SCADA සහ ජාල ස්ථලක දත්ත තීරණාත්මක යටිතල පහසුකම් තොරතුරු වේ; එය පොදු වලාකුළකට යැවීම පුද්ගලිකත්වය, තරඟකාරිත්වය සහ සයිබර් ආරක්ෂණ අවදානම් මතු කරයි. නිවැරදි ප්රවේශය වන්නේ නියෝජිත ටැග් සහිත අඩවි/වත්කම් නාමයන් නිර්නාමික කිරීම, කාර්යය සඳහා අවශ්ය තාක්ෂණික උප කුලකය පමණක් බෙදා ගැනීම සහ ආයතනයෙන් අනුමත/වසා දැමූ මෙවලම් තෝරා ගැනීමයි.
13. සුළං නිෂ්පාදන පුරෝකථනය කිරීමේදී සාධාරණ නැංගුරමක් ලෙස 'ධාරිතා සාධකය' (එය සම්පූර්ණ ධාරිතාවයෙන් අඛණ්ඩව ක්රියා කළහොත් නිපදවන ශක්තියට නිපදවන ශක්තියට අනුපාතය) භාවිතා කරන්නේ ඇයි?
- A) එය අලෙවිකරණ අරමුණු සඳහා පමණක් අංකයක් වන බැවිනි
- B) ඔහු කෙලින්ම ඉන්වොයිසිය ලබා දුන් නිසා
- C) එය දන්නා සාමාන්ය පරාසයක් සහිත (ආසන්න වශයෙන් 25-45%) ✔ අනාවැකියේ විශාලත්වයේ අනුපිළිවෙල පරීක්ෂා කරන භෞතික නිර්ණායකයක් වන බැවිනි.
- D) එය ටර්බයිනයේ වර්ණය තීරණය කරන බැවිනි
විස්තරය: වෙරළබඩ සුළං බලාගාරවල ධාරිතා සාධකය සාමාන්යයෙන් සියයට 25-45 අතර පරාසයක පවතී. මෙම පරාසයෙන් පිටත (උදා: සියයට 90) දිගු කාලීන සාමාන්ය මත නිෂ්පාදනය පුරෝකථනය කරන්නේ නම් පුරෝකථනයක් භෞතිකව පිළිගත නොහැකිය. මෙම අනුපාතය ඔබට විස්තරාත්මකව තොරව අනාවැකියේ විශාලත්වයේ අනුපිළිවෙල පරීක්ෂා කිරීමට ඉඩ සලසයි.
14. ආරක්ෂක-විවේචනාත්මක බලශක්ති පද්ධති තීරණයක කෘතිම බුද්ධියේ භූමිකාව වඩාත් නිවැරදිව නිර්වචනය කළ හැක්කේ කෙසේද?
- A) AI බලයලත් ඉංජිනේරු අනුමැතිය ප්රතිස්ථාපනය කළ හැක
- B) AI උපකල්පන සහ දළ සටහන් ජනනය කරයි; ආරක්ෂිත-විවේචනාත්මක තීරණය සඳහා අනුමැතිය සහ වගකීම බලයලත් ඉංජිනේරුවරයා සතුය ✔
- C) AI ප්රමාණවත් තරම් බලවත් නම්, මානව තහවුරු කිරීම අනවශ්යයි
- D) AI ප්රතිදානය නිෂ්ඵල වන අතර සම්පූර්ණයෙන්ම නොසලකා හැරිය යුතුය
විස්තරය: කෘතිම බුද්ධිය යනු ඉක්මනින් කියවන, රටා අල්ලා ගන්නා, කෙටුම්පත් නිපදවන ප්රබල සහායකයෙකි; නමුත් එය ආරක්ෂණ ගැලපීම, ට්රාන්ස්ෆෝමර් පැටවීම, ජාල උපාමාරු දැමීම වැනි ආරක්ෂිත තීරණාත්මක තීරණ සම්බන්ධයෙන් දක්ෂ විශේෂඥයෙකුගේ අනුමැතිය සහ වගකීම ප්රතිස්ථාපනය නොකරයි. AI උපකල්පන සහ දළ සටහන් ජනනය කරයි; බලයලත් ඉංජිනේරුවරයා තීරණය සහ අත්සන ලබා දෙයි.