Mga nadagdag:
- Kakayahang magtatag ng end-to-end Python analysis workflow mula sa data hanggang sa ulat sa tulong ng artificial intelligence
- Kakayahang i-verify ang nabuong code sa mga tuntunin ng pagkakatugma ng unit, pagtagas at muling paggawa
- Kakayahang ilagay ang etika, pagiging kumpidensyal, cyber security at mga limitasyon sa responsibilidad ng engineer sa pagsasanay sa mga proyekto ng enerhiya
Pagsusulit sa Module
1. Alin sa mga sumusunod ang pangunahing prinsipyo na tumutukoy sa panganib ng isang output ng AI sa engineering ng mga sistema ng enerhiya?
- A) Ang panganib ng isang output ay katumbas ng pinsalang idudulot nito kung ang output ay may sira; naaayon ang validation scale ✔
- B) Ang output ng AI ay karaniwang ligtas dahil ito ay nakasulat nang matatas at may kumpiyansa
- C) Ang pagpapatunay ay hindi kailangan kapag ang pinakabagong modelo ang ginamit
- D) Kung ang output ay tumutukoy sa isang pamantayan, walang karagdagang kontrol ang kinakailangan
Paliwanag: Ang panganib ng isang output ay katumbas ng pinsalang idudulot nito kung ang output ay mali. Bagama't ang isang maliit na error sa isang teksto ng presentasyon ay maaaring hindi nakakapinsala, ang isang error sa isang setting ng proteksyon ng relay o desisyon sa paglo-load ng transformer ay maaaring magdulot ng pagkasira ng kagamitan, pagkasira at mga panganib sa kaligtasan ng buhay; kaya ang intensity ng pag-verify ay lumalago sa potensyal na pinsala.
2. Ano ang pinakakaraniwang pitfall kapag naghahanda ng data ng serye ng oras ng enerhiya na may artipisyal na katalinuhan at alin ang pinaka-distort sa mga resulta?
- A) Maling pagpili ng mga graphic na kulay
- B) Time zone, daylight saving time at kalituhan sa label ng timestamp ✔
- C) Masyadong mahaba ang pangalan ng file
- D) Pagpapanatili ng data sa Excel sa halip na CSV
Paliwanag: Ang mga pagkalito sa start/end tag ng time zone, daylight saving time (DST), at timestamp ay napakakaraniwan sa data ng enerhiya; ang isang oras na shift ay nakakasira sa buong araw-uri at peak-hour na pagsusuri. Samakatuwid, dapat na i-standardize ang axis ng oras bago ang bawat pagsusuri at ang output ng AI ay dapat masuri laban sa mga pisikal na anchor tulad ng pagsikat ng araw/peak time.
3. Aling sitwasyon ang nagpapakita na habang ang MAPE (Mean Absolute Percent Error) sa isang panandaliang hula sa pag-load ay mukhang mababa, ang hula ay maaaring hindi pa rin mapagkakatiwalaan?
- A) Ang MAPE ay palaging isang kumpleto at sapat na sukatan ng kalidad ng pagtataya
- B) Kahit na mababa ang average, maaaring magkaroon ng systematic deviation sa peak hours at doon ay kritikal ang grid ✔
- C) Ang MAPE ay makabuluhan lamang sa pangmatagalang pagtataya
- D) Ang mababang MAPE ay nagpapatunay na ang modelo ay pisikal na tama
Paliwanag: Ang MAPE ay isang karaniwang error; Kahit na ang kabuuan ay mukhang maganda, maaaring may mga sistematikong paglihis sa mga oras ng kasiyahan at pana-panahong mga pagbabago. Eksaktong kritikal ang balanse ng network sa mga peak moment na ito, kaya lang dahil maganda ang average na sukatan ay hindi maituturing na ligtas na mahulaan; Ang pagkakamali ay dapat suriin nang hiwalay batay sa oras at rehimen.
4. Ano ang pinaka-matibay na pisikal na upper bound upang masubukan ang pagiging makatwiran ng pagtataya ng produksyon ng solar plant?
- A) Kabuuang singil noong nakaraang taon
- B) Pisikal na produksyon kisame na limitado sa pamamagitan ng radiation, panel area at naka-install na kapangyarihan (kabilang ang zero sa gabi) ✔
- C) Porsiyento ng kumpiyansa na ibinigay ng modelo
- D) Pagsusukat ng bilis ng hangin
Paglalarawan: Ang isang solar power plant ay hindi maaaring makagawa ng higit sa solar radiation at panel capacity na pinapayagan; Inaasahang magiging zero ang produksiyon sa gabi, tumataas bandang tanghali, at limitado ng naka-install na power at module area. Ito ay pisikal na imposible kung ang modelo ay nagbigay ng halaga na lampas sa produksyon sa gabi o naka-install na kapasidad. Tinatanggal ng pagsusuring ito ang hula nang hindi tinitingnan ang mga istatistika.
5. Ano ang filter na dapat ipasa ng isang panukala sa pag-optimize ng AI bago direktang ipatupad sa smart grid?
- A) Sapat na para sa mungkahi na ibigay ang pinakamababang gastos lamang.
- B) Ito ay sapat para sa modelo na sanayin sa mataas na katumpakan
- C) Mga hadlang sa kaligtasan (boltahe, thermal, N-1) na kontrol at awtorisadong pag-apruba ng operator ✔
- D) Ito ay sapat na ang rekomendasyon ay umaangkop sa makasaysayang data
Paglalarawan: Ang network ay kritikal sa kaligtasan: anumang mga rekomendasyon na lumalabag sa boltahe, kasalukuyang, thermal at N-1 (kabiguan ng elemento) na mga hadlang ay hindi maipapatupad. Ang output ng AI ay unang dumaan sa mga hadlang sa seguridad na ito at pagkatapos ay ipinakita sa awtorisadong operator para sa pag-apruba; Ang pag-optimize ay hindi kailanman nakakasagabal sa isang hadlang sa seguridad.
6. Aling gastos ang madalas na napapansin at nililinlang ang kita kapag nagtatatag ng diskarte sa arbitrage (bumili ng mura, magbenta ng mataas) kasama ang AI sa negosyo ng pag-iimbak ng baterya?
- A) bayad sa koneksyon sa internet
- B) Pagkasira (wear) at pagkawala ng kahusayan sa bawat cycle ✔
- C) Tagal ng coffee break ng mga tauhan
- D) Kulay ng baterya
Paglalarawan: Ang bawat pag-charge-discharge cycle ay nauubos ang baterya; ang pagkasira (pagkawala ng kalusugan) ay isang tunay na gastos at nauubos ang mga limitasyon ng warranty. Ang isang pagsusuri sa arbitrage na tumitingin lamang sa pagkakaiba sa presyo ay magpapalaki sa kita at magpapaikli sa buhay ng baterya kung hindi nito papansinin ang pagkasira ng gastos at pagkawala ng kahusayan sa bawat cycle.
7. Ano ang pangunahing balanse kapag tinutukoy ang halaga ng threshold ng isang modelo ng pagtuklas ng anomalya sa predictive na pagpapanatili?
- A) May malay na balanse sa pagitan ng maling alarma at hindi nasagot na mga gastos sa pagkabigo ✔
- B) Ang threshold ay dapat palaging panatilihing mababa hangga't maaari
- C) Ang threshold ay tinutukoy lamang sa pamamagitan ng pagtingin sa katumpakan na porsyento ng modelo
- D) Kapag naitakda na ang threshold, hindi na ito dapat baguhin.
Paliwanag: Kung ang threshold ay ibinaba, ang mga maling alarma (mga alarm kapag walang kasalanan) ay tataas at ang koponan ay nagiging hindi magtiwala sa mga alarma; Kung ang threshold ay tumaas, ang panganib ng isang hindi nasagot na kasalanan (nawawala ang aktwal na kasalanan) ay tumataas. Ang tamang threshold ay isang malay na balanse sa pagitan ng halaga ng isang maling alarma at ang halaga ng isang hindi nakuhang kasalanan (hal. transpormador na pagsabog) at inaayos ayon sa pagiging kritikal ng kagamitan.
8. Ano ang pangunahing lohika ng balangkas ng pagsukat at pag-verify (M&V) para sa pag-verify ng claim sa pagtitipid sa isang proyekto ng kahusayan sa enerhiya?
- A) Bawat pagbaba sa halaga ng invoice ay itinuturing na isang direktang pagtitipid
- B) Ang mga pagtitipid ay ang pagkakaiba sa pagitan ng na-adjust na baseline at sinukat na pagkonsumo ✔
- C) Ang mga pagtitipid ay idineklara lamang sa halaga ng katalogo ng tagagawa
- D) Ang mga pagtitipid ay katumbas ng kung ano ang hinuhulaan ng modelo
Paliwanag: Ang pagtitipid ay hindi maaaring direktang masukat; Ang sinusukat ay ang pagkonsumo pagkatapos ng pag-iingat. Ang pagtitipid ay ang pagkakaiba sa pagitan ng sinusukat na pagkonsumo at ang baseline na 'kung ano ang kukunin nang walang sukat'. Kaya't ang baseline na modelo ay dapat itama para sa mga variable gaya ng panahon/produksyon, ang mga matitipid na kinakalkula laban sa na-adjust na sanggunian na ito.
9. Bakit partikular na mapanganib ang 'overfitting' sa modelo ng pagtataya ng presyo ng kuryente?
- A) Dahil pinapabagal nito ang modelo
- B) Naaalala nito ang ingay ng nakaraan, gumuho sa hinaharap, lalo na kapag nagbago ang rehimen, at nanlilinlang nang may mataas na kumpiyansa ✔
- C) Dahil lamang ito ay gumagamit ng mas maraming memorya
- D) Dahil ginagawa nitong mahirap basahin ang mga graphics
Paliwanag: Ang overfitting ay kapag ang modelo ay nagsaulo ng ingay at mga pattern sa makasaysayang data na hindi mauulit; Ang backtesting ay mukhang perpekto ngunit nag-crash sa hinaharap. Habang binabago ng data ng presyo ang rehimen (pagkabigla sa presyo ng gasolina, pagbabago ng batas), nagiging hindi wasto ang kabisadong pattern at humahantong sa maling pag-bid na may mataas na kumpiyansa.
10. Bakit mahalaga ang konsepto ng hourly carbon intensity (gCO2 value ng isang kWh ng kuryente sa oras na iyon) para sa load shifting?
- A) Ang density ng carbon ay pareho bawat oras, kaya hindi mahalaga
- B) Dahil nakakaapekto lamang ito sa halaga ng invoice
- C) Nag-iiba bawat oras depende sa nababagong bahagi; Ang paglipat ng flexible load sa low-intensity na oras ay nakakabawas ng mga emisyon ✔
- D) Dahil ito ay nauugnay lamang sa taripa sa gabi
Paliwanag: Ang carbon intensity ng grid ay nag-iiba bawat oras: mababa ito sa mga oras kung kailan mataas ang renewable generation at mataas sa peak hours kapag nag-online ang mga fossil power plant. Ang paglilipat ng mga flexible load sa mga low-peak na oras ay nagbibigay-daan sa pagkonsumo ng parehong enerhiya ngunit gumagawa ng mas kaunting mga emisyon. Itinatago ng karaniwang taunang salik ang pagkakataong ito.
11. Ano ang ibig sabihin ng 'data leakage' sa isang Python analysis code na ginawa ng artificial intelligence at bakit ito mapanganib?
- A) Pagtanggal ng data mula sa disk
- B) Gumagamit ang modelo ng impormasyon sa hinaharap sa pagsasanay na hindi magagamit sa oras ng hula; ang pagsubok ay mabuti ngunit ang katotohanan ay masama ✔
- C) Ang data ay walang kahulugan maliban sa pagtagas sa internet
- D) Ang code ay tumatakbo nang napakabagal
Paliwanag: Ang data leakage ay kapag ang modelo ay nag-access ng impormasyon na talagang makikita sa hinaharap sa panahon ng pagsasanay; halimbawa, gamit ang aktwal na halaga ng oras na mahulaan bilang isang katangian. Nagreresulta ito sa perpektong backtesting ngunit walang silbi sa katotohanan. Ang nakaraan/hinaharap na hangganan sa serye ng oras ay dapat maingat na mapanatili sa code.
12. Ano ang tamang diskarte kapag nagpapadala ng data ng SCADA ng kumpanya ng enerhiya sa isang pangkalahatang tool ng AI?
- A) Ang pagpapadala ng lahat ng data bilang ay nagbibigay ng pinakatumpak na mga resulta
- B) Pag-anonymize ng data at pagbabahagi lamang ng kinakailangang teknikal na subset gamit ang isang aprubadong tool ✔
- C) Ang pag-iingat ay hindi kailangan dahil ang data ay bukas pa rin
- D) Ang pagpapalit lamang ng pangalan ng file ay sapat na
Paglalarawan: Ang data ng SCADA at topology ng network ay kritikal na impormasyon sa imprastraktura; Ang pagpapadala nito sa isang pampublikong ulap bilang ay nagdudulot ng privacy, kumpetisyon at mga panganib sa cybersecurity. Ang tamang diskarte ay ang pag-anonymize ng mga pangalan ng site/asset gamit ang mga representasyong tag, ibahagi lamang ang teknikal na subset na kinakailangan para sa gawain, at mag-opt para sa mga tool na inaprubahan/sarado ng institusyon.
13. Bakit ang 'capacity factor' (ang ratio ng enerhiya na ginawa sa enerhiya na gagawin kung ito ay patuloy na gumagana sa buong kapasidad) ay ginagamit bilang isang makatwirang anchor sa pagtataya ng produksyon ng hangin?
- A) Dahil ito ay isang numero para sa layunin ng marketing lamang
- B) Dahil direktang ibinigay niya ang invoice
- C) Dahil isa itong pisikal na pamantayan na sumusubok sa pagkakasunud-sunod ng magnitude ng hula, na may alam na karaniwang saklaw (humigit-kumulang 25-45%) ✔
- D) Dahil tinutukoy nito ang kulay ng turbine
Paglalarawan: Ang capacity factor ng onshore wind farm ay karaniwang nasa hanay na humigit-kumulang 25-45 porsyento. Ang isang hula ay pisikal na hindi kapani-paniwala kung hinuhulaan nito ang produksyon sa pangmatagalang average na nasa labas ng saklaw na ito (hal., 90 porsyento). Ang ratio na ito ay nagpapahintulot sa iyo na subukan ang pagkakasunud-sunod ng magnitude ng hula nang hindi nagdedetalye.
14. Paano mas tumpak na matukoy ang papel ng artificial intelligence sa isang desisyon sa sistema ng enerhiya na kritikal sa seguridad?
- A) Maaaring palitan ng AI ang awtorisadong pag-apruba ng engineer
- B) Ang AI ay bumubuo ng mga hypotheses at mga balangkas; Ang pag-apruba at pananagutan para sa desisyong kritikal sa kaligtasan ay nananatili sa awtorisadong engineer ✔
- C) Kung sapat ang lakas ng AI, hindi kailangan ang kumpirmasyon ng tao
- D) Ang output ng AI ay walang silbi at dapat na ganap na balewalain
Paglalarawan: Ang artificial intelligence ay isang makapangyarihang assistant na mabilis na nagbabasa, nakakakuha ng mga pattern, gumagawa ng mga draft; ngunit hindi nito pinapalitan ang pag-apruba at responsibilidad ng isang karampatang eksperto sa mga desisyong kritikal sa kaligtasan tulad ng pagsasaayos ng proteksyon, pag-load ng transpormer, pagmamaniobra ng network. Bumubuo ang AI ng mga hypotheses at outline; Ang awtorisadong engineer ang nagbibigay ng desisyon at lagda.