收益：
- 能够借助人工智能建立从数据到报告的端到端Python分析工作流程
- 能够在单元兼容性、泄漏和再现性方面验证生成的代码
- 能够在能源项目中将道德、保密、网络安全和工程师责任限制付诸实践
模块考试
1. 决定能源系统工程人工智能输出风险的基本原则是？
- A) 输出的风险等于该输出出现故障时可能造成的危害；验证规模相应 ✔
- B) AI 输出通常是安全的，因为它写得流畅且自信
- C) 使用最新模型时无需验证
- D) 如果输出参考标准，则不需要额外的控制
解释：输出的风险等于该输出出现故障时所造成的危害。虽然演示文本中的小错误可能是无害的，但继电保护设置或变压器负载决策中的错误可能会导致设备损坏、停电和生命安全风险；因此验证强度与潜在危害成正比。
2. 使用人工智能准备能源时间序列数据时，最常见的陷阱是什么？哪个对结果的影响最大？
- A) 图形颜色选择不正确
- B) 时区、夏令时和时间戳标签混淆 ✔
- C) 文件名太长
- D) 将数据保存在 Excel 中而不是 CSV 中
说明：时区、夏令时（DST）和时间戳的开始/结束标记混淆在能源数据中非常常见；一小时的轮班扭曲了整个日型和高峰时段的分析。因此，在每次分析之前应标准化时间轴，并应针对日出/高峰时间等物理锚点测试 AI 输出。
3. 哪种情况表明，虽然短期负荷预测中的 MAPE（平均绝对百分比误差）显得较低，但预测仍可能不可靠？
- A) MAPE 始终是预测质量的完整且充分的衡量标准
- B) 即使平均值较低，高峰时段也可能存在系统性偏差，这就是电网至关重要的地方✔
- C) MAPE仅对长期预测有意义
- D) 低 MAPE 证明模型在物理上是正确的
解释：MAPE为平均误差；即使总数看起来不错，高峰时段和季节转换也可能存在系统性偏差。网络平衡在这些高峰时刻至关重要，因此不能仅仅因为平均指标良好就认为预测是安全的；应根据时间和制度分别分析误差。
4. 测试太阳能发电厂产量预测合理性的最可靠的物理上限是什么？
- A) 去年的总账单
- B) 物理生产上限受辐射、面板面积和装机功率（包括夜间为零）的限制 ✔
- C) 模型给出的置信百分比
- D) 风速测量
描述：太阳能发电厂的发电量不能超过太阳辐射和电池板容量允许的范围；预计夜间产量为零，中午左右达到峰值，并受到装机功率和组件面积的限制。如果模型给出的值超过夜间生产或装机容量，这在物理上是不可能的。此检查无需查看统计数据即可消除预测。
5. AI优化建议在智能电网中直接实施之前必须经过什么过滤？
- A) 建议仅提供最低成本就足够了。
- B）模型训练到高精度就足够了
- C) 安全约束（电压、热、N-1）控制和授权操作员批准 ✔
- D）建议符合历史数据就足够了
描述：网络对于安全至关重要：任何违反电压、电流、热和 N-1（元件故障）约束的建议都无法实施。 AI输出首先通过这些安全约束，然后提交给授权运营商审批；优化永远不会妨碍安全约束。
6、在电池储能业务中，利用人工智能建立套利（低买高卖）策略时，哪些成本经常被忽视并误导利润？
- A) 互联网连接费
- B) 每个周期的退化（磨损）和效率损失成本 ✔
- C) 员工的咖啡休息时间
- D) 电池颜色
描述：每次充放电循环都会消耗电池；退化（健康损失）是真正的成本，并且会耗尽保修限制。如果忽略每个周期的退化成本和效率损失，仅关注价格差异的套利分析将会高估利润并缩短电池的寿命。
7. 确定预测维护中异常检测模型阈值时的关键平衡点是什么？
- A) 在误报和错过故障成本之间有意识地平衡✔
- B）阈值应始终保持尽可能低
- C) 阈值仅通过查看模型的准确率百分比来确定
- D) 阈值一旦设定，就不应更改。
解释：阈值降低，误报（无故障时的报警）增加，团队对报警产生不信任；如果阈值增加，则漏检故障（遗漏实际故障）的风险就会增加。正确的阈值是误报成本和错过故障（例如变压器爆炸）成本之间的有意识的平衡，并根据设备的严重程度进行调整。
8. 用于验证能效项目节能声明的测量和验证 (M&V) 框架的基本逻辑是什么？
- A) 发票金额的每一次减少都被视为直接节省
- B) 节省是调整后的基准与测量的消耗之间的差异 ✔
- C) 仅按照制造商的目录值声明节省量
- D) 节省的费用等于模型预测的费用
解释：节省不能直接衡量；测量的是采取预防措施后的消耗量。节省是测量的消耗量与基线“没有测量时的消耗量”之间的差额。因此，基线模型必须针对天气/生产等变量进行修正，并根据调整后的参考值计算出节省的成本。
9. 为什么电价预测模型中的“过度拟合”特别危险？
- A）因为它会减慢模型速度
- B) 它记住了过去的喧嚣，在未来崩溃，特别是当政权更迭时，并以高置信度误导✔
- C）只是因为它使用更多内存
- D）因为它使图形难以阅读
解释：过拟合是指模型记住了历史数据中不会重复的噪声和模式；回测看起来很完美，但将来会崩溃。随着价格数据变化（燃油价格冲击、立法变化），记忆的模式变得无效并导致高置信度的错误投标。
10. 为什么每小时碳强度（该小时一千瓦时电量的 gCO2 值）的概念对于负荷转移很重要？
- A）每小时的碳密度都是一样的，所以没关系
- B) 因为它只影响发票金额
- C) 根据可再生份额每小时变化；将灵活负荷转移至低强度时段可减少排放 ✔
- D) 因为它只与夜间资费有关
解释：电网的碳强度每小时都在变化：可再生能源发电量较高的时段碳强度较低，而化石发电厂上线的高峰时段碳强度较高。将灵活负载转移到低峰时段可以消耗相同的能源，但产生更少的排放。平均年因素隐藏了这个机会。
11. 人工智能生成的Python分析代码中的“数据泄露”是什么意思？为什么它很危险？
- A) 从磁盘中删除数据
- B）模型在训练中使用在预测时不可用的未来信息；测试很好，但现实很糟糕✔
- C）数据除了泄露到互联网之外没有任何意义
- D) 代码运行速度非常慢
解释：数据泄漏是指模型在训练过程中访问了未来实际会发现的信息；例如，使用要预测的小时的实际值作为属性。这会导致完美的回测，但在现实中毫无用处。时间序列中的过去/未来边界必须在代码中仔细维护。
12. 将能源公司 SCADA 数据发送到通用 AI 工具时，正确的方法是什么？
- A) 按原样发送所有数据可提供最准确的结果
- B) 匿名数据并仅使用经批准的工具共享必要的技术子集 ✔
- C) 预防措施是不必要的，因为无论如何数据都是开放的
- D) 只需更改文件名就足够了
描述：SCADA和网络拓扑数据是关键的基础设施信息；将其按原样发送到公共云会带来隐私、竞争和网络安全风险。正确的方法是使用代表性标签对站点/资产名称进行匿名化，仅共享任务所需的技术子集，并选择机构批准/封闭的工具。
13. 为什么“容量系数”（所产生的能量与连续满负荷运行时将产生的能量之比）用作风力发电量预测的合理性锚点？
- A) 因为它只是一个用于营销目的的数字
- B) 因为他直接给了发票
- C) 因为它是一个物理标准，测试预测的数量级，具有已知的典型范围（大约 25-45%） ✔
- D）因为它决定了涡轮的颜色
描述：陆上风电场的容量系数通常约为 25-45%。如果预测的长期平均产量远超出此范围（例如 90%），则该预测实际上是不可信的。该比率允许您测试预测的数量级，而无需详细说明。
14. 如何最准确地定义人工智能在安全关键型能源系统决策中的作用？
- A) AI可以取代授权工程师审批
- B) AI 生成假设和轮廓；安全关键决策的批准和责任仍由授权工程师承担 ✔
- C) 如果人工智能足够强大，就不需要人工确认
- D）AI输出无用，应完全忽略
描述：人工智能是快速阅读、捕捉模式、生成草稿的有力助手；但它并不能取代称职专家在保护调整、变压器负载、网络操纵等安全关键决策中的批准和责任。人工智能生成假设和轮廓；授权工程师作出决定并签字。