인공지능 (AI)은 모델링, 예측, 최적화 및 제어를 지원하며 전력 및 에너지 시스템의 핵심적인 역할을 점점 더 확대하고 있습니다. 그러나 기존의 대부분의 연구는 특화된 응용 분야를 강조하며, 스스로 모델을 구축하기보다 거대 언어 모델 (LLM)에 점점 더 의존하고 있는 초심자나 학제 간 학습자들을 위한 재사용 가능한 자료를 거의 제공하지 않습니다. 이러한 격차는 공학에 기반한 인공지능 (Engineering-Grounded AI, EGAI)의 필요성을 시사하며, 여기서 AI 워크플로우는 작업 불가지론적 (task-agnostic) 블랙박스로 작동하기보다 확립된 공학 및 전력 시스템 도메인 규칙을 따릅니다. 연구자와 실무자를 대상으로 한 커뮤니티 설문 조사 결과, 92%가 AI 모델을 실행하기 전에 최소 하나 이상의 장벽을 보고했으며 94%가 전력 특화 실습 과정을 원한다는 점에 착안하였습니다. 본 논문은 전력 시스템 분야에서 AI의 진입 장벽을 낮추는 개방형 실행 모듈 라이브러리로 구성된 프레임워크를 제시합니다. 이 모듈들은 핵심 AI 개념을 대표적인 전력 시스템 작업에 매핑하는 단계별 난이도 사다리를 따릅니다: (i) 함수 근사 및 부하 곡선 피팅을 위한 기초적인 심층 신경망 (DNN) 템플릿; (ii) 5-모선 (5-bus) 시스템을 위한 도메인 결합형 합성곱 신경망 (CNN) 전력 조류 대리 모델; (iii) DNN 지원 최적화, 배터리 저장 장치 제어를 위한 심층 강화학습 (DRL), 그리고 스윙 방정식 (swing equation)을 위한 물리 정보 신경망 (PINNs)에 관한 최첨단 모듈입니다. 모든 모듈은 로컬 또는 Google Colab에서 실행 가능한 Jupyter Notebook 형태로 공개되며, IEEE 온라인 코스 및 IEEE Power & Energy Society (PES) 웨비나 시리즈를 통해 제공됩니다. 해당 웨비나는 590명 이상의 실시간 참석자를 끌어모으며 IEEE PES 웨비나 중 가장 많이 참여한 10대 웨비나 중 하나로 기록되었으며, 2주 이내에 344회 이상의 리포지토리 방문을 기록하여 설문 조사에 기반한 동기를 뒷받침하였습니다.