Optimisation des simulations de pannes aléatoires pour les installations industrielles à l'aide de Pandas

Optimiser les simulations de pannes de centrale avec Pandas

Python - Utiliser Pandas pour une simulation efficace de séries chronologiques

import pandas as pd
import numpy as np
import random
import math
from datetime import datetime, timedelta

# Constants
SIMULATION_START_DATE = datetime(2024, 1, 1)
SIMULATION_END_DATE = datetime(2025, 1, 1)
mean_outage_duration = 3
mean_fraction_offline = 0.05

# Simulation Parameters
days_in_simulation = (SIMULATION_END_DATE - SIMULATION_START_DATE).days
outage_length_mu = -1 / mean_outage_duration
between_outages_mu = -1 / (days_in_simulation * mean_fraction_offline)

# DataFrame to hold the time-series data
plants = 10  # Number of plants
data = pd.DataFrame({'day': pd.date_range(start=SIMULATION_START_DATE, end=SIMULATION_END_DATE)})
for plant in range(plants):
    status = []
    sum_of_days = 0
    while sum_of_days < days_in_simulation:
        outage_length = math.floor(np.log(1 - random.random()) / outage_length_mu)
        days_until_next_outage = math.ceil(np.log(1 - random.random()) / between_outages_mu)
        if random.random() > mean_fraction_offline:
            days_until_next_outage = 0
        sum_of_days += days_until_next_outage
        for _ in range(days_until_next_outage):
            if sum_of_days >= days_in_simulation:
                break
            status.append(1)
            sum_of_days += 1
        for _ in range(outage_length):
            if sum_of_days >= days_in_simulation:
                break
            status.append(0)
            sum_of_days += 1
    data[f'plant_{plant}'] = status[:days_in_simulation]

print(data.head())

Génération efficace de séries chronologiques pour les pannes de centrale

Python - Optimiser avec Pandas pour de meilleures performances

import pandas as pd
import numpy as np
import random
from datetime import datetime, timedelta

# Constants
SIMULATION_START_DATE = datetime(2024, 1, 1)
SIMULATION_END_DATE = datetime(2025, 1, 1)
mean_outage_duration = 3
mean_fraction_offline = 0.05

# Simulation Parameters
days_in_simulation = (SIMULATION_END_DATE - SIMULATION_START_DATE).days
outage_length_mu = -1 / mean_outage_duration
between_outages_mu = -1 / (days_in_simulation * mean_fraction_offline)

# Function to generate a single plant's outage data
def generate_outages():
    status = []
    sum_of_days = 0
    while sum_of_days < days_in_simulation:
        outage_length = math.floor(np.log(1 - random.random()) / outage_length_mu)
        days_until_next_outage = math.ceil(np.log(1 - random.random()) / between_outages_mu)
        if random.random() > mean_fraction_offline:
            days_until_next_outage = 0
        sum_of_days += days_until_next_outage
        status.extend([1] * min(days_until_next_outage, days_in_simulation - sum_of_days))
        sum_of_days += outage_length
        status.extend([0] * min(outage_length, days_in_simulation - sum_of_days))
    return status[:days_in_simulation]

# Generate DataFrame for multiple plants
plants = 10
data = pd.DataFrame({'day': pd.date_range(start=SIMULATION_START_DATE, end=SIMULATION_END_DATE)})
for plant in range(plants):
    data[f'plant_{plant}'] = generate_outages()

print(data.head())

Questions courantes sur la simulation efficace des pannes à l'aide de Pandas

1. Quels sont les avantages d’utiliser Pandas pour les simulations de pannes ?
2. Pandas offre des capacités efficaces de manipulation et d'analyse des données, permettant une simulation plus rapide de grands ensembles de données par rapport aux boucles Python natives.
3. Comment la vectorisation améliore-t-elle les performances des simulations d’indisponibilité ?
4. La vectorisation effectue des opérations sur des tableaux entiers à la fois, réduisant ainsi la surcharge des boucles et tirant parti des optimisations internes de Pandas.
5. Quel est le rôle de np.log() dans le script de simulation ?
6. np.log() est utilisé pour calculer le logarithme népérien, ce qui permet de générer des échantillons à partir d'une distribution géométrique pour les durées et les intervalles des pannes.
7. Pourquoi la gestion de la mémoire est-elle importante dans les simulations à grande échelle ?
8. Une gestion efficace de la mémoire évite tout débordement de mémoire et garantit une exécution fluide, en particulier lors de la simulation de nombreuses installations sur des périodes prolongées.
9. Comment les types de données catégorielles dans Pandas peuvent-ils aider à optimiser les simulations ?
10. Les types de données catégorielles réduisent l'utilisation de la mémoire en représentant plus efficacement les valeurs répétées, ce qui est avantageux pour la gestion des données d'état de l'usine.
11. Quelles sont les autres bibliothèques qui peuvent améliorer les simulations de pannes ?
12. Des bibliothèques comme NumPy et SciPy fournissent des fonctions optimisées pour l'échantillonnage aléatoire et l'analyse statistique, complétant les capacités de manipulation de données de Pandas.
13. Le chunking peut-il être utilisé pour gérer de grands ensembles de données dans des simulations de pannes ?
14. Oui, le traitement de l'ensemble de données en morceaux plus petits permet de gérer efficacement l'utilisation de la mémoire et garantit que la simulation peut gérer de grands ensembles de données sans problème.
15. Quels sont les avantages de l'intégration de NumPy avec Pandas pour les simulations ?
16. Les fonctions d'échantillonnage aléatoire optimisées de NumPy peuvent générer des durées et des intervalles de panne plus efficacement, améliorant ainsi les performances globales de la simulation.

Optimisation efficace des simulations de pannes

L'intégration de Pandas pour simuler des pannes aléatoires dans les installations industrielles améliore considérablement l'efficacité du processus. En tirant parti des puissantes capacités de manipulation de données de Pandas, nous pouvons générer des données chronologiques précises sur la disponibilité des installations. Cette approche améliore non seulement la vitesse de simulation, mais garantit également une meilleure gestion de la mémoire et une meilleure évolutivité. L'utilisation de la vectorisation et l'intégration de bibliothèques telles que NumPy et SciPy optimisent davantage la simulation, la rendant robuste et évolutive pour de grands ensembles de données. Dans l'ensemble, Pandas fournit une solution complète pour simuler et analyser efficacement les pannes d'usine, permettant une meilleure planification opérationnelle et une meilleure gestion des risques.