Optimiziranje simulacija slučajnog ispada za industrijska postrojenja koja koriste Pandas

Optimiziranje simulacija ispada postrojenja uz Pandas

Python - Korištenje Panda za učinkovitu simulaciju vremenskih serija

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())

Učinkovito generiranje vremenskih serija za ispade postrojenja

Python - Optimiziranje s Pandas za bolju izvedbu

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())

Uobičajena pitanja o učinkovitoj simulaciji prekida rada pomoću Panda

1. Koje su prednosti korištenja Pandas za simulacije ispada?
2. Pandas nudi učinkovitu manipulaciju podacima i mogućnosti analize, omogućujući bržu simulaciju velikih skupova podataka u usporedbi s izvornim Python petljama.
3. Kako vektorizacija poboljšava izvedbu simulacija ispada?
4. Vektorizacija izvodi operacije na cijelim nizovima odjednom, smanjujući opterećenje petlji i iskorištavajući prednosti internih optimizacija u Pandas.
5. Koja je uloga np.log() u skripti simulacije?
6. np.log() koristi se za izračunavanje prirodnog logaritma, koji pomaže u generiranju uzoraka iz geometrijske distribucije za duljine i intervale prekida rada.
7. Zašto je upravljanje memorijom važno u simulacijama velikih razmjera?
8. Učinkovito upravljanje memorijom sprječava prelijevanje memorije i osigurava nesmetano izvođenje, posebno kada se simuliraju brojni pogoni tijekom duljih razdoblja.
9. Kako kategorički tipovi podataka u Pandasu mogu pomoći u optimizaciji simulacija?
10. Kategorijalni tipovi podataka smanjuju korištenje memorije učinkovitijim predstavljanjem ponovljenih vrijednosti, što je korisno za rukovanje podacima o statusu postrojenja.
11. Koje druge biblioteke mogu poboljšati simulacije ispada?
12. Knjižnice kao što su NumPy i SciPy pružaju optimizirane funkcije za nasumično uzorkovanje i statističku analizu, nadopunjujući Pandasove mogućnosti manipulacije podacima.
13. Može li se chunking koristiti za upravljanje velikim skupovima podataka u simulacijama ispada?
14. Da, obrada skupa podataka u manjim dijelovima pomaže u učinkovitom upravljanju korištenjem memorije i osigurava da simulacija može bez problema obraditi velike skupove podataka.
15. Koje su prednosti integracije NumPyja s Pandas za simulacije?
16. NumPy optimizirane funkcije nasumičnog uzorkovanja mogu učinkovitije generirati duljine i intervale ispada, poboljšavajući ukupnu izvedbu simulacije.

Učinkovita optimizacija simulacija prekida rada

Uključivanje Panda za simuliranje nasumičnih ispada u industrijskim postrojenjima značajno povećava učinkovitost procesa. Iskorištavanjem Pandinih snažnih mogućnosti manipulacije podacima, možemo generirati točne vremenske serije podataka za dostupnost postrojenja. Ovaj pristup ne samo da poboljšava brzinu simulacije, već također osigurava bolje upravljanje memorijom i skalabilnost. Korištenje vektorizacije i integracija biblioteka kao što su NumPy i SciPy dodatno optimiziraju simulaciju, čineći je robusnom i skalabilnom za velike skupove podataka. Općenito, Pandas pruža sveobuhvatno rješenje za učinkovitu simulaciju i analizu ispada postrojenja, omogućujući bolje operativno planiranje i upravljanje rizicima.