Mengoptimalkan Simulasi Pemadaman Acak untuk Pabrik Industri Menggunakan Pandas

Meningkatkan Efisiensi Simulasi Pemadaman

Mensimulasikan pemadaman listrik secara acak pada pabrik industri merupakan tugas penting untuk memastikan perencanaan operasional dan manajemen risiko yang optimal. Setiap pabrik dapat online atau offline, dan menghasilkan data deret waktu untuk mewakili ketersediaan ini dapat menjadi hal yang menuntut komputasi. Secara tradisional, menggunakan Python asli untuk menggambar serangkaian panjang pemadaman dan interval antara pemadaman dari distribusi geometris adalah pendekatan yang umum.

Namun, ketika skala ini diperluas ke beberapa pabrik, prosesnya menjadi lambat dan tidak efisien. Artikel ini mengeksplorasi bagaimana kita dapat memanfaatkan Pandas untuk mempercepat simulasi, memanfaatkan kemampuan manipulasi datanya yang kuat untuk menyederhanakan pembuatan kumpulan data deret waktu ini.

Memerintah	Keterangan
pd.date_range()	Menghasilkan rentang tanggal antara tanggal mulai dan tanggal akhir yang ditentukan.
np.log()	Menghitung logaritma natural dari masukan, yang digunakan untuk menghasilkan sampel distribusi geometri.
random.random()	Mengembalikan angka floating-point acak antara 0,0 dan 1,0, digunakan untuk menghasilkan probabilitas acak.
math.floor()	Mengembalikan bilangan bulat terbesar yang kurang dari atau sama dengan nilai yang ditentukan, digunakan untuk mengonversi float menjadi bilangan bulat.
math.ceil()	Mengembalikan bilangan bulat terkecil yang lebih besar atau sama dengan nilai yang ditentukan, digunakan untuk membulatkan ke atas ke bilangan bulat terdekat.
pd.DataFrame()	Membuat objek DataFrame dari kamus, digunakan untuk mengatur dan memanipulasi data tabular.
extend()	Menambahkan beberapa item ke akhir daftar, digunakan untuk menambahkan beberapa status pemadaman sekaligus.
datetime()	Mewakili tanggal dan waktu tertentu, digunakan untuk menentukan tanggal mulai dan berakhir simulasi.

Simulasi Pemadaman Pabrik yang Efisien dengan Pandas

Skrip di atas menunjukkan cara mensimulasikan pemadaman acak secara efisien untuk beberapa pabrik industri menggunakan Pandas. Tujuan utamanya adalah menghasilkan data deret waktu yang mencerminkan ketersediaan setiap pabrik, baik online (1) atau offline (0). Awalnya, kami mendefinisikan periode simulasi dengan objek yang mewakili tanggal mulai dan berakhir. Konstanta seperti durasi pemadaman rata-rata dan fraksi waktu offline rata-rata juga ditetapkan. Dengan menggunakan nilai-nilai ini, kami menghitung parameter untuk distribusi geometri, khususnya Dan , yang akan membantu dalam menghasilkan interval acak. Inti dari simulasi adalah loop yang menghasilkan data pemadaman untuk setiap pembangkit. Dalam loop ini, kami menggunakan np.log Dan untuk mengambil sampel durasi pemadaman dan interval antar pemadaman. Sampel ini kemudian digunakan untuk memperbarui status setiap tanaman hari demi hari. Jika pembangkit sedang offline, statusnya diatur ke 0 selama durasi pemadaman; jika tidak, maka diatur ke 1. Proses ini diulangi hingga periode simulasi tercakup. Data status yang dihasilkan untuk setiap pabrik kemudian disimpan dalam Pandas DataFrame, yang memungkinkan manipulasi dan analisis data secara efisien.

Skrip kedua mengoptimalkan pembuatan data pemadaman dengan merangkum logika dalam fungsi yang dipanggil . Fungsi ini mengikuti langkah-langkah yang sama tetapi lebih modular dan dapat digunakan kembali, memungkinkan kode yang lebih bersih dan mudah dipelihara. Fungsi ini menghasilkan status ketersediaan untuk satu pembangkit listrik dan mengembalikan daftar yang mewakili status pembangkit selama periode simulasi. Dengan memanggil fungsi ini dalam satu lingkaran untuk beberapa pabrik, kami mengisi DataFrame dengan data pemadaman untuk setiap pabrik. Penggunaan untuk membuat urutan tanggal dan untuk mengatur data memastikan bahwa simulasi efisien dan mudah dipahami. DataFrame akhir dapat digunakan untuk analisis atau visualisasi lebih lanjut, memberikan wawasan berharga mengenai pola ketersediaan pabrik industri.

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())

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())

Mengoptimalkan Simulasi Pemadaman dengan Teknik Pandas Tingkat Lanjut

Selain simulasi deret waktu dasar menggunakan Pandas, terdapat beberapa teknik dan fungsi lanjutan yang dapat lebih mengoptimalkan proses. Salah satu teknik tersebut adalah vektorisasi, yang melibatkan melakukan operasi pada seluruh array daripada melakukan iterasi melalui elemen individual. Dengan memanfaatkan operasi vektor di Pandas, kami dapat mempercepat proses simulasi pemadaman secara signifikan. Pendekatan ini mengurangi overhead loop Python dan memanfaatkan sepenuhnya optimasi internal Pandas. Aspek penting lainnya adalah penanganan kumpulan data besar secara efisien. Ketika berhadapan dengan simulasi untuk banyak pabrik dalam jangka waktu lama, manajemen memori menjadi penting. Memanfaatkan tipe data yang menggunakan lebih sedikit memori, seperti tipe data kategoris Pandas untuk status pabrik, dapat menghasilkan peningkatan kinerja yang signifikan. Selain itu, penggunaan teknik seperti chunking, yaitu kumpulan data diproses dalam potongan yang lebih kecil, dapat membantu mengelola penggunaan memori secara efektif dan mencegah potensi masalah kelebihan memori selama simulasi.

Selain itu, mengintegrasikan perpustakaan lain seperti NumPy dan SciPy dapat meningkatkan fungsionalitas dan kinerja simulasi pemadaman. Misalnya, fungsi pengambilan sampel acak NumPy sangat optimal dan dapat digunakan untuk menghasilkan panjang dan interval pemadaman dengan lebih efisien. SciPy menyediakan fungsi statistik tingkat lanjut yang dapat bermanfaat untuk simulasi yang lebih kompleks. Menggabungkan perpustakaan ini dengan Pandas memungkinkan kerangka simulasi yang lebih kuat dan terukur, mampu menangani berbagai skenario dan memberikan wawasan lebih dalam mengenai pola ketersediaan pabrik.

1. Apa keuntungan menggunakan Pandas untuk simulasi pemadaman listrik?
2. Pandas menawarkan kemampuan manipulasi dan analisis data yang efisien, memungkinkan simulasi kumpulan data besar yang lebih cepat dibandingkan dengan loop Python asli.
3. Bagaimana vektorisasi meningkatkan kinerja simulasi pemadaman?
4. Vektorisasi melakukan operasi pada seluruh array sekaligus, mengurangi overhead loop dan memanfaatkan optimasi internal di Pandas.
5. Apa perannya dalam skrip simulasi?
6. digunakan untuk menghitung logaritma natural, yang membantu menghasilkan sampel dari distribusi geometris untuk panjang dan interval pemadaman.
7. Mengapa manajemen memori penting dalam simulasi skala besar?
8. Manajemen memori yang efisien mencegah kelebihan memori dan memastikan kelancaran eksekusi, terutama saat melakukan simulasi banyak instalasi dalam jangka waktu lama.
9. Bagaimana tipe data kategorikal di Pandas membantu mengoptimalkan simulasi?
10. Tipe data kategorikal mengurangi penggunaan memori dengan merepresentasikan nilai berulang secara lebih efisien, sehingga bermanfaat untuk menangani data status pabrik.
11. Apa sajakah perpustakaan lain yang dapat meningkatkan simulasi pemadaman?
12. Perpustakaan seperti NumPy dan SciPy menyediakan fungsi yang dioptimalkan untuk pengambilan sampel acak dan analisis statistik, melengkapi kemampuan manipulasi data Pandas.
13. Bisakah chunking digunakan untuk mengelola kumpulan data besar dalam simulasi pemadaman?
14. Ya, memproses kumpulan data dalam potongan yang lebih kecil membantu mengelola penggunaan memori secara efektif dan memastikan simulasi dapat menangani kumpulan data besar tanpa masalah.
15. Apa manfaat mengintegrasikan NumPy dengan Pandas untuk simulasi?
16. Fungsi pengambilan sampel acak NumPy yang dioptimalkan dapat menghasilkan panjang dan interval pemadaman dengan lebih efisien, sehingga meningkatkan kinerja simulasi secara keseluruhan.

Memasukkan Panda untuk mensimulasikan pemadaman listrik secara acak di pabrik industri secara signifikan meningkatkan efisiensi proses. Dengan memanfaatkan kemampuan manipulasi data Pandas yang kuat, kami dapat menghasilkan data rangkaian waktu yang akurat untuk ketersediaan pabrik. Pendekatan ini tidak hanya meningkatkan kecepatan simulasi tetapi juga memastikan manajemen memori dan skalabilitas yang lebih baik. Menggunakan vektorisasi dan mengintegrasikan perpustakaan seperti NumPy dan SciPy semakin mengoptimalkan simulasi, menjadikannya kuat dan dapat diskalakan untuk kumpulan data besar. Secara keseluruhan, Pandas memberikan solusi komprehensif untuk melakukan simulasi dan analisis pemadaman pembangkit secara efisien, sehingga memungkinkan perencanaan operasional dan manajemen risiko yang lebih baik.