Pandas를 사용하여 산업 플랜트에 대한 무작위 가동 중단 시뮬레이션 최적화

Pandas를 사용하여 공장 가동 중단 시뮬레이션 최적화

Python - 효율적인 시계열 시뮬레이션을 위해 Pandas 사용

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())

발전소 가동 중단에 대한 효율적인 시계열 생성

Python - 더 나은 성능을 위해 Pandas로 최적화

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())

Pandas를 사용한 효율적인 중단 시뮬레이션에 대한 일반적인 질문

1. 중단 시뮬레이션에 Pandas를 사용하면 어떤 이점이 있나요?
2. Pandas는 효율적인 데이터 조작 및 분석 기능을 제공하므로 기본 Python 루프에 비해 대규모 데이터 세트를 더 빠르게 시뮬레이션할 수 있습니다.
3. 벡터화는 가동 중단 시뮬레이션의 성능을 어떻게 향상시킵니까?
4. 벡터화는 전체 배열에 대한 작업을 한 번에 수행하여 루프의 오버헤드를 줄이고 Pandas의 내부 최적화를 활용합니다.
5. 역할은 무엇입니까? np.log() 시뮬레이션 스크립트에서?
6. np.log() 자연 로그를 계산하는 데 사용되며 이는 정전 기간 및 간격에 대한 기하학적 분포에서 샘플을 생성하는 데 도움이 됩니다.
7. 대규모 시뮬레이션에서 메모리 관리가 중요한 이유는 무엇입니까?
8. 효율적인 메모리 관리는 특히 장기간에 걸쳐 수많은 플랜트를 시뮬레이션할 때 메모리 오버플로를 방지하고 원활한 실행을 보장합니다.
9. Pandas의 범주형 데이터 유형이 시뮬레이션 최적화에 어떻게 도움이 됩니까?
10. 범주형 데이터 유형은 반복되는 값을 보다 효율적으로 표현하여 메모리 사용량을 줄이며 이는 플랜트 상태 데이터를 처리하는 데 유용합니다.
11. 가동 중단 시뮬레이션을 향상할 수 있는 다른 라이브러리는 무엇입니까?
12. NumPy 및 SciPy와 같은 라이브러리는 무작위 샘플링 및 통계 분석에 최적화된 기능을 제공하여 Pandas의 데이터 조작 기능을 보완합니다.
13. 중단 시뮬레이션에서 대규모 데이터 세트를 관리하는 데 청킹을 사용할 수 있습니까?
14. 예, 데이터 세트를 더 작은 청크로 처리하면 메모리 사용량을 효과적으로 관리하는 데 도움이 되며 시뮬레이션이 문제 없이 대규모 데이터 세트를 처리할 수 있습니다.
15. 시뮬레이션을 위해 NumPy를 Pandas와 통합하면 어떤 이점이 있나요?
16. NumPy의 최적화된 무작위 샘플링 기능은 중단 길이와 간격을 보다 효율적으로 생성하여 시뮬레이션의 전반적인 성능을 향상시킬 수 있습니다.

정전 시뮬레이션의 효과적인 최적화

산업 플랜트의 무작위 가동 중단 시뮬레이션을 위해 Pandas를 통합하면 프로세스 효율성이 크게 향상됩니다. Pandas의 강력한 데이터 조작 기능을 활용하여 공장 가용성에 대한 정확한 시계열 데이터를 생성할 수 있습니다. 이 접근 방식은 시뮬레이션 속도를 향상시킬 뿐만 아니라 더 나은 메모리 관리 및 확장성을 보장합니다. 벡터화를 사용하고 NumPy 및 SciPy와 같은 라이브러리를 통합하면 시뮬레이션이 더욱 최적화되어 대규모 데이터 세트에 대해 강력하고 확장 가능해집니다. 전반적으로 Pandas는 공장 가동 중단을 효율적으로 시뮬레이션하고 분석하여 더 나은 운영 계획과 위험 관리를 가능하게 하는 포괄적인 솔루션을 제공합니다.