पांडा वापरून औद्योगिक वनस्पतींसाठी यादृच्छिक आउटेज सिम्युलेशन ऑप्टिमाइझ करणे

आउटेज सिम्युलेशन कार्यक्षमता वाढवणे

इष्टतम परिचालन नियोजन आणि जोखीम व्यवस्थापन सुनिश्चित करण्यासाठी औद्योगिक संयंत्रांसाठी यादृच्छिक आउटेजचे अनुकरण करणे हे एक महत्त्वपूर्ण कार्य आहे. प्रत्येक वनस्पती एकतर ऑनलाइन किंवा ऑफलाइन असू शकते आणि या उपलब्धतेचे प्रतिनिधित्व करण्यासाठी वेळ-मालिका डेटा तयार करणे संगणकीयदृष्ट्या मागणीचे असू शकते. पारंपारिकपणे, नेटिव्ह पायथनचा वापर करून आउटेज लांबीची मालिका आणि भौमितिक वितरणातून आउटेजमधील अंतराल काढणे हा एक सामान्य दृष्टीकोन आहे.

तथापि, हे एकाधिक वनस्पतींमध्ये स्केलिंग करताना, प्रक्रिया मंद आणि अकार्यक्षम होते. हा लेख या वेळ-मालिका डेटासेटची निर्मिती सुव्यवस्थित करण्यासाठी त्याच्या शक्तिशाली डेटा हाताळणी क्षमतेचा फायदा घेऊन सिम्युलेशनला गती देण्यासाठी पांडांचा कसा फायदा घेऊ शकतो हे शोधतो.

पांडांसह सुव्यवस्थित प्लांट आउटेज सिम्युलेशन

वरील स्क्रिप्ट्स पांडा वापरून अनेक औद्योगिक प्लांट्ससाठी यादृच्छिक आउटेजचे कार्यक्षमतेने कसे अनुकरण करायचे हे दाखवतात. ऑनलाइन (1) किंवा ऑफलाइन (0) प्रत्येक वनस्पतीची उपलब्धता प्रतिबिंबित करणारा वेळ-मालिका डेटा व्युत्पन्न करणे हे प्राथमिक ध्येय आहे. सुरुवातीला, आम्ही सिम्युलेशन कालावधी परिभाषित करतो datetime प्रारंभ आणि समाप्ती तारखा दर्शविणारी वस्तू. सरासरी आउटेज कालावधी आणि ऑफलाइन वेळेचा सरासरी अंश यासारखे स्थिरांक देखील सेट केले जातात. या मूल्यांचा वापर करून, आम्ही विशेषत: भौमितिक वितरणासाठी पॅरामीटर्सची गणना करतो १ आणि between_outages_mu, जे यादृच्छिक अंतराल निर्माण करण्यात मदत करेल. सिम्युलेशनचा मुख्य भाग एक लूप आहे जो प्रत्येक रोपासाठी आउटेज डेटा व्युत्पन्न करतो. या लूपमध्ये, आम्ही वापरतो np.log आणि random.random आउटेज लांबी आणि आउटेज दरम्यानच्या अंतरासाठी नमुने काढण्यासाठी. हे नमुने नंतर प्रत्येक वनस्पतीची स्थिती दिवसेंदिवस अद्यतनित करण्यासाठी वापरले जातात. प्लांट ऑफलाइन असल्यास, आउटेजच्या कालावधीसाठी स्थिती 0 वर सेट केली जाते; अन्यथा, ते 1 वर सेट केले जाते. सिम्युलेशन कालावधी पूर्ण होईपर्यंत ही प्रक्रिया पुनरावृत्ती केली जाते. प्रत्येक प्लांटसाठी जनरेट केलेला स्टेटस डेटा नंतर पांडा डेटाफ्रेममध्ये संग्रहित केला जातो, जो कार्यक्षम डेटा हाताळणी आणि विश्लेषणास अनुमती देतो.

दुसरी स्क्रिप्ट आउटेज डेटाच्या निर्मितीला अनुकूल करते ५. हे कार्य समान चरणांचे अनुसरण करते परंतु अधिक मॉड्यूलर आणि पुन्हा वापरण्यायोग्य आहे, क्लिनर आणि अधिक देखभाल करण्यायोग्य कोडसाठी अनुमती देते. फंक्शन एकाच रोपासाठी उपलब्धतेची स्थिती व्युत्पन्न करते आणि सिम्युलेशन कालावधीत वनस्पतीची स्थिती दर्शविणारी सूची देते. या फंक्शनला एकाधिक प्लांट्ससाठी लूपमध्ये कॉल करून, आम्ही प्रत्येक प्लांटसाठी आउटेज डेटासह डेटाफ्रेम भरतो. चा उपयोग pd.date_range तारखांचा क्रम तयार करण्यासाठी आणि ७ डेटा व्यवस्थित करणे हे सुनिश्चित करते की सिम्युलेशन कार्यक्षम आणि समजण्यास सोपे आहे. अंतिम डेटाफ्रेमचा उपयोग पुढील विश्लेषणासाठी किंवा व्हिज्युअलायझेशनसाठी केला जाऊ शकतो, ज्यामुळे औद्योगिक वनस्पतींच्या उपलब्धतेच्या नमुन्यांची मौल्यवान माहिती मिळते.

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())

१

प्रगत पांडा तंत्रांसह आउटेज सिम्युलेशन ऑप्टिमाइझ करणे

पांडा वापरून मूलभूत वेळ-मालिका सिम्युलेशन व्यतिरिक्त, अनेक प्रगत तंत्रे आणि कार्यक्षमता आहेत जी प्रक्रिया पुढे अनुकूल करू शकतात. असे एक तंत्र वेक्टरायझेशन आहे, ज्यामध्ये वैयक्तिक घटकांद्वारे पुनरावृत्ती करण्याऐवजी संपूर्ण ॲरेवर ऑपरेशन करणे समाविष्ट आहे. पांडामध्ये वेक्टराइज्ड ऑपरेशन्सचा फायदा घेऊन, आम्ही आउटेज सिम्युलेशन प्रक्रियेला लक्षणीयरीत्या गती देऊ शकतो. हा दृष्टिकोन पायथन लूपचे ओव्हरहेड कमी करतो आणि पांडाच्या अंतर्गत ऑप्टिमायझेशनचा पूर्ण फायदा घेतो. आणखी एक महत्त्वाचा पैलू म्हणजे मोठ्या डेटासेटची कार्यक्षम हाताळणी. विस्तारित कालावधीसाठी असंख्य वनस्पतींसाठी सिम्युलेशन हाताळताना, मेमरी व्यवस्थापन आवश्यक बनते. कमी मेमरी वापरणाऱ्या डेटा प्रकारांचा वापर करणे, जसे की वनस्पतींच्या स्थितीसाठी पांडाचा स्पष्ट डेटा प्रकार, कामगिरीमध्ये लक्षणीय सुधारणा करू शकतो. याव्यतिरिक्त, चंकिंग सारखी तंत्रे वापरणे, जेथे डेटासेटवर लहान भागांमध्ये प्रक्रिया केली जाते, मेमरी वापर प्रभावीपणे व्यवस्थापित करण्यात आणि सिम्युलेशन दरम्यान संभाव्य मेमरी ओव्हरफ्लो समस्या टाळण्यास मदत करू शकते.

शिवाय, NumPy आणि SciPy सारख्या इतर लायब्ररी समाकलित केल्याने आउटेज सिम्युलेशनची कार्यक्षमता आणि कार्यक्षमता वाढू शकते. उदाहरणार्थ, NumPy ची रँडम सॅम्पलिंग फंक्शन्स अत्यंत ऑप्टिमाइझ केलेली आहेत आणि आउटेज लांबी आणि अंतराल अधिक कार्यक्षमतेने निर्माण करण्यासाठी वापरली जाऊ शकतात. SciPy प्रगत सांख्यिकीय कार्ये प्रदान करते जी अधिक जटिल सिम्युलेशनसाठी फायदेशीर ठरू शकतात. या लायब्ररींना पांडांसह एकत्रित केल्याने अधिक मजबूत आणि स्केलेबल सिम्युलेशन फ्रेमवर्क मिळू शकते, विविध परिस्थिती हाताळण्यास आणि वनस्पती उपलब्धतेच्या नमुन्यांमध्ये सखोल अंतर्दृष्टी प्रदान करण्यास सक्षम.