Optymalizacja symulacji losowych przestojów w zakładach przemysłowych przy użyciu pand

Optymalizacja symulacji przestojów elektrowni za pomocą pand

Python — wykorzystanie Pand do efektywnej symulacji szeregów czasowych

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())

Efektywne generowanie szeregów czasowych w przypadku awarii instalacji

Python — optymalizacja za pomocą Pand w celu uzyskania lepszej wydajności

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())

Często zadawane pytania dotyczące efektywnej symulacji przestojów przy użyciu Pand

1. Jakie są zalety używania Pand do symulacji przestojów?
2. Pandas oferuje wydajne możliwości manipulacji i analizy danych, umożliwiając szybszą symulację dużych zbiorów danych w porównaniu z natywnymi pętlami Pythona.
3. W jaki sposób wektoryzacja poprawia wydajność symulacji przestojów?
4. Wektoryzacja wykonuje operacje na całych tablicach jednocześnie, zmniejszając obciążenie pętli i wykorzystując wewnętrzne optymalizacje w Pandach.
5. Jaka jest rola np.log() w skrypcie symulacyjnym?
6. np.log() służy do obliczania logarytmu naturalnego, który pomaga generować próbki na podstawie rozkładu geometrycznego długości i odstępów między przestojami.
7. Dlaczego zarządzanie pamięcią jest ważne w symulacjach na dużą skalę?
8. Efektywne zarządzanie pamięcią zapobiega przepełnieniu pamięci i zapewnia płynne wykonanie, szczególnie podczas symulowania wielu zakładów przez dłuższy czas.
9. W jaki sposób kategoryczne typy danych w Pandach mogą pomóc w optymalizacji symulacji?
10. Kategoryczne typy danych zmniejszają zużycie pamięci poprzez bardziej efektywne reprezentowanie powtarzających się wartości, co jest korzystne przy obsłudze danych o stanie instalacji.
11. Jakie inne biblioteki mogą ulepszyć symulacje przestojów?
12. Biblioteki takie jak NumPy i SciPy zapewniają zoptymalizowane funkcje losowego próbkowania i analizy statystycznej, uzupełniając możliwości manipulacji danymi Pandy.
13. Czy można wykorzystać fragmentację do zarządzania dużymi zbiorami danych w symulacjach przestojów?
14. Tak, przetwarzanie zbioru danych w mniejszych porcjach pomaga skutecznie zarządzać wykorzystaniem pamięci i zapewnia, że ​​symulacja może bez problemów obsłużyć duże zbiory danych.
15. Jakie są zalety integracji NumPy z Pandami do symulacji?
16. Zoptymalizowane funkcje próbkowania losowego NumPy mogą wydajniej generować długości i interwały przestojów, zwiększając ogólną wydajność symulacji.

Efektywna optymalizacja symulacji przestojów

Zastosowanie Pand do symulacji przypadkowych przestojów w zakładach przemysłowych znacznie zwiększa wydajność procesu. Wykorzystując potężne możliwości manipulacji danymi Pand, możemy generować dokładne dane w formie szeregów czasowych dotyczące dostępności instalacji. Takie podejście nie tylko poprawia szybkość symulacji, ale także zapewnia lepsze zarządzanie pamięcią i skalowalność. Korzystanie z wektoryzacji i integrowanie bibliotek, takich jak NumPy i SciPy, dodatkowo optymalizuje symulację, czyniąc ją niezawodną i skalowalną w przypadku dużych zbiorów danych. Ogólnie rzecz biorąc, Pandas zapewnia kompleksowe rozwiązanie do skutecznego symulowania i analizowania przestojów instalacji, umożliwiając lepsze planowanie operacyjne i zarządzanie ryzykiem.