Оптимизация моделирования случайных отключений на промышленных предприятиях с использованием Pandas

Оптимизация моделирования простоев электростанций с помощью Pandas

Python — использование Pandas для эффективного моделирования временных рядов

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())

Эффективное создание временных рядов по простоям электростанций

Python — оптимизация с помощью Pandas для повышения производительности

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())

Общие вопросы об эффективном моделировании сбоев с использованием Pandas

1. Каковы преимущества использования Pandas для моделирования отключений электроэнергии?
2. Pandas предлагает эффективные возможности манипулирования и анализа данных, что позволяет быстрее моделировать большие наборы данных по сравнению с собственными циклами Python.
3. Как векторизация повышает производительность моделирования сбоев?
4. Векторизация выполняет операции над целыми массивами одновременно, сокращая накладные расходы на циклы и используя преимущества внутренней оптимизации в Pandas.
5. Какова роль np.log() в сценарии моделирования?
6. np.log() используется для вычисления натурального логарифма, который помогает генерировать выборки из геометрического распределения длительности и интервалов простоев.
7. Почему управление памятью важно в крупномасштабном моделировании?
8. Эффективное управление памятью предотвращает ее переполнение и обеспечивает плавное выполнение, особенно при моделировании многочисленных предприятий в течение длительных периодов времени.
9. Как категориальные типы данных в Pandas могут помочь оптимизировать моделирование?
10. Категориальные типы данных сокращают использование памяти за счет более эффективного представления повторяющихся значений, что полезно для обработки данных о состоянии предприятия.
11. Какие еще библиотеки могут улучшить моделирование сбоев?
12. Такие библиотеки, как NumPy и SciPy, предоставляют оптимизированные функции для случайной выборки и статистического анализа, дополняя возможности Pandas по манипулированию данными.
13. Можно ли использовать фрагментирование для управления большими наборами данных при моделировании сбоев?
14. Да, обработка набора данных меньшими порциями помогает эффективно управлять использованием памяти и гарантирует, что моделирование сможет без проблем обрабатывать большие наборы данных.
15. Каковы преимущества интеграции NumPy с Pandas для моделирования?
16. Оптимизированные функции случайной выборки NumPy могут более эффективно генерировать продолжительность и интервалы простоев, повышая общую производительность моделирования.

Эффективная оптимизация моделирования простоев

Использование Pandas для моделирования случайных отключений на промышленных предприятиях значительно повышает эффективность процесса. Используя мощные возможности Pandas по манипулированию данными, мы можем генерировать точные временные ряды данных о доступности предприятий. Такой подход не только повышает скорость моделирования, но также обеспечивает лучшее управление памятью и масштабируемость. Использование векторизации и интеграции библиотек, таких как NumPy и SciPy, дополнительно оптимизирует моделирование, делая его надежным и масштабируемым для больших наборов данных. В целом, Pandas предоставляет комплексное решение для эффективного моделирования и анализа простоев электростанций, что позволяет улучшить оперативное планирование и управление рисками.