Оптимизација симулација случајног прекида за индустријска постројења која користе Панде

Оптимизација симулација прекида рада постројења помоћу Панда

Питхон – Коришћење Панда за ефикасну симулацију временских серија

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())

Ефикасно генерисање временских серија за прекиде у постројењима

Питхон – Оптимизација са Пандама за боље перформансе

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())

Уобичајена питања о ефикасној симулацији прекида рада користећи Панде

1. Које су предности коришћења Панда за симулације испада?
2. Пандас нуди ефикасну манипулацију подацима и могућности анализе, омогућавајући бржу симулацију великих скупова података у поређењу са изворним Питхон петљама.
3. Како векторизација побољшава перформансе симулација испада?
4. Векторизација обавља операције на читавим низовима одједном, смањујући оптерећење петљи и користећи предности интерних оптимизација у Пандас-у.
5. Која је улога np.log() у скрипти симулације?
6. np.log() се користи за израчунавање природног логаритма, који помаже у генерисању узорака из геометријске дистрибуције за дужине прекида и интервале.
7. Зашто је управљање меморијом важно у симулацијама великих размера?
8. Ефикасно управљање меморијом спречава преливање меморије и обезбеђује несметано извршење, посебно када се симулира бројна постројења током дужих периода.
9. Како категорички типови података у Пандас-у могу помоћи у оптимизацији симулација?
10. Категорички типови података смањују употребу меморије тако што ефикасније представљају поновљене вредности, што је корисно за руковање подацима о статусу постројења.
11. Које су још неке библиотеке које могу побољшати симулације прекида рада?
12. Библиотеке као што су НумПи и СциПи пружају оптимизоване функције за насумично узорковање и статистичку анализу, допуњујући Пандасове могућности манипулације подацима.
13. Може ли се цхункинг користити за управљање великим скуповима података у симулацијама испада?
14. Да, обрада скупа података у мањим деловима помаже у ефикасном управљању употребом меморије и осигурава да симулација може да рукује великим скуповима података без проблема.
15. Које су предности интеграције НумПи-а са Пандас за симулације?
16. НумПи-јеве оптимизоване функције случајног узорковања могу ефикасније да генеришу дужине прекида и интервале, побољшавајући укупне перформансе симулације.

Ефикасна оптимизација симулација прекида рада

Укључивање Панда за симулацију случајних прекида у индустријским постројењима значајно повећава ефикасност процеса. Користећи Пандас моћне могућности манипулације подацима, можемо да генеришемо тачне временске серије података о доступности постројења. Овај приступ не само да побољшава брзину симулације већ и обезбеђује боље управљање меморијом и скалабилност. Коришћење векторизације и интегрисање библиотека као што су НумПи и СциПи додатно оптимизује симулацију, чинећи је робусном и скалабилном за велике скупове података. Све у свему, Пандас пружа свеобухватно решење за ефикасну симулацију и анализу испада постројења, омогућавајући боље оперативно планирање и управљање ризиком.