Optimera slumpmässiga avbrottssimuleringar för industrianläggningar med pandor

Optimera anläggningsavbrottssimuleringar med pandor

Python - Använda pandor för effektiv tidsseriesimulering

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())

Effektiv tidsseriegenerering för anläggningsavbrott

Python - Optimera med pandor för bättre prestanda

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())

Vanliga frågor om effektiv avbrottssimulering med pandor

1. Vilka är fördelarna med att använda Pandas för avbrottssimuleringar?
2. Pandas erbjuder effektiva datamanipulerings- och analysmöjligheter, vilket möjliggör snabbare simulering av stora datamängder jämfört med inhemska Python-loopar.
3. Hur förbättrar vektorisering prestandan för avbrottssimuleringar?
4. Vektorisering utför operationer på hela arrayer på en gång, vilket minskar kostnaderna för loopar och drar fördel av interna optimeringar i Pandas.
5. Vad är rollen för np.log() i simuleringsskriptet?
6. np.log() används för att beräkna den naturliga logaritmen, vilket hjälper till att generera sampel från en geometrisk fördelning för avbrottslängder och intervall.
7. Varför är minneshantering viktigt i storskaliga simuleringar?
8. Effektiv minneshantering förhindrar minnesspill och säkerställer smidigt utförande, särskilt när man simulerar många anläggningar under längre perioder.
9. Hur kan kategoriska datatyper i Pandas hjälpa till att optimera simuleringar?
10. Kategoriska datatyper minskar minnesanvändningen genom att representera upprepade värden mer effektivt, vilket är fördelaktigt för hantering av anläggningsstatusdata.
11. Vad finns det för andra bibliotek som kan förbättra simuleringar av avbrott?
12. Bibliotek som NumPy och SciPy tillhandahåller optimerade funktioner för slumpmässigt urval och statistisk analys, vilket kompletterar Pandas datamanipuleringsmöjligheter.
13. Kan chunking användas för att hantera stora datamängder i avbrottssimuleringar?
14. Ja, bearbetning av datasetet i mindre bitar hjälper till att hantera minnesanvändning effektivt och säkerställer att simuleringen kan hantera stora datamängder utan problem.
15. Vilka är fördelarna med att integrera NumPy med Pandas för simuleringar?
16. NumPys optimerade slumpmässiga samplingsfunktioner kan generera avbrottslängder och intervall mer effektivt, vilket förbättrar den övergripande prestandan för simuleringen.

Effektiv optimering av avbrottssimuleringar

Att införliva pandor för att simulera slumpmässiga avbrott i industrianläggningar förbättrar processens effektivitet avsevärt. Genom att utnyttja Pandas kraftfulla datamanipuleringsmöjligheter kan vi generera korrekta tidsseriedata för anläggningstillgänglighet. Detta tillvägagångssätt förbättrar inte bara simuleringshastigheten utan säkerställer också bättre minneshantering och skalbarhet. Att använda vektorisering och integrera bibliotek som NumPy och SciPy optimerar simuleringen ytterligare, vilket gör den robust och skalbar för stora datamängder. Sammantaget tillhandahåller Pandas en heltäckande lösning för att effektivt simulera och analysera anläggningsavbrott, vilket möjliggör bättre operativ planering och riskhantering.