Оптимізація моделювання випадкових відключень для промислових установок за допомогою Pandas

Оптимізація моделювання простою заводу за допомогою Pandas

Python - використання Pandas для ефективного моделювання часових рядів

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())

Ефективна генерація часових рядів для простоїв заводу

Python - Оптимізація за допомогою Pandas для кращої продуктивності

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())

Поширені запитання про ефективне моделювання відключень за допомогою Pandas

1. Які переваги використання Pandas для моделювання відключень?
2. Pandas пропонує ефективні можливості обробки та аналізу даних, що дозволяє швидше симулювати великі набори даних порівняно з природними циклами Python.
3. Як векторизація покращує ефективність моделювання відключень?
4. Векторизація виконує операції над усіма масивами одночасно, зменшуючи накладні витрати на цикли та використовуючи переваги внутрішньої оптимізації в Pandas.
5. Яка роль np.log() у сценарії симуляції?
6. np.log() використовується для обчислення натурального логарифма, який допомагає генерувати вибірки з геометричного розподілу для тривалості та інтервалів відключень.
7. Чому керування пам’яттю є важливим у великомасштабному моделюванні?
8. Ефективне керування пам’яттю запобігає переповненню пам’яті та забезпечує безперебійне виконання, особливо під час симуляції багатьох установок протягом тривалого часу.
9. Як категоріальні типи даних у Pandas можуть допомогти оптимізувати моделювання?
10. Категориальні типи даних зменшують використання пам’яті, більш ефективно представляючи повторювані значення, що є корисним для обробки даних про стан підприємства.
11. Які інші бібліотеки можуть покращити моделювання відключень?
12. Такі бібліотеки, як NumPy і SciPy, забезпечують оптимізовані функції для випадкової вибірки та статистичного аналізу, доповнюючи можливості обробки даних Pandas.
13. Чи можна використовувати фрагментацію для керування великими наборами даних у симуляції відключень?
14. Так, обробка набору даних меншими фрагментами допомагає ефективно керувати використанням пам’яті та гарантує безпроблемну роботу симуляції з великими наборами даних.
15. Які переваги інтеграції NumPy із Pandas для симуляції?
16. Оптимізовані функції випадкової вибірки NumPy можуть ефективніше генерувати тривалість та інтервали відключень, підвищуючи загальну продуктивність моделювання.

Ефективна оптимізація симуляції відключень

Включення Pandas для моделювання випадкових відключень на промислових підприємствах значно підвищує ефективність процесу. Використовуючи потужні можливості Pandas для обробки даних, ми можемо генерувати точні часові ряди даних щодо доступності заводу. Цей підхід не тільки покращує швидкість моделювання, але й забезпечує краще керування пам’яттю та масштабованість. Використання векторизації та інтеграції таких бібліотек, як NumPy і SciPy, додатково оптимізує моделювання, роблячи його надійним і масштабованим для великих наборів даних. Загалом, Pandas надає комплексне рішення для ефективного моделювання та аналізу відключень заводу, забезпечуючи краще оперативне планування та управління ризиками.