Importamos las librerías necesarias



In [1]:

    
import pandas as pd
import matplotlib.pyplot as plt



In [2]:

    
%matplotlib inline

Importamos las librerías creadas para trabajar



In [3]:

    
import ext_datos as ext
import procesar as pro
import time_plot as tplt

Generamos los datasets de todos los días

En primer lugar se extraen los datos de todos los archivos de cada día y se genera una lista de tablas separadas por motor



In [4]:

    
dia1 = ext.extraer_data('dia1')



In [5]:

    
cd ..









    



/home/rodrigo/dataTritiumWS22



In [6]:

    
dia2 = ext.extraer_data('dia2')



In [7]:

    
cd ..









    



/home/rodrigo/dataTritiumWS22



In [8]:

    
dia3 = ext.extraer_data('dia3')



In [9]:

    
cd ..









    



/home/rodrigo/dataTritiumWS22



In [10]:

    
dia4 = ext.extraer_data('dia4')

Se procesan las listas anteriores, se concatenan por motor según la hora de los registros y se rellenan los espacios vacíos con datos NaN, luego se juntan de costado las tablas (join) y se le añade el sufijo _m1 y _m2 para diferenciar las columnas



In [11]:

    
motoresdia1 = pro.procesar(dia1)



In [12]:

    
motoresdia2 = pro.procesar(dia2)



In [13]:

    
motoresdia3 = pro.procesar(dia3)



In [14]:

    
motoresdia4 = pro.procesar(dia4)

Cálculo de promedios

Día 4

Se añade la potencia calculada como $V\cdot{I}$



In [15]:

    
motoresdia4['pot_m2']=motoresdia4.busCurrent_m2*motoresdia4.busVoltage_m2



In [16]:

    
motoresdia4['pot_m1']=motoresdia4.busCurrent_m1*motoresdia4.busVoltage_m1



In [17]:

    
motoresdia3['pot_m2']=motoresdia3.busCurrent_m2*motoresdia3.busVoltage_m2
motoresdia3['pot_m1']=motoresdia3.busCurrent_m1*motoresdia3.busVoltage_m1



In [18]:

    
motoresdia2['pot_m2']=motoresdia2.busCurrent_m2*motoresdia2.busVoltage_m2
motoresdia2['pot_m1']=motoresdia2.busCurrent_m1*motoresdia2.busVoltage_m1



In [19]:

    
motoresdia1['pot_m2']=motoresdia1.busCurrent_m2*motoresdia1.busVoltage_m2
motoresdia1['pot_m1']=motoresdia1.busCurrent_m1*motoresdia1.busVoltage_m1

Se calcula la potencia promedio de todos los datos positivos que se obtienen de cada motor



In [20]:

    
promediodia4_pot_m1_todos_positivos=motoresdia4[motoresdia4.pot_m1>0].pot_m1.dropna().mean()
promediodia4_pot_m1_todos_positivos









    Out[20]:





1343.2712991041869



In [21]:

    
promediodia4_pot_m1_algunos_positivos = motoresdia4[motoresdia4.pot_m1>0].dropna().pot_m1.mean()
promediodia4_pot_m1_algunos_positivos









    Out[21]:





1340.9836630260627

Se observa que la variación de potencia promedio tomando los datos solo entre aquellos en donde existe información de ambos motores no es significativa respecto a la potencia promedio tomando el total de datos de cada motor por separado, sin usar la muestra que coincida en espacio temporal



In [22]:

    
promediodia4_pot_m2_todos_positivos = motoresdia4[motoresdia4.pot_m2>0].pot_m2.dropna().mean()
promediodia4_pot_m2_todos_positivos









    Out[22]:





1130.389884273317



In [23]:

    
promediodia4_pot_m2_algunos_positivos = motoresdia4[motoresdia4.pot_m2>0].dropna().pot_m2.mean()
promediodia4_pot_m2_algunos_positivos









    Out[23]:





1129.9650190058408

Se verifica con el segundo motor, que es el que tiene menos potencia y menos datos, en el día 2 es un 80% y el primero casi el 100%, en los otros días puede variar la apreciación

Potencia promedio consumida con 360 Kg último día ambos motores solo acelerendo, pot > 0



In [24]:

    
pot_prom_ambos_dia4 = promediodia4_pot_m1_algunos_positivos+promediodia4_pot_m2_algunos_positivos
pot_prom_ambos_dia4









    Out[24]:





2470.9486820319034

Potencia promedio entregada por regeneración



In [25]:

    
promediodia4_pot_m1_algunos_negativos = motoresdia4[motoresdia4.pot_m1<0].dropna().pot_m1.mean()
promediodia4_pot_m1_algunos_negativos









    Out[25]:





-749.66945667315588



In [26]:

    
promediodia4_pot_m2_algunos_negativos = motoresdia4[motoresdia4.pot_m2<0].dropna().pot_m2.mean()
promediodia4_pot_m2_algunos_negativos









    Out[26]:





-686.84717211990721



In [27]:

    
pot_prom_reg_ambos_dia4 = promediodia4_pot_m1_algunos_negativos+promediodia4_pot_m2_algunos_negativos
pot_prom_reg_ambos_dia4









    Out[27]:





-1436.5166287930631



In [28]:

    
abs(pot_prom_reg_ambos_dia4/pot_prom_ambos_dia4)









    Out[28]:





0.58136238896381731

Potencia promedio dia 4 consumida y regenerada a la vez



In [29]:

    
promediodia4_pot_m1_algunos_ambos = motoresdia4[motoresdia4.pot_m1!=0].dropna().pot_m1.mean()
promediodia4_pot_m1_algunos_ambos









    Out[29]:





1109.9504543656908



In [30]:

    
promediodia4_pot_m2_algunos_ambos = motoresdia4[motoresdia4.pot_m2!=0].dropna().pot_m2.mean()
promediodia4_pot_m2_algunos_ambos









    Out[30]:





904.29168993214194



In [31]:

    
pot_prom_cons_y_reg = promediodia4_pot_m1_algunos_ambos+promediodia4_pot_m2_algunos_ambos
pot_prom_cons_y_reg









    Out[31]:





2014.2421442978327

Impacto uso de regenerativo ultimo dia de carrera



In [32]:

    
1 - pot_prom_cons_y_reg/(pot_prom_ambos_dia4)









    Out[32]:





0.18483044227309209



In [33]:

    
motoresdia4.pot_m2[10000:30000].plot()









    Out[33]:





<matplotlib.axes._subplots.AxesSubplot at 0x7f56a18f3410>

~~Promedio día 4 incluyendo recargo de celdas.. solo en intervalo donde existen datos de ambos motores~~



In [34]:

    
promediodia4_pot_m1_algunos_todo = motoresdia4.dropna().pot_m1.mean()
promediodia4_pot_m1_algunos_todo









    Out[34]:





813.6939774760142



In [35]:

    
promediodia4_pot_m2_algunos_todo = motoresdia4.dropna().pot_m2.mean()
promediodia4_pot_m2_algunos_todo









    Out[35]:





662.89368226963484



In [36]:

    
promediototalconsumo = promediodia4_pot_m2_algunos_todo+promediodia4_pot_m1_algunos_todo
promediototalconsumo









    Out[36]:





1476.587659745649

Impacto carga de celdas



In [37]:

    
1-promediototalconsumo/pot_prom_cons_y_reg









    Out[37]:





0.26692643983954112

Validación en un intervalo de competencia solamente, no luego de llegar y recargar.. solo en carrera



In [38]:

    
promediodia4_pot_m1_algunos_todo_val = motoresdia4.dropna().pot_m1[0:110000].mean()
promediodia4_pot_m1_algunos_todo_val









    Out[38]:





975.6521323211665



In [39]:

    
promediodia4_pot_m2_algunos_todo_val = motoresdia4.dropna().pot_m2[0:110000].mean()
promediodia4_pot_m2_algunos_todo_val









    Out[39]:





794.53780352317597



In [40]:

    
promediototalconsumo_val = promediodia4_pot_m2_algunos_todo_val+promediodia4_pot_m1_algunos_todo_val
promediototalconsumo_val









    Out[40]:





1770.1899358443425



In [41]:

    
1-promediototalconsumo_val/pot_prom_cons_y_reg









    Out[41]:





0.12116329168485707



In [42]:

    
jdj









    



---------------------------------------------------------------------------
NameError                                 Traceback (most recent call last)
<ipython-input-42-ea27e7b61794> in <module>()
----> 1 jdj

NameError: name 'jdj' is not defined



In [43]:

    
1+1









    Out[43]:





2

Máximo absoluto día 4



In [44]:

    
maximo_m1









    



---------------------------------------------------------------------------
NameError                                 Traceback (most recent call last)
<ipython-input-44-ad61be28c1df> in <module>()
----> 1 maximo_m1

NameError: name 'maximo_m1' is not defined



In [45]:

    
len(motoresdia4[motoresdia4.pot_m1<0].pot_m1.dropna())









    Out[45]:





11176



In [46]:

    
promedio_pot_m1_algunos=motoresdia4[motoresdia4.pot_m1<0].dropna().pot_m1.mean()



In [47]:

    
len(motoresdia4[motoresdia4.pot_m1<0].dropna().pot_m1)









    Out[47]:





10825



In [48]:

    
motoresdia4[motoresdia4.pot_m1<0].dropna().pot_m1.mean()









    Out[48]:





-749.66945667315588



In [49]:

    
motoresdia4[motoresdia4.pot_m2<0].dropna().pot_m2.mean()









    Out[49]:





-686.84717211990721



In [50]:

    
motoresdia4[motoresdia4.pot_m2!=0].pot_m2.dropna().mean()









    Out[50]:





904.88479222517333



In [51]:

    
1343+1130









    Out[51]:





2473



In [52]:

    
motoresdia3['pot_m2']=motoresdia3.busCurrent_m2*motoresdia3.busVoltage_m2



In [53]:

    
motoresdia3['pot_m1']=motoresdia3.busCurrent_m1*motoresdia3.busVoltage_m1



In [54]:

    
motoresdia3[motoresdia3.pot_m1<0].pot_m1.dropna().mean()









    Out[54]:





-589.44628614468138



In [55]:

    
motoresdia3[motoresdia3.pot_m2<0].pot_m2.dropna().mean()









    Out[55]:





-510.71265518321326



In [56]:

    
motoresdia2['pot_m2']=motoresdia2.busCurrent_m2*motoresdia2.busVoltage_m2



In [57]:

    
motoresdia2['pot_m1']=motoresdia2.busCurrent_m1*motoresdia2.busVoltage_m1



In [58]:

    
motoresdia2[motoresdia2.pot_m1<0].pot_m1.dropna().mean()









    Out[58]:





-1057.9009694831727



In [59]:

    
motoresdia2[motoresdia2.pot_m2<0].pot_m2.dropna().mean()









    Out[59]:





-1102.4473712984573



In [60]:

    
motoresdia1['pot_m2']=motoresdia1.busCurrent_m2*motoresdia1.busVoltage_m2



In [61]:

    
motoresdia1['pot_m1']=motoresdia1.busCurrent_m1*motoresdia1.busVoltage_m1



In [62]:

    
motoresdia1[motoresdia1.pot_m1!=0].pot_m1.dropna().mean()









    Out[62]:





1206.3030021607772



In [63]:

    
motoresdia1[motoresdia1.pot_m2!=0].pot_m2.dropna().mean()









    Out[63]:





1093.9399017808028



In [64]:

    
import scipy.integrate as integr



In [97]:

    
integr.trapz(motoresdia4.pot_m2.dropna(),motoresdia4.pot_m2.dropna().index.values)









    Out[97]:





numpy.timedelta64(18394472149109125,'ns')



In [89]:

    
from scipy import integrate
import pandas as pd
import numpy as np

def integrate_method(self, how='trapz', unit='s'):
    '''Numerically integrate the time series.

    @param how: the method to use (trapz by default)
    @return 

    Available methods:
     * trapz - trapezoidal
     * cumtrapz - cumulative trapezoidal
     * simps - Simpson's rule
     * romb - Romberger's rule

    See http://docs.scipy.org/doc/scipy/reference/integrate.html for the method details.
    or the source code
    https://github.com/scipy/scipy/blob/master/scipy/integrate/quadrature.py
    '''
    available_rules = set(['trapz', 'cumtrapz', 'simps', 'romb'])
    if how in available_rules:
        rule = integrate.__getattribute__(how)
    else:
        print('Unsupported integration rule: %s' % (how))
        print('Expecting one of these sample-based integration rules: %s' % (str(list(available_rules))))
        raise AttributeError
    
    result = rule(self.values, self.index.astype(np.int64) / 10**9)
    #result = rule(self.values)
    return result

pd.TimeSeries.integrate = integrate_method



In [105]:

    
energia1=motoresdia4.dropna().pot_m2.integrate()/3600
energia1









    Out[105]:





5104.5918135900893



In [106]:

    
energia2=motoresdia4.dropna().pot_m1.integrate()/3600
energia2









    Out[106]:





6245.9719080816658



In [107]:

    
energiatotal=energia1+energia2
energiatotal









    Out[107]:





11350.563721671755



In [110]:

    
energiaconsumida2=motoresdia4[motoresdia4.pot_m2>0].dropna().pot_m2.integrate()/3600
energiaconsumida2









    Out[110]:





6433.7287677648956



In [111]:

    
energiaconsumida1=motoresdia4[motoresdia4.pot_m1>0].dropna().pot_m2.integrate()/3600
energiaconsumida1









    Out[111]:





5895.2291752692927



In [112]:

    
energiaconsumidatotal=energiaconsumida1+energiaconsumida2
energiaconsumidatotal









    Out[112]:





12328.957943034187



In [114]:

    
(1-(energiatotal/energiaconsumidatotal))*100









    Out[114]:





7.9357414136952409



In [ ]:



In [105]:









    Out[105]:





5104.5918135900893