МИНИСТЕРСТВО ЦИФРОВОГО РАЗВИТИЯ, СВЯЗИ И МАССОВЫХ КОММУНИКАЦИЙ РОССИЙСКОЙ ФЕДЕРАЦИИ

Ордена Трудового Красного Знамени федеральное государственное бюджетное образовательное учреждение высшего образования

МОСКОВСКИЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ

СВЯЗИ И ИНФОРМАТИКИ

──────────────────────────────────────

Факультет СИ

Кафедра ТПСИ

ЛАБОРАТОРНАЯ РАБОТА

№ 1

по дисциплине «Системы искусственного интеллекта»

на тему:

«ВИЗУАЛИЗАЦИЯ И ОБРАБОТКА БОЛЬШИХ МАССИВОВ ДАННЫХ»

Выполнил: студ. гр.

БСС230У

Хххх Х Х

Москва 2026

Цель работы

Овладеть практическими навыками первичной обработки, пространственного усреднения, фильтрации и визуализации больших массивов телеметрических данных временных рядов в среде Python с использованием библиотек Pandas, NumPy и Matplotlib для определения оптимальных условий функционирования ветроэнергетической установки и оценки её коэффициента полезного действия (КПД).

Исходные данные

Исходные данные сбыли сделаны случайным образом вручную

Фрагмент исходных данных представлен на рисунке 1.

ХОД ВЫПОЛНЕНИЯ РАБОТЫ

1. Развертывание виртуального окружения и установка зависимостей

Для изоляции библиотек проекта в командной строке инициализировано виртуальное окружение Python и установлены необходимые пакеты для анализа данных и визуализации, что изображено на рисунке 2.

Рисунок 1 – Фрагмент исходных данных

Рисунок 2 – Установка библиотек

2. Формирование структуры CSV-файла данных

На основе исходных телеметрических измерений сформирован файл data.csv со следующей внутренней структурой:

3. Разработка управляющего Python-скрипта (main.py)

В скрипте реализуется чтение CSV-структуры, явное приведение типов, пространственное усреднение показаний ветровых датчиков, булевая фильтрация неблагоприятных/критических диапазонов и визуализация результатов.

4. Физическая интерпретация результатов и анализ КПД

Эффективность работы ветрогенератора определяется мощностью воздушного потока, зависящей от плотности воздуха и куба скорости ветра :

P =

При понижении температуры плотность воздуха возрастает, что потенциально увеличивает генерируемую мощность. Однако при выходе температуры в отрицательную область ниже +2 возникает высокий риск обледенения профиля лопастей, что резко ухудшает аэродинамические качества и сводит КПД к нулю. Напротив, при скоростях ветра менее 1м/с кинетической энергии потока недостаточно для преодоления момента страгивания и силы трения в механической трансмиссии генератора.

ВЫВОД ПО РАБОТЕ

В ходе выполнения лабораторной работы были освоены практические методы загрузки, очистки и визуализации больших массивов телеметрических данных временных рядов с использованием фреймворка Pandas и библиотеки Matplotlib. Выполненное пространственное усреднение скоростей ветра с трех датчиков позволило сгладить локальные турбулентные всплески и исключить высокочастотные погрешности измерений. Путем векторной фильтрации были выделены критические временные интервалы функционирования оборудования, что позволяет сформировать оптимальный алгоритм управления ветротурбиной для достижения максимального КПД и предотвращения аварийных режимов.

КОНТРОЛЬНЫЕ ВОПРОСЫ

1. Для каких целей используется усреднение данных, и каким образом оно осуществляется?

Усреднение данных применяется для сглаживания высокочастотных шумов, случайно возникших аномалий, локальных турбулентных всплесков и погрешностей измерительных приборов с целью выделения истинного тренда процесса. В данной работе применяется пространственное усреднение по трём независимым датчикам ( , , ), расположенным в одной точке:

В Pandas это реализуется методом .mean(axis=1), рассчитывающим среднее значение вдоль горизонтальной оси строк.

2. Откуда берется искажающая результаты анализа информация? Как от нее избавится?

Искажающая информация (помехи, выбросы, "мусорные" значения) возникают из-за сбоев чувствительных элементов датчиков, сетевых наводок в телекоммуникационных каналах передачи данных, рассинхронизации таймштампов и аппроксимации при оцифровке. Для устранения искажений применяют методы первичной очистки данных (Data Cleaning): фильтрацию по физически допустимым границам, временное и пространственное усреднение, скользящие медианные фильтры, а также удаление или импутацию отсутствующих значений (dropna(), fillna()).

3. Что такое критический диапазон?

Критический диапазон — это область значений контролируемых параметров системы, при попадании в которую эксплуатация объекта становится физически неэффективной, авариноопасной или недопустимой по технологическому регламенту. В контексте ветроустановки критический диапазон включает температуры ниже +2 (опасность нароста льда на лопастях и разрушения механических узлов) и скорость ветра менее 1м/с (недостаток мощности для вращения ротора).

4. Какой командой показываются значения, удовлетворяющие условию?

В библиотеке Pandas выборка элементов, удовлетворяющих заданному критерию, осуществляется через механизм логической (булевой) индексации: df[condition]. Для нескольких условий используются побитовые логические операторы (| для ИЛИ, & для И). Пример:

result = df[(df['Temp'] < 2) | (df['mV'] < 1)]

Вывод полученного подмножества производится через print(result) или передачей полученного датафрейма в функции визуализации plt.plot().

5. Сформулируйте определение КПД.

Коэффициент полезного действия (КПД, ) — это безразмерная физическая величина, характеризующая эффективность функционирования системы в отношении превращения или передачи энергии. КПД рассчитывается как отношение полезной полученной мощности (или работы) к суммарной подведенной затраченной мощности (или энергии):

Для ветрогенератора КПД отражает долю кинетической энергии ветрового потока, успешно преобразованной в электрическую энергию с учетом аэродинамических, механических и электротехнических потерь (предел Бетца ).