文献研读-Methodology for Performing Synchrophasor Data Conditioning and Validation执行同步相量数据调节和验证的方法

本文主要是介绍文献研读-Methodology for Performing Synchrophasor Data Conditioning and Validation执行同步相量数据调节和验证的方法,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文章目录

    • 1. 文献来源
    • 2. 摘要
    • 3. 目的
    • 4. 改进思想
      • 4.1 滤波
      • 4.2 平滑
    • 5. 模型预测控制-MPC
    • 6. 总结

1. 文献来源

Methodology for Performing Synchrophasor Data Conditioning and Validation

2. 摘要

  纯相量测量单元(PMU)状态估计器在速度、性能和可靠性方面本质上优于其SCADA模拟。然而,在将其作为EMS或其他网络应用程序的前端之前,确保进入线性估计器的数据流的质量至关重要。一种方法是在相量数据到达线性估计器之前对其进行预处理。本文提出了一种同步相量数据调节和修复算法,该算法巧妙地作为前缀嵌入到现有的线性状态估计公式中。使用安装在Dominion Virginia Power(DVP)超高压网络中的PMU获得的现场数据对该方法进行了测试。结果表明,该方法为同步相量数据质量问题提供了一种计算简单、优雅的解决方案。

3. 目的

由于相量数据的流性质,使用该数据的下游应用程序容易受到网络拥塞、配置错误、设备故障等的影响。参考文献[3]强调了与PMU数据相关的一些数据质量问题,但没有提供任何算法用于其调节/验证。本文的目的是通过建立一个计算简单有效的模型来调节和修复同步相量数据的质量。

4. 改进思想

复电压和电流遵循式(2),下一个时刻的估计值,取决于之前三个时刻的
x ^ ( k + 1 ∣ k ) = 3 x ^ ( k ∣ k ) − 3 x ^ ( k − 1 ∣ k − 1 ) + x ^ ( k − 2 ∣ k − 2 ) (2) \hat{\mathrm{x}}(\mathrm{k}+1 \mid \mathrm{k})=3 \hat{\mathrm{x}}(\mathrm{k} \mid \mathrm{k})-3 \hat{\mathrm{x}}(\mathrm{k}-1 \mid \mathrm{k}-1)+\hat{\mathrm{x}}(\mathrm{k}-2 \mid \mathrm{k}-2)\tag{2} x^(k+1k)=3x^(kk)3x^(k1k1)+x^(k2k2)(2)

4.1 滤波

式(3)为经典卡尔曼滤波器的状态方程和量测方程:
x ( k + 1 ) = Φ ( k + 1 , k ) x ( k ) + Γ ( k + 1 , k ) w ( k ) z ( k + 1 ) = H ( k + 1 ) x ( k + 1 ) + v ( k + 1 ) (3) \begin{array}{l} \mathbf{x}(\mathrm{k}+1)=\boldsymbol{\Phi}(\mathrm{k}+1, \mathrm{k}) \mathbf{x}(\mathrm{k})+\boldsymbol{\Gamma}(\mathrm{k}+1, \mathrm{k}) \mathbf{w}(\mathrm{k}) \\ \mathbf{z}(\mathrm{k}+1)=\mathbf{H}(\mathrm{k}+1) \mathbf{x}(\mathrm{k}+1)+\mathbf{v}(\mathrm{k}+1) \end{array}\tag{3} x(k+1)=Φ(k+1,k)x(k)+Γ(k+1,k)w(k)z(k+1)=H(k+1)x(k+1)+v(k+1)(3)
在这里插入图片描述
因此, k + 1 \mathrm{k+1} k+1是测量到达并进行估计的当前时间戳。对于最优滤波,我们取(3)的估计值,并将其表示为卡尔曼滤波符号中的递归关系,如(4a)和(4b)所示:
x ^ ( k + 1 ∣ k + 1 ) = Φ ( k + 1 , k ) x ^ ( k ∣ k ) + K ( k + 1 ) ( z ( k + 1 ) − z ^ ( k + 1 ∣ k ) ) (4a) \begin{aligned} \hat{\mathbf{x}}(\mathrm{k}+1 \mid \mathrm{k}+1) &=\boldsymbol{\Phi}(\mathrm{k}+1, \mathrm{k}) \hat{\mathbf{x}}(\mathrm{k} \mid \mathrm{k}) \\ &+\mathbf{K}(\mathrm{k}+1)(\mathbf{z}(\mathrm{k}+1)-\hat{\mathbf{z}}(\mathrm{k}+1 \mid \mathrm{k}))\tag{4a} \end{aligned} x^(k+1k+1)=Φ(k+1,k)x^(kk)+K(k+1)(z(k+1)z^(k+1k))(4a) z ^ ( k + 1 ∣ k ) = H ( k + 1 ) x ^ ( k + 1 ∣ k ) (4b) \hat{\mathbf{z}}(\mathrm{k}+1 \mid \mathrm{k})=\mathbf{H}(\mathrm{k}+1) \hat{\mathbf{x}}(\mathrm{k}+1 \mid \mathrm{k})\tag{4b} z^(k+1k)=H(k+1)x^(k+1k)(4b)
在(4)中 K ( k + 1 ) \mathrm{K(k+1}) K(k+1) 是卡尔曼增益。使用标准卡尔曼滤波技术[11]求解方程(4)。
  当应用于同步相量数据时,可以进一步简化,如下所示。 由于二次预测模型的性质,相邻状态向量共享三个状态变量中的两个,从而产生一个增强状态向量。这可以被视为一个移动窗口,其中包含系统的三个快照,一次只向前移动一个快照。因此,用于基于(2)预测下一个状态,并且 x ^ ( k + 1 ) \hat{\mathrm{x}}(\mathrm{k+1}) x^(k+1) x ^ ( k + 1 ∣ k ) \hat{\mathrm{x}}(\mathrm{k+1}|\mathrm{k}) x^(k+1k)可以表示为 :
x ^ ( k ∣ k ) = [ x ^ ( k ∣ k ) x ^ ( k − 1 ∣ k − 1 ) x ^ ( k − 2 ∣ k − 2 ) ] (5a) \hat{\mathbf{x}}(\mathrm{k} \mid \mathrm{k})=\left[\begin{array}{c} \hat{\mathrm{x}}(\mathrm{k} \mid \mathrm{k}) \\ \hat{\mathrm{x}}(\mathrm{k}-1 \mid \mathrm{k}-1) \\ \hat{\mathrm{x}}(\mathrm{k}-2 \mid \mathrm{k}-2)\tag{5a} \end{array}\right] x^(kk)= x^(kk)x^(k1k1)x^(k2k2) (5a) x ^ ( k + 1 ∣ k ) = [ x ^ ( k + 1 ∣ k ) x ^ ( k ∣ k ) x ^ ( k − 1 ∣ k − 1 ) ] (5b) \hat{\mathbf{x}}(\mathrm{k}+1 \mid \mathrm{k})=\left[\begin{array}{c} \hat{\mathrm{x}}(\mathrm{k}+1 \mid \mathrm{k}) \\ \hat{\mathrm{x}}(\mathrm{k} \mid \mathrm{k}) \\ \hat{\mathrm{x}}(\mathrm{k}-1 \mid \mathrm{k}-1)\tag{5b} \end{array}\right] x^(k+1k)= x^(k+1k)x^(kk)x^(k1k1) (5b)
由于未来状态的估计取决于之前的三个状态估计,出于过滤目的,将 x ^ ( k ∣ k ) \hat{\mathrm{x}}(\mathrm{k}|\mathrm{k}) x^(kk) x ^ ( k + 1 ∣ k ) \hat{\mathrm{x}}(\mathrm{k+1}|\mathrm{k}) x^(k+1k)和描述为3x1矩阵是有意义的。现在,我们知道了 Φ ( k + 1 , k ) \Phi(\mathrm{k+1,k}) Φ(k+1,k) k + 1 \mathrm{k+1} k+1 k \mathrm{k} k等时刻状态关联。
x ^ ( k + 1 ∣ k ) = Φ ( k + 1 , k ) x ^ ( k ∣ k ) (5c) \hat{\mathbf{x}}(\mathrm{k}+1 \mid \mathrm{k})=\boldsymbol{\Phi}(\mathrm{k}+1, \mathrm{k}) \hat{\mathbf{x}}(\mathrm{k} \mid \mathrm{k})\tag{5c} x^(k+1k)=Φ(k+1,k)x^(kk)(5c)
因此,基于(2)、(5a)、(5b)和(5c), Φ ( k + 1 , k ) \Phi(\mathrm{k}+1,\mathrm{k}) Φ(k+1,k)可以公式化为常数,如(5d)所示:
Φ ( k + 1 , k ) = [ 3 − 3 1 1 0 0 0 1 0 ] (5d) \boldsymbol{\Phi}(\mathrm{k}+1, \mathrm{k})=\left[\begin{array}{ccc} 3 & -3 & 1 \\ 1 & 0 & 0 \\ 0 & 1 & 0 \end{array}\right]\tag{5d} Φ(k+1,k)= 310301100 (5d)
这里需要注意的是,(5a)和(5b)中的状态是复电压和电流测量值。因此,在不失一般性的情况下,我们可以写出(5e)和(5f):
z ( k + 1 ) = x ( k + 1 ) + v ( k + 1 ) (5e) \mathrm{z}(\mathrm{k}+1)=\mathrm{x(k+1)}+\mathrm{v(k+1)}\tag{5e} z(k+1)=x(k+1)+v(k+1)(5e) z ^ ( k + 1 ∣ k ) = z ^ ( x + 1 ∣ k ) (5f) \hat{\mathrm{z}}(\mathrm{\mathrm{k+1|k}})=\hat{\mathrm{z}}(\mathrm{\mathrm{x+1|k}})\tag{5f} z^(k+1∣k)=z^(x+1∣k)(5f)
使用(4b)中的(5b)和(5f),我们得到 H ( k + 1 ) \mathrm{H}(\mathrm{k+1}) H(k+1)
H ( k + 1 ) = [ 1 0 1 ] (5g) \mathrm{H}(\mathrm{k+1})=[1\ 0 \ 1]\tag{5g} H(k+1)=[1 0 1](5g)
因此,在分别替换(4a)和(4b)的RHS中的(5d)和(5g)时,将开发滤波技术的简化模型,如(6a)和(6b)所示
x ^ ( k + 1 ∣ k + 1 ) = [ 3 − 3 1 1 0 0 0 1 0 ] x ^ ( k ∣ k ) + K ( k + 1 ) ( z ( k + 1 ) − z ^ ( k + 1 ∣ k ) ) (6a) \begin{aligned} \hat{\mathbf{x}}(\mathrm{k}+1 \mid \mathrm{k}+1) &=\left[\begin{array}{ccc} 3 & -3 & 1 \\ 1 & 0 & 0 \\ 0 & 1 & 0 \end{array}\right] \hat{\mathbf{x}}(\mathrm{k} \mid \mathrm{k}) \\ &+\mathbf{K}(\mathrm{k}+1)(\mathrm{z}(\mathrm{k}+1)-\hat{\mathrm{z}}(\mathrm{k}+1 \mid \mathrm{k})) \end{aligned}\tag{6a} x^(k+1k+1)= 310301100 x^(kk)+K(k+1)(z(k+1)z^(k+1k))(6a)
z ^ ( k + 1 ∣ k ) = [ 1 0 0 ] x ^ ( k + 1 ∣ k ) (6b) \hat{\mathbf{z}}(\mathrm{k}+1 \mid \mathrm{k})=\left[\begin{array}{lll} 1 & 0 & 0 \end{array}\right] \hat{\mathbf{x}}(\mathrm{k}+1 \mid \mathrm{k})\tag{6b} z^(k+1k)=[100]x^(k+1k)(6b)
(6a)的RHS中的第二项对应于稳态观测残差。卡尔曼增益由以下方程组指定:
K ( k + 1 ) = P ( k + 1 ∣ k ) H T ( k + 1 ) × [ H ( k + 1 ) P ( k + 1 ∣ k ) H T ( k + 1 ) + R ( k + 1 ) ] − 1 (7a) \begin{aligned} \mathbf{K}(\mathrm{k}+1)=& \mathbf{P}(\mathrm{k}+1 \mid \mathrm{k}) \mathbf{H}^{\mathrm{T}}(\mathrm{k}+1) \\ & \times\left[\mathbf{H}(\mathrm{k}+1) \mathbf{P}(\mathrm{k}+1 \mid \mathrm{k}) \mathbf{H}^{\mathrm{T}}(\mathrm{k}+1)\right.\\ &+\mathbf{R}(\mathrm{k}+1)]^{-1} \end{aligned}\tag{7a} K(k+1)=P(k+1k)HT(k+1)×[H(k+1)P(k+1k)HT(k+1)+R(k+1)]1(7a)
P ( k + 1 ∣ k ) = Φ ( k + 1 , k ) P ( k ∣ k ) Φ T ( k + 1 , k ) + Γ ( k + 1 , k ) Q ( k ) Γ T ( k + 1 , k ) (7b) \begin{aligned} \mathbf{P}(\mathrm{k}+1 \mid \mathrm{k})=& \boldsymbol{\Phi}(\mathrm{k}+1, \mathrm{k}) \mathbf{P}(\mathrm{k} \mid \mathrm{k}) \boldsymbol{\Phi}^{\mathrm{T}}(\mathrm{k}+1, \mathrm{k}) \\ &+\Gamma(\mathrm{k}+1, \mathrm{k}) \mathbf{Q}(\mathrm{k}) \boldsymbol{\Gamma}^{\mathrm{T}}(\mathrm{k}+1, \mathrm{k}) \end{aligned}\tag{7b} P(k+1k)=Φ(k+1,k)P(kk)ΦT(k+1,k)+Γ(k+1,k)Q(k)ΓT(k+1,k)(7b)
P ( k + 1 ∣ k + 1 ) = [ I − K ( k + 1 ) H ( k + 1 ) ] P ( k + 1 ∣ k ) (7c) \mathbf{P}(\mathrm{k}+1 \mid \mathrm{k}+1)=[\mathbf{I}-\mathbf{K}(\mathrm{k}+1) \mathbf{H}(\mathrm{k}+1)] \mathbf{P}(\mathrm{k}+1 \mid \mathrm{k})\tag{7c} P(k+1k+1)=[IK(k+1)H(k+1)]P(k+1k)(7c)
因为各个状态是不相关的 R ( k + 1 ) = R \mathrm{R(k+1)=R} R(k+1)=R,且 Q ( k ) = Q \mathrm{Q(k)=Q} Q(k)=Q等,他们都是标量。现场数据的这两个量的典型值为 1 0 − 2 10^{-2} 102。 此外, 3 × 1 3\times1 3×1初始状态向量和 3 × 3 3\times3 3×3初始估计误差协方差 P ( 0 ∣ 0 ) \mathrm{P(0|0)} P(0∣0)是零矩阵。 原因是,只要确认在第一个窗口完全填充数据之前,初始状态向量和初始估计误差协方差的值将不正确,则初始状态向量和初始估计误差协方差的值将不会影响模拟。
这样做的目的:就是把传感器测得的值和根据数学模型推导出来的值融合以逼近实际值的过程。

4.2 平滑

平滑算法使用电流测量值估计系统的先前状态。从数学上讲,这意味着求解 x ^ ( k ∣ j ) \hat{\mathrm{x}}(\mathrm{k|j}) x^(k∣j) j > k j>k j>k时。 与滤波相比,平滑的优势在于,通过平滑,可以显著提高估计的质量[13]。与用于滤波目的的同步相量数据相关的二次预测模型也适用于平滑过程。本文中使用的固定滞后平滑器模型在[14]中开发。它有一个离散时间状态方程,其形式为递归卡尔曼滤波器,带有一个增强状态向量、一个相关的增强动力系统和一个增强测量方程,如(8)所示(有关它的更多详细信息,请参见[11]和[14]):
[ x ^ ( k + 1 ∣ k + 1 ) x ^ ( k ∣ k + 1 ) x ^ ( k − 1 ∣ k + 1 ) ⋮ x ^ ( k + 1 − N ∣ k + 1 ) ] = [ Φ ( k + 1 , k ) 0 0 … 0 I 0 0 … 0 0 I 0 … 0 ⋮ ⋮ ⋮ ⋱ ⋮ 0 0 … I 0 ] [ x ^ ( k ∣ k ) x ^ ( k − 1 ∣ k ) x ^ ( k − 2 ∣ k ) ⋮ K ∣ k ) ] + [ K ( k + 1 ) K 1 ( k + 1 ) K 2 ( k + 1 ) ⋮ K N ( k + 1 ) ] ( z ( k + 1 ) − H ( k + 1 ) x ^ ( k + 1 ∣ k ) ) (8) \begin{array}{l} {\left[\begin{array}{c} \hat{\mathbf{x}}(\mathrm{k}+1 \mid \mathrm{k}+1) \\ \hat{\mathbf{x}}(\mathrm{k} \mid \mathrm{k}+1) \\ \hat{\mathbf{x}}(\mathrm{k}-1 \mid \mathrm{k}+1) \\ \vdots \\ \hat{\mathbf{x}}(\mathrm{k}+1-\mathrm{N} \mid \mathrm{k}+1) \end{array}\right]} \\ =\left[\begin{array}{ccccc} \boldsymbol{\Phi}(\mathrm{k}+1, \mathrm{k}) & \mathbf{0} & \mathbf{0} & \ldots & \mathbf{0} \\ \mathbf{I} & \mathbf{0} & \mathbf{0} & \ldots & \mathbf{0} \\ \mathbf{0} & \mathbf{I} & \mathbf{0} & \ldots & \mathbf{0} \\ \vdots & \vdots & \vdots & \ddots & \vdots \\ \mathbf{0} & \mathbf{0} & \ldots & \mathbf{I} & \mathbf{0} \end{array}\right]\left[\begin{array}{c} \hat{\mathbf{x}}(\mathrm{k} \mid \mathrm{k}) \\ \hat{\mathbf{x}}(\mathrm{k}-1 \mid \mathrm{k}) \\ \hat{\mathbf{x}}(\mathrm{k}-2 \mid \mathrm{k}) \\ \vdots \\ \mathbf{K} \mid \mathrm{k}) \end{array}\right] \\ +\left[\begin{array}{c} \mathbf{K}(\mathrm{k}+1) \\ \mathbf{K}_{1}(\mathrm{k}+1) \\ \mathbf{K}_{2}(\mathrm{k}+1) \\ \vdots \\ \mathbf{K}_{\mathrm{N}}(\mathrm{k}+1) \end{array}\right](\mathrm{z}(\mathrm{k}+1)-\mathbf{H}(\mathrm{k}+1) \hat{\mathbf{x}}(\mathrm{k}+1 \mid \mathrm{k})) \end{array}\tag{8} x^(k+1k+1)x^(kk+1)x^(k1k+1)x^(k+1Nk+1) = Φ(k+1,k)I0000I0000I0000 x^(kk)x^(k1k)x^(k2k)Kk) + K(k+1)K1(k+1)K2(k+1)KN(k+1) (z(k+1)H(k+1)x^(k+1k))(8)
在(8)中,N是窗口长度,其中 K ( k + 1 ) , K 1 ( k + 1 ) , . . . , K N ( k + 1 ) \mathrm{K(k+1),K_{1}(k+1),...,K_{N}(k+1)} K(k+1),K1(k+1),...,KN(k+1)是增益矩阵。方程(8)可以递归求解,如[14]所示。 (8)中的矩阵 Φ ( k + 1 , k ) \Phi(\mathrm{k+1,k}) Φ(k+1,k) H ( k + 1 ) \mathrm{H(k+1)} H(k+1)具有与上一小节中计算的相同的维数和值。 明智地选择窗口长度很重要,因为虽然N的值越高,接收测量和平滑状态估计之间的延迟越大,但它也会显著提高估计的质量。 其原因是,使用 x ^ ( k + 1 − N ∣ k + 1 ) \hat{\mathrm{x}}\mathrm{(k+1-N|k+1)} x^(k+1N∣k+1)获得的估计直观上优于使用 x ^ ( k + 1 − N ∣ k + 1 − N ) \hat{\mathrm{x}}\mathrm{(k+1-N|k+1-N)} x^(k+1N∣k+1N)获得的估计。对于本文所做的模拟 N = 3 N=3 N=3。在下一节中,将说明这种基于二次预测模型的卡尔曼滤波器用于调节从现场获得的实际同步相量数据的性能。

5. 模型预测控制-MPC

在这里插入图片描述模型预测控制:
模型预测控制在实现过程中有3个关键步骤:预测模型滚动优化反馈校正

  1. 预测模型:预测模型是模型预测控制的基础。其主要功能是根据对象的历史信息和未来输入,预测系统未来的输出。对预测模型的形式没有做严格的限定,状态方程、传递函数这类传统的模型都可以作为预测模型。对于线性稳定系统,阶跃响应、脉冲响应这类非参数模型,也可以直接作为预测模型使用。
  2. 滚动优化:预测控制中的优化与通常的离散最优控制算法不同,不是采用一个不变的全局最优目标,而是采用滚动式的有限时域优化策略。在每一采样时刻,根据该时刻的优化性能指标,求解该时刻起有限时段的最优控制率。计算得到的控制作用序列也只有当前值是实际执行的,在下一个采样时刻又重新求取最优控制率。也就是说,优化过程不是一次离线完成的,而是反复在线进行的,即在每一采样时刻,优化性能指标只涉及从该时刻起到未来有限的时间,而到下一个采样时刻,这一优化时段会同时向前推移。
  3. 反馈校正:为了防止模型失配或者环境干扰引起控制对理想状态的偏离,在新的采样时刻,首先检测对象的实际输出,并利用这一实时信息对基于模型的预测结果进行修正,然后再进行新的优化。

模型预测,预测采样时刻 k k k之后的 i i i时刻的数值。在这里插入图片描述
在这里插入图片描述

6. 总结

  该文基于经典卡尔曼滤波器滤波及平滑,对纯相量测量单元(PMU)采集到的同步向量数据进行进行数据调节,以此来获得质量较高的同步相量估计值。该数据估计算法和应用至MPC中,用于提高状态估计器估计值的质量。
  关于卡尔曼滤波的基础知识可以参考郑政谋老师主编的《最佳线性滤波——维纳滤波、卡尔曼滤波与最小二乘滤波》,该书详细推导了卡尔曼滤波的递推式,卡尔曼增益的求解公式等。需要知道的一点,卡尔曼滤波是一种最优理论,卡尔曼滤波可以使估计出来的噪声值较低,通过加权估计值与测量值,使得最优估计值接近真实值,这样就降低了估计出来的噪声,也就是所谓的“滤波”。
  该文为数据处理提交数据质量提供了思路。

这篇关于文献研读-Methodology for Performing Synchrophasor Data Conditioning and Validation执行同步相量数据调节和验证的方法的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/642717

相关文章

macOS无效Launchpad图标轻松删除的4 种实用方法

《macOS无效Launchpad图标轻松删除的4种实用方法》mac中不在appstore上下载的应用经常在删除后它的图标还残留在launchpad中,并且长按图标也不会出现删除符号,下面解决这个问... 在 MACOS 上,Launchpad(也就是「启动台」)是一个便捷的 App 启动工具。但有时候,应

opencv图像处理之指纹验证的实现

《opencv图像处理之指纹验证的实现》本文主要介绍了opencv图像处理之指纹验证的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学... 目录一、简介二、具体案例实现1. 图像显示函数2. 指纹验证函数3. 主函数4、运行结果三、总结一、

Java利用JSONPath操作JSON数据的技术指南

《Java利用JSONPath操作JSON数据的技术指南》JSONPath是一种强大的工具,用于查询和操作JSON数据,类似于SQL的语法,它为处理复杂的JSON数据结构提供了简单且高效... 目录1、简述2、什么是 jsONPath?3、Java 示例3.1 基本查询3.2 过滤查询3.3 递归搜索3.4

SpringBoot日志配置SLF4J和Logback的方法实现

《SpringBoot日志配置SLF4J和Logback的方法实现》日志记录是不可或缺的一部分,本文主要介绍了SpringBoot日志配置SLF4J和Logback的方法实现,文中通过示例代码介绍的非... 目录一、前言二、案例一:初识日志三、案例二:使用Lombok输出日志四、案例三:配置Logback一

Python实现无痛修改第三方库源码的方法详解

《Python实现无痛修改第三方库源码的方法详解》很多时候,我们下载的第三方库是不会有需求不满足的情况,但也有极少的情况,第三方库没有兼顾到需求,本文将介绍几个修改源码的操作,大家可以根据需求进行选择... 目录需求不符合模拟示例 1. 修改源文件2. 继承修改3. 猴子补丁4. 追踪局部变量需求不符合很

mysql出现ERROR 2003 (HY000): Can‘t connect to MySQL server on ‘localhost‘ (10061)的解决方法

《mysql出现ERROR2003(HY000):Can‘tconnecttoMySQLserveron‘localhost‘(10061)的解决方法》本文主要介绍了mysql出现... 目录前言:第一步:第二步:第三步:总结:前言:当你想通过命令窗口想打开mysql时候发现提http://www.cpp

MySQL大表数据的分区与分库分表的实现

《MySQL大表数据的分区与分库分表的实现》数据库的分区和分库分表是两种常用的技术方案,本文主要介绍了MySQL大表数据的分区与分库分表的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有... 目录1. mysql大表数据的分区1.1 什么是分区?1.2 分区的类型1.3 分区的优点1.4 分

Mysql删除几亿条数据表中的部分数据的方法实现

《Mysql删除几亿条数据表中的部分数据的方法实现》在MySQL中删除一个大表中的数据时,需要特别注意操作的性能和对系统的影响,本文主要介绍了Mysql删除几亿条数据表中的部分数据的方法实现,具有一定... 目录1、需求2、方案1. 使用 DELETE 语句分批删除2. 使用 INPLACE ALTER T

MySQL INSERT语句实现当记录不存在时插入的几种方法

《MySQLINSERT语句实现当记录不存在时插入的几种方法》MySQL的INSERT语句是用于向数据库表中插入新记录的关键命令,下面:本文主要介绍MySQLINSERT语句实现当记录不存在时... 目录使用 INSERT IGNORE使用 ON DUPLICATE KEY UPDATE使用 REPLACE

Python 中的异步与同步深度解析(实践记录)

《Python中的异步与同步深度解析(实践记录)》在Python编程世界里,异步和同步的概念是理解程序执行流程和性能优化的关键,这篇文章将带你深入了解它们的差异,以及阻塞和非阻塞的特性,同时通过实际... 目录python中的异步与同步:深度解析与实践异步与同步的定义异步同步阻塞与非阻塞的概念阻塞非阻塞同步