本发明提供一种电流采集装置在线自校准方法，包括：在电流采集装置中加入高精度源，同步采集高精度源输出信号和负载信号，提取高精度源的特征数据；基于高精度源的特征数据，剔除异常通道；基于正常通道采集的特征数据，构建高精度源误差模型，对高精度源进行状态判断及在线校准；在高精度源稳定时，构建各通道的幅值与频率模型和相位与频率模型，计算高精度源在负载频率下的幅值参量和相位参量，结合出厂检定结果对比，对电流采集装置各通道进行在线校准。本发明方法的提出可有效保证电流采集装置长期在线运行过程中的稳定性，减小了装置偏移引入的误差，提高了负载信号采集的准确性；同时有效解决了人员到现场检测的繁琐性，降低了检测成本。
1.一种电流采集装置在线自校准方法，其特征在于，包括：在电流采集装置中加入高精度源，同步采集高精度源输出信号和负载信号，提取高精度源的特征数据；
基于高精度源的特征数据及各通道间的相关性，构建特征参量，以及基于所述特征参量的离群特性，剔除电流采集装置中的异常通道；
基于正常通道采集的特征数据，构建高精度源误差模型，并基于高精度源误差模型，对高精度源进行状态判断及在线校准；
在高精度源稳定的情况下，构建各通道的幅值与频率模型和相位与频率模型，以及基于构建的各通道的幅值与频率模型和相位与频率模型，计算高精度源在负载频率下的幅值参量和相位参量；
基于高精度源在负载频率下的幅值参量和相位参量与出厂检定结果对比，对电流采集装置各通道进行在线校准；
所述高精度源的特征数据包括高精度源的幅值和相位，所述基于高精度源的特征数据及各通道间的相关性，构建特征参量，包括：t时刻，第i个通道采集的高精度源的幅值、相位表示为：；
其中， 为高精度源出厂检定幅值， 为高精度源在运行过程中t时刻产生的幅值相对误差， 为第i个通道在运行过程中t时刻产生的幅值相对误差， 为高精度源出厂检定相位， 为高精度源在运行过程中t时刻产生的相位误差， 为第i个通道在运行过程中t时刻产生的相位误差；
在同一高精度源的前提下，各通道的t时刻的采集的电压幅值、相位分别具有如下关系：；
其中， 表示第n个通道、t时刻采集的高精度源幅值数据； 表示第n个通道、t时刻采集的高精度源相位数据。
2.根据权利要求1所述的在线自校准方法，其特征在于，所述基于所述特征参量的离群特性，剔除电流采集装置中的异常通道，包括：对于k时刻，选取 时间段内各通道的幅值参量 和相位参量 构成二维平面坐标点 ，其中j∈[k‑m,k]；
采用局部异常因子LOF算法计算出k时刻各样本点的异常分数，根据异常分数完成异常通道的判断与剔除；
3.根据权利要求1‑2任一项所述的在线自校准方法，其特征在于，所述基于正常通道采集的特征数据，构建高精度源误差模型，包括：采用L阶代数多项式构建高精度源误差模型G(t)：；
其中， ， 为 的各阶系数，设定L为10以内的常数，通过计算验证确定；
其中， 为白噪声， 为算子多项式， ，设定 为10以内的常数；
电流采集装置n个通道t时刻采集的误差参量均值x(t)表示为：；
根据电流采集装置n个通道t时刻采集的误差参量均值x(t)，定义电流采集装置的损失函数：；
其中， 为k时刻所有通道输出的幅值或相位差的均值；
基于损失函数迭代求取高精度源误差模型G(t)中的系数A，进而得到高精度源误差模型G(t)，其中：。
4.根据权利要求1所述的在线自校准方法，其特征在于，所述基于高精度源误差模型，对高精度源进行状态判断及在线校准，包括：对于电流采集装置运行过程中ts时刻的高精度源误差，通过选取时间段 内各通道采集的幅值和相位数据，对各通道误差数据进行平均后，构建高精度源的幅值误差函数 和相位误差函数 ，基于幅值误差函数和相位误差函数计算得到ts时刻的高精度源误差：；
若 且 则判断高精度源稳定，若 或 则判断高精度源状态发生了偏移，其中 为设定的阈值参量；
若高精度源状态发生了偏移，将 、 作为矫正参量对高精度源误差进行校准。
5.根据权利要求1所述的在线自校准方法，其特征在于，所述在高精度源稳定的情况下，构建各通道的幅值与频率模型和相位与频率模型，包括：根据不同频率 下t时刻各个通道采集的高精度源的特征数据，基于BP神经网络模型构建各通道的幅值与频率模型和相位与频率模型，任一通道的幅值与频率模型表征所述任一通道的频率与幅值之间的关系，任一通道的相位与频率模型表征所述任一通道的频率与相位之间的关系；
其中， 为频率，t为高精度源的运行时刻，i为通道数。
6.根据权利要求5所述的在线自校准方法，其特征在于，所述基于构建的各通道的幅值与频率模型和相位与频率模型，计算高精度源在负载频率下的幅值参量和相位参量，包括：将负载频率H0带入幅值与频率模型和相位与频率模型中，计算得到第i通道t时刻在H0频率下的高精度源的幅值 及相位 。
7.根据权利要求6所述的在线自校准方法，其特征在于，所述基于高精度源在负载频率下的幅值参量和相位参量与出厂检定结果对比，对电流采集装置各通道进行在线校准，包括：以高精度源出厂时各通道H0频率下的检定数据为基准，计算当前t时刻第i通道的幅值差值和相位差值：其中，各通道的幅值差值为： ；
式中，i表示电流采集装置中不同的通道，其中 、 为高精度源出厂检定时第i个通道获取的H0频率下的幅值及相位参量； 、 为高精度源运行过程中第i个通道采集计算得到的H0频率下的幅值参数及相位参量；
基于所述幅值差值和相位差值，计算各通道幅值矫正系数和相位矫正系数；
基于各通道的幅值矫正系数和相位矫正系数对各通道的幅值和相位进行校准。
一种电流采集装置在线自校准方法
技术领域
[0001] 本发明涉及电力计量在线自校准领域，更具体地，涉及一种电流采集装置在线自校准方法。
背景技术
[0002] 现有的电流信号采集装置可对设备的电流信号进行采集，从而实现对设备的自动化监测与控制。但考虑到电流采集装置在运行过程中会受到现场环境、电应力等因素的影响，而出现性能退化、误差超差等现象，从而影响信号采集的准确性。如何实现电流采集装置采集过程中的在线自校准，以尽量消除或降低计量装置本身引入的误差，提高信号采集的准确度是本研究的重点。
[0003] 目前，对电流采集装置的校准方式主要有两种：
[0004] 第一种：为保证电流采集装置运行过程中的稳定性，目前主要采用离线校验的方式对装置进行校准，通过将装置从安装现场进行人工拆卸后带回实验室进行校准，或者采用便携式的校准装置在现场对装置进行校准。
[0005] 第二种：通过在采集装置中加入基准源，以基准源的基准值确定校准表达式，并根据校准表达式确定目标信号的参数值，从而实现采集装置无需拆卸条件下的在线校验。
[0006] 采用上述第一种方案的缺陷为：离线校验过程中需要人员到现场对采集装置进行拆卸，影响了装置监测的连续性，同时存在现场接线复杂，人力、物力资源消耗大等问题。
[0007] 采用上述第二种方案的缺陷为：装置的校准标准是以基准源为依据确定的，但随着运行时间的推移，基准源本身可能会发生状态漂移，而本方案中基准源状态未知。
发明内容
[0008] 本发明针对现有技术中存在的技术问题，提供一种电流采集装置在线自校准方法，包括：在电流采集装置中加入高精度源，同步采集高精度源输出信号和负载信号，提取高精度源的特征数据；基于高精度源的特征数据及各通道间的相关性，构建特征参量，以及基于所述特征参量的离群特性，剔除电流采集装置中的异常通道；基于正常通道采集的特征数据，构建高精度源误差模型，并基于高精度源误差模型，对高精度源进行状态判断及在线校准；在高精度源稳定的情况下，构建各通道的幅值与频率模型和相位与频率模型，以及基于构建的各通道的幅值与频率模型和相位与频率模型，计算高精度源在负载频率下的幅值参量和相位参量；基于高精度源在负载频率下的幅值参量和相位参量与出厂检定结果对比，对电流采集装置各通道进行在线校准。
[0009] 本发明提供的一种电流采集装置在线自校准方法，通过在电流采集装置中加入高精度源从而实现了电流采集装置在运过程中的实时自校准，并通过对电流采集装置中多通道数据进行大数据分析，实现对高精度运行状态的判断及校准；在负载信号连续监测的条件下，实现电流采集装置的在线自校准。
附图说明
[0010] 图1为本发明提供的一种电流采集装置在线自校准方法流程图；
[0011] 图2为电流采集装置结构示意图；
[0012] 图3为电流采集装置各通道的校准方法流程示意图；
[0013] 图4为BP神经网络结构示意图。
具体实施方式
[0014] 下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0015] 实施例一
[0016] 一种电流采集装置在线自校准方法，参见图1，该电流采集装置在线自校准方法包括：在电流采集装置中加入高精度源，同步采集高精度源输出信号和负载信号，提取高精度源的特征数据。基于高精度源的特征数据及各通道间的相关性，构建特征参量，以及基于所述特征参量的离群特性，剔除电流采集装置中的异常通道；基于正常通道采集的特征数据，构建高精度源误差模型，并基于高精度源误差模型，对高精度源进行状态判断及在线校准；在高精度源稳定的情况下，构建各通道的幅值与频率模型和相位与频率模型，以及基于构建的各通道的幅值与频率模型和相位与频率模型，计算高精度源在负载频率下的幅值参量和相位参量；基于高精度源在负载频率下的幅值参量和相位参量与出厂检定结果对比，对电流采集装置各通道进行在线校准。
[0017] 本发明提出了一种电流采集装置在线自校准方法，通过在电流采集装置中加入高精度源从而实现了电流采集装置在运过程中的实时自校准，并通过对装置中多通道数据进行大数据分析，实现对高精度运行状态的判断及校准。
[0018] 实施例二
[0019] 一种电流采集装置在线自校准方法，包括：
[0020] S1，在电流采集装置中加入高精度源，同步采集高精度源输出信号和负载信号，提取高精度源的特征数据。
[0021] 可以理解的是，参见图2，为电流采集装置的结构示意图，本发明实施例在电流采集装置中加入高精度源。电流采集装置包括电流电压变换模块、电压信号转换模块。其中电压信号转换模块主要由高精度源、信号调理单元、A/D转换单元、合并控制核心单元组成。本发明主要是针对电压信号转换模块进行在线自校准，以提高电流采集装置运行过程的准确度。同时考虑到高精度源信号同时叠加时，各通道间负载信号会对高精度源信号产生干扰，这里在各通道上设计了单掷开关实现高精度源信号的引入。
[0022] 其中，电流采集装置中电压信号转换模块的各个单元的功能如下：
[0023] （1）高精度源的特征在于频率可调，同时稳定性高。
[0024] 1）高精度源频率设置。
[0025] 为了实现在线运行过程中高精度源信号与负载信号的准确分离、提取，高精度源设置的输出信号频率应与负载信号频率H0相差异。同时考虑到不同频率条件下，电容阻抗对信号的幅值、相位影响不同，为实现对H0频率下负载信号的校准，高精度源选取了邻近的多个频率H1、H2、H3…H（N 其中H1＜H2＜H3＜…＜H0＜…＜HN‑1＜HN）进行信号输出。
[0026] 2）高精度源幅值设置。
[0027] 考虑到大信号叠加会影响模数转换单元AD的采样量程，将可能影响负载信号的采样精度，因而高精度源信号设置为微信号，通过微信号的变化，结合AD采集的模型函数，实现负载信号的校准。
[0028] 3）高精度源相位设置。
[0029] 为跟踪各通道的相位数据，实现各通道相位的校准，从合并控制核心单元引出同步信号，同步发送给高精度源、A/D转换单元。
[0030] 4)出厂检定。
[0031] 在出厂前对电流采集装置的信号调理单元、A/D转换单元进行校准，用校准后的信号调理单元、A/D转换单元对高精度源H0频率下的参数进行检定，获取各通道H0频率下的信号源幅值 ，并通过对比高精度源与A/D转换单元间的时延，获取各通道H0频率下信号源相位： 。
[0032] （2）信号调理单元通过阻抗匹配、增益调节、差分放大及滤波等模拟电路实现信号调理。
[0033] （3）A/D转换单元基于负载电压信号、高精度信号源电压校准信号的不同频率，将两种信号的合成波形通过傅里叶变换分离出来，并完成电压特征信息的精确提取。这里要特别提到的是，当选取的高精度信号源的校准信号频率与负载电压信号频率相近时，要通过高频次的采样频率来保证频率的分辨率，从而实现两种邻近不同频率的信号的分离。
[0034] （4）合并控制核心单元实现多个通道特征信息、时间信息的数据解码、重组及输出，传输到计算装置。
[0035] 通过在电流采集装置中加装一个高精度源，对高精度源输出信号及装置监测的负载信号进行同步采集，并通过AD转换单元完成信号的分离、特征提取，从而得到高精度源的特征信号：基波、幅值、相位等。
[0036] 需要说明的是，电流采集装置与电压采集装置的不同点在于多了一个电流电压变换模块，因此本发明提供的方法也可用于电压采集装置的在线自校准。
[0037] S2，基于高精度源的特征数据及各通道间的相关性，构建特征参量，以及基于所述特征参量的离群特性，剔除电流采集装置中的异常通道。
[0038] 可以理解是，构建特征参量的方式为，t时刻，第i个通道采集的高精度源的幅值、相位可表示为：
[0039] (3‑1) ；
[0040] 其中， 为高精度源出厂检定幅值， 为高精度源在运行过程中t时刻产生的幅值相对误差， 为第i个通道在运行过程中t时刻产生的幅值相对误差， 为高精度源出厂检定相位， 为高精度源在运行过程中t时刻产生的相位误差， 为第i个通道在运行过程中t时刻产生的相位误差.
[0041] 在同一高精度源的前提下，各通道的t时刻的采集的电压幅值、相位分别具有如下关系：
[0042] （3‑2）；
[0043] 基于上述分析，对t时刻电流采集装置的n个通道可构建特征参量：
[0044]
[0045] (3‑3);
[0046] 其中， 表示第n个通道、t时刻采集的高精度源幅值数据； 表示第n个通道、t时刻采集的高精度源相位数据。
[0047] 正常情况下， 中所有的特征参量均与高精度源的幅值、相位波动无关。若某一时刻k时刻第i个通道的幅值出现异常时， 和 将偏离正常值，且两者的偏离方向相反。类似的，若相位出现异常时， 和 将偏离正常
值，且两者的偏离方向相反。
[0048] 对于各通道采集的高精度源的特征数据（包括幅值数据和相位数据），完成对异常通道的剔除，电流采集装置运行过程中，采用局部异常因子LOF算法对异常通道进行判断与剔除。
[0049] 对某一k时刻的通道异常判断步骤包括：
[0050] (1)选取 时间段内各通道的幅值参量 、相位参量 构成二维平面坐标点 （其中j∈[k‑m,k]），记为X。
[0051] (2)采用局部异常因子LOF算法计算出k时刻各样本点的局部离群因子 ，通过判断 是否接近于1来判定该点是否是离群因子。若 远大于1，则认为是离群因子，若 接近于1，则是正常点，从而完成异常通道的判断与剔除。
[0052] 其中，K时刻样本点包括：
[0053] 。
[0054] S3，基于正常通道采集的特征数据，构建高精度源误差模型，并基于高精度源误差模型，对高精度源进行状态判断及在线校准。
[0055] 可以理解的是，在剔除异常通道后，对通道采集的幅值、相位数据进行分析。考虑到随着装置运行，高精度源会产生一种具有一定规律的慢变误差；各通道会产生随机误差，为了提高高精度源校准的准确性，通过从采集的总误差中剥离出通道误差，从而实现高精度源的状态判断及校准。
[0056] 采用一个L阶代数多项式构建高精度源误差模型G(t)：
[0057] (4‑1)；
[0058] 其中 ， 为 的各阶系数，设定L为10以内的某个常数，通过计算验证确定。
[0059] 采用 阶的AR模型构建通道的误差模型 ：
[0060] (4‑2)；
[0061] 式（4‑2）中， 为白噪声； 为算子多项式， ，，设定 为10以内的某个常数。
[0062] 电流采集装置n个通道t时刻采集的误差参量均值x(t)可表示为：
[0063] (4‑3)。
[0064] 式（4‑3）的离散序列可表示为：
[0065] (4‑4)；
[0066] 其中，k为离散时间点， ，其中n为装置的通道个数，为第i个通道出厂检定幅值或相位， 为k时刻第i个通道采集的幅值或相位数据。
[0067] 令 ， ，则（4‑4）式变形为：
[0068] (4‑5)。
[0069] 当k取N+ 个样本点时，对式（4‑5）进行进一步处理，可得：
[0070] (4‑6)；
[0071] 其中， ， ，
[0072] ，
[0073] ，
[0074] 由于 为零均值白噪声，因此A的最优估计为：
[0075] (4‑7)；
[0076] 基于式（4‑3）、（4‑7），可进一步推导出 模型参数的估计：
[0077] (4‑8)；
[0078] 其中， , 是 维随机变量 的方差阵， 是维随机变量 的协方差组成的列向量。
[0079] 定义电流采集装置的损失函数为：
[0080] ；
[0081] 其中 为k时刻所有通道输出的幅值或相位差的均值。
[0082] 基于公式（4‑7）、（4‑8），求取多项式G(t)中A的最优估计，步骤如下：
[0083] ① 令 ，得到A的初始估计 ，进而得到 的初始估计 ；
[0084] ② 基于 ，得到 ，进而计算得到 和 ；
[0085] ③ 依此循环，当损失值的相对变化率 时，停止迭代。
[0086] ，其中，J为迭代次数，d为设定的数据容差。
[0087] ④ 确定高精度源误差模型G(t)。
[0088] 构建了高精度源误差模型G(t)后，判断高精度源的状态以及在线校准，具体为：对于电流采集装置运行过程中 时刻的高精度源误差，通过选取时间段 内各通道采集的幅值、相位数据，对各个通道误差数据进行平均后，采用上述的多项式逼近算法拟合高精度源的幅值误差函数 、相位误差函数 ，基于误差函数计算得到 时刻的高精度源误差：
[0089]
[0090] 判断高精度源 时刻是否发生偏移：若 且 则判断高精度源稳定；若 或 则判断高精度源状态发生了偏移，其中 为设定
的阈值参量。
[0091] 在判断高精度源状态发生了偏移后，将 、 作为矫正参量返回对高精度源幅值、相位进行校准。
[0092] S4，在高精度源稳定的情况下，构建各通道的幅值与频率模型和相位与频率模型，以及基于构建的各通道的幅值与频率模型和相位与频率模型，计算高精度源在负载频率下的幅值参量和相位参量。
[0093] 可以理解的是，在确定高精度源稳定的情况下，基于不同频率下的幅值、相位数据，构建各通道的BP神经网络模型，通过计算负载频率下的各通道的幅值、相位，并与各通道出厂检定结果对比，完成装置t时刻各通道的自校准，各通道的自校准流程图可参见图3。
[0094] 其中，基于BP神经网络模型构建各通道的幅值与频率模型和相位与频率模型，其中，BP神经网络的结构如图4，BP神经网络模型的设计如下：
[0095] （1）输入层、输出层。
[0096] 对于第i通道，以高精度源t时刻输出的不同频率 为输入量 ，其中，以不同频率下的幅值或相位为输出量 ，所以输入层为1个神经元，输出层为1个神经元。
[0097] （2）隐藏层设计。
[0098] 为平衡模型训练的复杂度及模型精度，本文选用单隐藏层。对于隐藏的神经元数量D，本发明中采用了经验公式进行验证确定：
[0099] ；
[0100] 其中n表示输入层的神经元数量，o表示输出层的神经元数量， 为不大于10的自然数，通过计算验证确定D。
[0101] （3）激励函数。
[0102] 选用tansig函数作为隐藏层的激励函数。
[0103] （4）构建BP神经网络模型。
[0104] 通过模型训练，完成第i个通道t时刻的模型构建：
[0105] 幅值与频率模型： ；
[0106] 相位与频率模型： ，其中 ；
[0107] 其中 代表高精度源输出的频率，t为高精度源的运行时刻，i为通道数。
[0108] 基于构建的不同通道在时刻t的幅值与频率模型和相位与频率模型计算出H0频率下的幅值数据和相位数据。具体的，将负载频率H0带入幅值与频率模型 和相位与频率模型 模型中，计算得到第i通道t时刻在H0频率下的高精度源的幅值 及相位 。
[0109] S5，基于高精度源在负载频率下的幅值参量和相位参量与出厂检定结果对比，对电流采集装置各通道进行在线校准。
[0110] 可以理解的是，以高精度源出厂时各通道H0频率下的检定数据为基准，计算当前t时刻第i通道的幅值差值和相位差值。其中：各通道的幅值差值： ，各通道的相位差值： ，式中，i表示电流采集装置中不同的通道， 、为高精度源出厂检定时第i个通道获取的H0频率下的幅值及相位参量； 、 为高精度源运行过程中在t时刻第i个通道采集计算得到的H0频率下的幅值及相位参量。
[0111] 基于计算得到的幅值差和相位差参量，计算t时刻第i通道的幅值矫正系数和相位矫正系数，其中，幅值矫正系数： ，相位矫正系数： 。将幅值矫正系数和相位矫正参量 带入A/D转换单元对第i通道幅值、相位进行校准，采用上述方法，完成各通道的校准。
[0112] 本发明实施例提供的一种电流采集装置在线自校准方法，基于各通道间的相关性，构建了特征参量，采用局部异常因子LOF算法完成特征参量的异常判断，实现了异常通道的剔除；在电流采集装置中加入高精度源，采用多项式逼近算法，对电流采集装置中通道产生的平稳随机误差进行了剥离，从而提高了高精度源运行状态的判断及校准的准确度；构建了各通道的BP神经网络模型，得到了高精度源负载频率下的幅值、相位参量；通过与出厂检定参量比对，实现电流采集装置在线自校准，该方法的提出可有效保证电流采集装置长期在线运行过程中的稳定性，降低了装置偏移引入的误差风险，进一步保证了各评估系统的准确性。同时该方法的提出，有效解决了人员到现场检测的繁琐性，降低了检测成本。
[0113] 需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
[0114] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD‑ROM、光学存储器等）上实施的计算机程序产品的形式。
[0115] 本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0116] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0117] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0118] 尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0119] 显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
