提升煤矿智能化的新方法：一种基于两阶段技术的无监督低光照图像增强与轻量级检测方法

《Alexandria Engineering Journal》：New insights for enhancing the intelligence of coal mine: A two-stage method for unsupervised low-light image enhancement and lightweight detection

　　齐娅·乌拉（Zia Ullah）、李宁（Li Ning）、严来青（Yan Laiqing）、艾哈迈德·阿尔费里迪（Ahmad Alferidi）、穆罕默德·阿尔索拉米（Mohammed Alsolami）、巴德尔·拉米（Badr Lami）、瓦哈布·阿里·沙（Wahab Ali Shah）
中国太原山西大学电力学院、土木工程与建筑学院

**摘要**
最优无功功率调度（ORPD）对于维持动态电力系统的电压稳定性和最小化功率损失至关重要。然而，频繁的负荷变化以及光伏（PV）和风力涡轮机（WT）等不确定的发电源增加了ORPD问题的复杂性，给最优解的寻找带来了挑战。为了解决这一研究空白，本研究提出了一种新颖的混合元启发式优化技术，用于动态电力系统中ORPD问题的最优求解。该混合技术结合了教育竞赛优化器（Educational Competition Optimizer，ECO）和Dhole优化算法（Dhole Optimization Algorithm，DOA），以优化解决无功功率调度问题。这种算法的结合利用了ECO和DOA的优点，旨在通过减少有功功率损失和电压波动来提高配电网络的效率、可靠性和收敛性，同时满足系统的功率流约束。所提出的ORPD方法和解决方案已在IEEE 30节点、57节点和118节点测试系统上进行了验证。通过使用相同的系统数据、控制变量和约束条件，与其他成熟的元启发式优化方法进行比较，评估了ECO-DOA算法在解决ORPD问题方面的鲁棒性和效率。仿真结果表明，ECO-DOA算法比现有方法具有更高的准确性和更快的收敛速度，为ORPD问题提供了可靠的解决方案，同时确保了系统的可持续性。在最小化功率损失方面，所提出的混合ECO-DOA方法相比其他方法取得了高达11.12%的改进。对于118节点网络，该算法在减小电压偏差方面比其他方法提高了多达10%。还对每种情景进行了30次独立试验的统计分析，结果显示所提出的算法在减少功率损失和电压偏差方面优于其他方法。

**1. 背景与研究动机**
在现代电力系统中，有效管理无功功率至关重要，因为它可以减少传输损耗、维持电压稳定性和提高可靠性[1]、[2]。由于需求增加、可再生能源的整合以及电网技术的进步[2]、[3]、[4]，配电电力部门变得越来越复杂。对于大规模最优无功功率调度（ORPD）挑战，传统分配方法的预期性能令人失望[5]。由于ORPD问题的非线性、众多变量和复杂的运行约束，解决该问题是一个重大挑战。因此，对能够更好地应对这些特性的优化技术的需求正在快速增长。现有文献描述了多种使用元启发式方法来解决ORPD问题的优化技术。尽管这些方法相较于传统优化方法具有一些优势，但在速度、效率、可扩展性和解决方案质量方面仍存在许多限制，尤其是应用于大规模系统时。由于ORPD问题的复杂性，现有文献表明新型优化算法必须在可接受的时间范围内通过复杂的搜索空间来产生高质量的解决方案。另一方面，基于自然现象的优化技术通过产生适应性和集体解决方案，在解决复杂优化问题方面取得了成功[6]。鉴于对无功功率调度的依赖日益增加以及传统方法的局限性，本研究提出了一种新的混合方法——教育竞赛与Dhole优化算法（ECO-DOA）。该工作结合了ECO和DOA的有用方面，有效地管理配电电力系统中的ORPD挑战，从而通过减少功率损失和提高电压稳定性来改善电网性能。

**2. 文献综述**
本节回顾了使用各种方法解决ORPD问题的现有研究。一些文献来源通过不同的方法提供了ORPD问题的最优解决方案。例如，参考文献[7]的作者通过使用经典的基于人口的元启发式模型——灰狼优化器（Grey Wolf Optimizer，GWO）来解决受无功功率储备限制的ORPD问题。同样，对于本质上是非线性和组合性的ORPD问题，参考文献[8]的研究人员采用了人工生态系统优化（Artificial Ecosystem Optimization，AEO）算法。参考文献[9]的作者研究了非洲秃鹫优化算法（African Vulture Optimization Algorithm，AVOA），该算法使用了三个不同的单目标函数：（1）最小化电压偏差；（2）最小化运营成本；（3）最小化实际功率损失并考虑可再生能源资源（Renewable Energy Resources，RER）。

保持系统稳定性和效率是ORPD的主要功能之一，这只有通过适当的优化方法才能实现[10]。ORPD的主要目的是控制无功功率，而这由于各种系统组件之间的复杂相互作用而变得复杂[11]、[12]。另一方面，控制无功功率是一个多目标问题，它结合了功率相关约束的非线性和非凸性[13]。同时，文献表明现有ORPD研究表明，通过优化可以成功减少功率损失并改善电压特性[14]。因此，ORPD的主要目标是确定无功功率补偿器、变压器分接位置和发电机端电压的最佳运行设置[15]、[16]、[17]。定义和解决ORPD的一般框架必须包括以下方面：（i）该问题的重要性和背景；（ii）由于不确定性特征而对输出功率进行建模；（iii）目标函数的选择；（iv）技术约束、控制变量和因变量的定义；（v）ORPD问题的解决方法。ORPD旨在优化不同的功率目标，如网络功率损失、总发电成本、电压偏差、功率传输能力、电压稳定性和热电厂碳排放。最优ORPD解决方案对电力系统具有重要意义，因为它提供了许多技术经济效益，包括降低发电成本、提高系统电压稳定性、减少损耗、降低碳排放以及确保系统运行的可靠性[18]。因此，可以合理地得出结论，ORPD是评估电力系统和优化其性能的有效工具，其中可靠的运行是一个关注点[18]。此外，ORPD还旨在优化电力系统内无功功率源的使用[19]、[20]。无功功率调度不仅优化了无功功率源的使用，还允许优化次要目标，如减排、提高电能质量和服务可靠性[21]。然而，ORPD是一个非线性问题，在解决这类问题时存在若干障碍[22]。传统的优化技术，包括线性规划、二次规划和非线性规划，由于固有的非线性，在解决ORPD问题时存在局限性[23]、[24]。

在现有文献中，一些研究人员已经研究了上述任务和目标中的一些方面。观察到传统的优化方法，如线性规划和非线性规划，通常由于ORPD问题的复杂性、非线性和非凸性，在解决ORPD问题时效果不佳。此外，传统优化方法容易陷入局部最优，并且在大规模系统中的扩展性有限[23]、[25]、[26]。然而，元启发式算法已被用来克服与传统优化方法相关的一些限制。但是，元启发式算法在大规模电力系统中的收敛率和解决方案质量方面仍存在一些问题[27]。同样，进化技术也被用来确定控制变量的最佳设置，如PV母线电压、变压器分接设置和无功功率注入，以实现系统的最佳运行，其中ORPD问题的主要目标是 minimize 实际功率损失和减小电压偏差。然而，由于非线性和非凸的功率流等式和不等式约束，搜索空间是一个突出的挑战。为了解决这些问题，最近的元启发式方法提供了潜在的解决方案，例如受教育竞赛启发的优化（ECO）和Dhole优化算法（DOA）。这些新引入的优化算法的解决方案在其他知名的元启发式方法中被观察到是处理复杂搜索空间的最佳选择。DOA在优化过程中采用了平衡探索和利用的机制，从而避免了局部最优解，因此是处理复杂搜索空间（如ORPD问题）的有希望的方法。然而，复杂的优化问题有时需要多个元启发式算法来解决，并避免局部最优解。值得注意的是，将两种潜在算法结合成一个混合算法可以提供比单一元启发式方法更高效和更好的解决方案，因为混合技术可以互补单一优化方法的缺点。参考文献[29]中的结果表明，混合算法在解决电力系统的功率流问题时性能优于单一非混合方法，同时降低了提前收敛的风险，提高了寻找全局最优解的准确性和速度。

基于上述见解，本文介绍了用于电力分配网络中ORPD问题的混合ECO-DOA方法。与许多仅报告最佳记录值的现有研究不同，本文提供了统计评估，以确认ECO-DOA在多种电力系统复杂性下的稳定性。ECO-DOA的目标是提高电力网络的可靠性和效率。使用混合ECO-DOA方法，可以确定电力网络中所有决策变量的最优值，从而找到ORPD的最佳解决方案。为了测试ECO-DOA，使用了三个知名的IEEE测试系统：30节点、57节点和118节点系统，这些系统在文献中常作为参考系统使用。主要目标是减少有功功率损失和PQ母线的电压偏差（VD）。这些结果与以往的研究结果进行了比较，证明了ECO-DOA作为优化ORPD的有效方法的可适用性和有效性。本文最重要的贡献是展示了ECO-DOA成功应用于解决ORPD优化问题，实现了上述两个目标，这是ECO-DOA首次应用于处理ORPD问题。

**3. ORPD问题的构建**
适应度函数不是线性的，必须满足系统的最小和最大约束[29]。这个优化问题旨在确定决策变量的最优值——PV母线的电压、变压器分接设置和无功功率注入——以实现系统的最佳运行。所提出的ORPD解决方案旨在减少电压波动和实际功率损失。ORPD问题的数学表达式见[29]、[30]。

**3.1. 适应度函数**
ORPD问题旨在实现两个主要目标：最小化实际功率损失和减少PQ母线上的电压波动。选择这些目标是因为它们对电力系统的经济效率和技术可靠性有影响。在ORPD中，最小化实际功率损失是经济目标。通过最小化实际功率损失，可以降低发电成本并提高系统效率。第一个目标——最小化实际功率损失，在数学上表示为方程（1）：
(1) \(F_1 = \min\{P_L = \sum_{k \in N} l_p k_l \cdot P_k \cdot \text{loss}\} = \sum_{k \in N} l_p G_k \cdot (V_i^2 + V_j^2 - 2V_i V_j \cos \theta_k)\)
其中，\(V_i\) 和 \(V_j\) 分别是节点 \(i\) 和 \(j\) 的电压，\(G_k\) 是连接节点 \(i\) 和 \(j\) 的线路的电导。

**3.2. 系统约束**
在ORPD问题中，动态系统约束部分定义了操作、技术和物理限制——如功率平衡、电压限制、容量界限和网络可靠性要求——这些限制决定了所提出优化模型的可行运行。需要考虑的关键约束如下： equality constraints（平等约束）
功率平衡方程控制着电力系统的运行。数学表达式（1）、（2）定义了在OPRD问题中必须满足的平等约束。具体来说，方程（4）代表了网络中每个母线的无功功率平等约束，确保产生的无功功率与需求和系统损耗相匹配。（3）Pgi-Pdi-Vi∑j=1NBVjGkcosθk+Bksinθk=0（4）?Qgi+Qci-Qdi-Vi∑j=1NBVjGksinθk-Bkcosθk=0，i?NLoad 在这里，Bk表示从i到j的支路的电纳。Pgi、Qgi分别表示产生的有功功率和无功功率。Pdi、Qdi表示负载。Qci表示无功功率补偿。

3.2.2. 不等约束
以下公式可以用来表达这些不等约束：
?Vimin≤Vi≤Vimax，i?NB
?Tmmin≤Tm≤Tmmax，m?N
t?Qgimin≤Qgi≤Qgimax，i?N
pv?Qcimin≤Qci≤Qcimax，i?N
csmin≤Ps≤Psmax，?Sk≤Skmax，k?N
l 在这里，Tm表示变压器抽头的变动范围。Npv表示发电机母线数量。Nt表示变压器抽头调整的次数。Ps定义了参考母线的功率，该功率受到Psmin、Psmax的限制。Sl表示通过线路l的功率。

随着OPPD的数学表示已经明确，下一节将探讨用于解决它的优化技术。以下部分将介绍ECO算法，详细说明其方法论，并解释如何应用它来解决OPRD问题的复杂性。

4. 混合教育竞赛和dhole优化算法
4.1. 教育竞赛优化算法
ECO是一种元启发式优化算法，模仿学生和学校在不同教育阶段的行为，以提供优化问题的最佳解决方案。ECO算法的灵感来源于教育的竞争性质，即每个学生都竞争以获得比其他人更好的解决方案。ECO算法模拟教育过程，以保持探索与利用之间的平衡。ECO算法被开发出来以模拟学生和学校在三个教育阶段的行为。在教育的第一个阶段（小学），学校根据平均人口密度进行排列，学生竞争进入最近的学校。在原始模型中增加了第二个阶段（初中）；在这个阶段，学校比较它们当前的位置以及最佳位置。学生继续竞争进入最近的学校。在第三个阶段（高中），这个过程进一步完善。学校评估所有候选解决方案的平均值、最佳值和最差值。然后，学生竞争进入精英学校。总体而言，这种算法代表了一种解决非常困难优化问题的新方法。
在种群初始化期间，采用逻辑混沌映射来模拟社会混沌。教育的缺乏会导致社会混沌。方程（5）展示了逻辑混沌映射的初始化公式。种群大小用N表示。最大迭代次数用变量Maxiter表示，它是优化过程的停止标准。探索字段的范围在lb和ub之间定义。（5）xi=α?xi-1?1-xi-1，0≤x0≤1，i=1,2,?,N，α=4 其中xi是第i次迭代值。将混沌值xi映射到探索字段：（6）Xi=lb+(ub-lb)?xi。

ECO的数学模型如下：
• 第一阶段：小学
最好的20%的搜索代理被分类为学校。同时，剩余的搜索代理被分类为学生。自适应步长用w表示。方程（5）、（6）代表了这种行为的数学表示。（7）学校：Xit+1=Xit+w?(Ximeant-Xit)?Levy(dim)（8）学生：Xit+1=Xit+w?(close(Xit)-Xit)?randn（9）w=0.1ln(2-tMaxiter) Xit是当前位置。Xit+1是更新后的位置。Ximeant是平均位置。Levy(D)是Levy分布。close(X)是离X最近的学校。Levy分布的规则在方程（10）中表示。γ设为1.5。（10）Levydim=μ?σv1γμN(0,dim)vN(0,dim)σ=(Γ(1+γ)?sin(πγ2)Γ(1+γ2)?γ?21+γ2)γ+1
• 第二阶段：初中阶段
人口中最优秀的10%担任学校的角色。剩余的90%是学生。学生的学习耐心用P表示。学生被分为两组。学生的学习动机用E表示。w是自适应步长。数学表示由方程（11）到（14）给出。（11）P=4?randn?(1-iMaxiter）（12）E=πP?iMaxiter（13）学校：Xit+1=Xit+(Xbestt-Xmeant)?exp(iMaxiter-1)?Levy(dim）（14）学生：Xit+1=Xit-w?close(Xit-P?(E?w?closeXit-Xit)，R12），dholes会试图伤害猎物。这会导致猎物位置Wprey变弱：（22）Wprey=exp-1S×preylocal 最终位置更新（杀死猎物）使用正弦/余弦交换技术来模拟一系列攻击：（23）Di,jt+1=di,jt+Wprey×ps×cos2×π×rand-sin2×π×rand×Wprey×ps 如果猎物较弱（S≤2），dholes会立即杀死猎物：（24）Di,jt+1=di,jt-preyglobal×ps+ps×rand×di,jt
4.3. 杂合策略（ECO-DOA）：ECO和DOA的集成
混合ECO-DOA旨在结合ECO和DOA的搜索机制。这种组合创建了一个更有效的算法来解决复杂的OPRD问题。ECO通过利用其动态性来促进搜索空间内的多样化探索，帮助防止混合算法过早收敛。除了DOA增强的利用阶段外，DOA在局部搜索中表现更好，并且比DOA更快地收敛到已知最佳解决方案。DOA快速进行局部搜索的能力增强了其在潜在解决方案区域内细化有希望解决方案的能力。因此，通过结合ECO探索新解决方案区域的出色能力和DOA利用（局部搜索）的能力，ECO-DOA可以在比DOA或ECO单独使用时更短的时间内找到更好的优化解决方案，从而实现更快的收敛和更好的解决方案。图1的流程图展示了ECO/DOA方法的流程。

如图1所示，ECO-DOA算法在每次迭代中更新控制变量。随后，进行负荷流分析以获得因变量的状态。这确保在进入下一代之前，适应性评估考虑了所有系统约束和物理限制。

5. 仿真结果
在本节中，详细检查了在包括30节点、57节点和118节点网络在内的IEEE标准测试系统上验证的OPPD结果。IEEE 30节点网络包含5个PV节点、21个负载、41条传输线和3个VAR补偿器。57节点系统具有6个PV节点、41个负载、80条支路和3个电容器。同时，118节点网络包括54个PV节点、99个负载、186条传输线和4个电容器[32]。优化了两个目标，以提供更多关于系统的见解。这些目标的演示分为两个小节。在案例1中，重点在于减少有功功率损耗；而在案例2中，重点在于降低负载节点的电压偏差。为了排除超出范围的解决方案，通过添加惩罚因子来计算目标函数。MATLAB是用于解决OPPD的软件。Matpower工具包包含有关所研究电力系统的数据m文件。“Up to 8th Gen Intel? Quad Core i7-8550U”计算机被用于执行。每种情况进行了总共600次迭代。

5.1. 功率损耗最小化
本小节研究了三个标准IEEE测试系统的功率损耗特性，并分析了所提出的优化方法如何有效减少损耗并提高整体网络效率。
5.1.1. 30节点网络
节点电压的边界设置为[1.06, 0.94] p.u，抽头限制设置为[1.1, 0.9]，VAR注入的限制为[20] MVARs。除了使用各种元启发式技术获得的结果外，表1显示了使用建议的优化方法ECO-DOA与单独的ECO和DOA、GA、PSO及FA相比减少功率损耗的结果。表2列出了产生这些有利结果的ECO-DOA最佳搜索代理。图2显示，在600次迭代后，ECO-DOA、ECO、DOA和PSO技术都收敛到了功率损耗最小化的最佳解决方案。不同技术的结果证明了快速收敛性。ECO-DOA大约需要380次迭代才能超越其他方法。
表1. 30节点网络中优化方法实现的有功功率损耗（MW）。
方法 ECO-DOA ECO DOA GA [30] PSO FA [30]
Ploss (MW) 5.075 531 35.075 76 35.088 84 34 5.097 75.538 65.64

表2. 情况1下30节点网络中控制变量的最佳值。
空单元|V| 在节点10 0.94 设计变量 20.94 47 728 38 50.94 80.95 06 62 19 31 11.05 19 18 63 61 30.94 02 43 90 4‘Q’ 在节点10的注入 0.00 14 60 98 41 20.46 83 37 55 31 53.94 48 64 15 91 74.35 21 13 63 22 03.61 80 05 13 12 18.13 13 05 54 72 31 1.62 18 49 09 42 42.91 39 98 14 32 91.92 19 98 08 TL 1的抽头 10.97 45 46 86 61 21.03 82 44 53 41 50.96 69 77 83 33 60.94 18 93 49 85.1

5.2. 57节点网络
该研究使用了包含27个预定义控制变量的57节点基准网络；电压幅度控制变量的范围为每单位0.94到1.06。抽头调整的范围在[1.1到0.9]之间。VAR补偿器的调整范围限制在-20到20 MVARs之间。表3显示了所提出的优化方法和其他优化方法实现的最低功率损耗，表4显示了理想决策变量。图2显示了ECO-DOA、ECO、DOA和ETSO方法在600次迭代内的收敛性能比较。显然，所提出的ECO-DOA方法仅在100次迭代后即可收敛，证实了其相对于其他方法的稳健性。
表3. 57节点网络中优化方法实现的有功功率损耗（MW）。
方法 ECO-DOA ETSO [33] ECO DOA
Ploss (MW) 25.43 03 03 07 26 25.49 63 26.93 90 29 22 26.95 33 66
表4. 情况1下57节点网络中控制变量的最佳值。
空单元 10.99 64 21 79 9 设计变量 20.95 07 13 16 83 0.97 35 53 76 66 0.94 81.00 07 91 60 69 1.03 19 40 73 11 20.99 90 56 26‘Q’ 在节点18的注入 7.17 61 05 31 25 ?0.50 91 50 94 15 39.40 56 82 12 2 TL 19 1.02 81 23 72 92 00.92 05 43 32 13 10.97 20 09 36 83 50.90 29 11 97 36 0.95 68 24 35 43 70.97 72 08 10 94 10.95 85 91 77 94 60.90 37 91 92 25 40.94 83 17 18 25 80.96 34 29 18 35 90.94 58 16 38 65 0.97 79 77 08 16 60.93 91 89 17 67 10.93 35 41 51 57 30.99 51 31 28 76 1.00 12 08 86 78 00.96 17 77 64

图2. 30节点网络中有功功率损耗的收敛曲线。
观察到在初始迭代（1-150）期间，损耗急剧下降。在此阶段，算法识别了搜索空间中的有希望的区域。之后，曲线进入逐渐精细化的阶段。向最终最小值平滑下降表明混合模型成功避免了局部最优。

5.1.3.118节点巴士网络
为了验证和证明所提出方法在大型系统上的相关性，该方法在IEEE 118测试巴士系统上得到了应用，该系统包含77个设计变量；这些参数可以在参考文献[33]中找到。抽头电容的值应在0.9到1.1之间，电压幅值应在0.94到1.06p.u之间。此外，无功补偿应在?20到20 MVAR的范围内。表5显示了ECO-DOA与其他方法（ECO、DOA、PSO、HFA、FA和ABC）所实现的功率损失减少情况。ECO-DOA确定的最佳设计因素列在表6中。此外，图3展示了ECO-DOA、ECO、DOA和PSO在功率损失减少方面的优化曲线。ECO-DOA在大约350次迭代后取得了最佳结果，所有三种策略都快速收敛。

表5. 118节点巴士网络中各种优化方法实现的平均功率损失（MW）
方法 ECO-DOA ECO DOA PSO HFA FA ABC
功率损失（MW） 130.47 196 131.8 131.8 191.8 975 136.9
90 134.2 135.4 20

表6. 情况1下118节点巴士网络控制变量的最优值
空单元 节点1的电压幅值 1.05 444 476 328 91.00 296 852 29
设计变量 40.99 69 275 61 90 1.05 64 95 352 61 98 035 91 0.94 03 194 87 1.05 36 03 21 92 1.02 99 49 66 91 00.95 60 39 08 49 90 0.96 178 04 78 12 1.01 74 02 78 10 01 00 28 80 55 15 0.94 91 10 30 0.97 50 88 45 41 80 0.99 34 62 78 10 40 0.98 47 40 59 21 90 0.95 63 92 28 81 05 96 81 38 24 1.03 48 94 73 41 10 70 0.95 36 31 73 92 51 16 26 0.97 98 22 82 11 11 1.05 36 51 27 72 1.00 19 86 118 11 21 0.51 96 97 21 31 11 1.03 19 36 41 11 13 0.94 04 42 86 23 1.04 93 11 59 11 61 04 37 84 99 34 0.95 95 30 58 61 41 64 61 18 57 54 90 0.94 91 80 52 41 64 ?1.17 83 84 57 55 41 0.94 30 38 96 94 ?0.78 08 72 16 95 50 94 98 66 52 93 04 67 15 60 97 17 48 14 67 90 0.58 68 65 35 45 90 94 87 52 35 18 20 99 88 99 51 76 11 05 66 25 89 98 39 76 15 21 05 21 99 94 10 30 97 50 88 45 41 82 99 0.96 17 80 47 12 1.01 74 02 78 10 01 20 78 10 01 00 28 80 55 15 0.94 91 10 30 0.97 50 88 45 41 82 99 51 76 11 05 66 25 89 98 39 76 13 83 82 41 07 94 34 10 70 0.95 36 31 73 92 51 16 26 0.97 98 22 82 11 11 1.05 36 51 27 72 1.00 19 86 118 11 21 0.51 96 97 21 13 1.03 19 36 41 11 13 0.94 04 42 86 23 1.04 93 11 59 11 61 04 37 84 99 34 0.95 95 30 58 61 41 64 61 18 57 54 90 0.95 80 52 41 64 ?1.17 83 84 57 55 41 0.94 30 38 96 94 ?0.78 08 72 16 95 50 94 98 66 52 93 04 67 15 60 97 14 67 90 0.58 68 65 35 45 90 94 87 52 35 18 20 99 88 99 51 76 11 05 66 25 89 98 39 76 11 02 19 99 94 10 30 01 52 74 86 65 1.05 80 23 15 21 07 16 66 1.00 30 11 51 66 1.01 36 80 00 32 11 10 1.01 65 95 26 90 98 09 57 94 78 12 1.05 66 25 89 98 39 76 10 03 21 99 94 11 05 61 80 39 84 90 90 0.98 17 80 49 90 0.96 17 80 47 12 1.05 61 12 70 03 21 94 16 27 21 10 07 23 94 10 30 95 10 34 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 30 95 10 3