دانلود رایگان ترجمه مقاله معماری کنترل توزیع شده بر اساس چند عامل برای مدیریت انرژی و بهینه سازی میکروگرید – الزویر ۲۰۱۶

elsevier

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

معماری کنترل توزیع شده مبتنی بر چند عامل برای مدیریت و بهینه سازی انرژی میکروگرید

عنوان انگلیسی مقاله:

Multi-agent based distributed control architecture for microgrid energy management and optimization

 
 
 
 
 

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار ۲۰۱۶
تعداد صفحات مقاله انگلیسی ۲۰ صفحه با فرمت pdf
رشته های مرتبط با این مقاله مهندسی برق و مهندسی انرژی
گرایش های مرتبط با این مقاله تولید، انتقال و توزیع، انرژی های تجدیدپذیر و فناوری انرژی
چاپ شده در مجله (ژورنال) تبدیل و مدیریت انرژی – Energy Conversion and Management
کلمات کلیدی چند عاملی، سیستم مدیریت انرژی، میکروگرید، سیستم انرژی تجدید پذیر، تئوری بازی
ارائه شده از دانشگاه دانشکده مهندسی، سلانگور، مالزی
رفرنس دارد 
کد محصول F1160
نشریه الزویر – Elsevier

 

مشخصات و وضعیت ترجمه فارسی این مقاله (Word)
وضعیت ترجمه انجام شده و آماده دانلود
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۴۴ صفحه با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است 
ترجمه متون داخل تصاویر ترجمه نشده است  
ترجمه متون داخل جداول ترجمه نشده است 
درج تصاویر در فایل ترجمه درج شده است 
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است  
منابع داخل متن  درج نشده است 
کیفیت ترجمه کیفیت ترجمه این مقاله متوسط میباشد 
توضیحات بخش هایی از مقاله ترجمه نشده است

 

فهرست مطالب

چکیده
۱- مقدمه
۲- مفهوم سیستم چند عاملی
۳- سیستم های چند عاملی
۲-۲ عوامل
۲-۳MAS برای مدیریت انرژی
۳- سیستم تولید RE هیبرید پراکنده
۳-۱ معماری سیستم ها
۳-۲ مدل سازی سیستم تولید پراکنده
۳-۲-۱ ساختار میکروگرید و شبکه الکتریکی
۳-۲-۲ ژنراتور دیزلی
۳-۲-۳ سیستم pv
۳-۲-۴ توربین بادی
۳-۲-۵ سیستم برق ابی
۳-۲-۶ سیستم ذخیره باطری
۳-۲-۷ بار
۳-۲-۸ بار ثانویه
۴- استفاده ازMAS برای مدیریت انرژی
۴-۱مدل های عامل EMS
۴-۱-۱ عامل PV
۴-۱-۲ عوامل مزرعه بادی
۴-۱-۳ عوامل برق ابی
۴-۱-۴ عوامل ژنراتور دیزل
۴-۱-۵ عامل باطری
۴-۱-۶ عامل شبکه
۴-۱-۷ عامل بار
۴-۲-۱ طبقه بندی حالت
۴-۲-۲ تسهیل کننده اولیه
۴-۲-۳ ساختار
۴-۳ بهینه سازی جهانی
۵-تئوری بازی و هماهنگ سازی چند عاملی
۵-۱ بازیهای راهبردی
۵-۲ عناصر بازی
۵-۲-۱بازی کنان
۵-۲-۲ راهبرد
۵-۲-۳ توابع
۶-شبیه سازی و نتایج
۶٫۱ مطالعه موردی
۶-۲ شبیه سازی
۶-۲-۱ سناریوی ۱
۶-۲-۲ سناریوی ۲
۶-۲-۴ سناریوی ۴
۶-۳ ارزیابی عملکرد میکروگرید
۷-نتیجه گیری

 

 

بخشی از ترجمه
 چکیده
بیشتر سیستم های مدیریت انرژی بر اساس یک کنترل گر مرکزی هستند که تعیین برخی معیار ها نظیر تحمل خطا و سازگاری در آن ها سخت می باشد. از این روی،یک معماری سیستم مدیریت انرژی توزیعی مبتنی بر چند عامل در این مقاله توصیه شده است. سیستم تولیدپراکنده متشکل از چندین منابع انرژی پراکنده و گروهی از بار هاست. یک معماری کنترل غیر متمرکز مبتنی بر سیستم چند عاملی برای ارایه کنترل مدیریت انرژی پیچیده سیستم تولید پراکنده توسعه یافت. سپس، تئوری بازی غیر مشارکتی برای هماهنگی چند عاملی در سیستم استفاده شد.سیستم تولید پراکنده با شبیه سازی تحت نوسانات انرژی تجدید پذیر، اختلالات شبکه و تقاضای بار فصلی ارزیابی شد. نتایج شبیه سازی نشان می دهد که پیاده سازی سیستم مدیریت انرژی گنترل عملکرد بالا و قوی تری را نسبت به سیستم های مدیریت انرژی متمرکز سنتی ارایه می کند.
 
۱- مقدمه
یکپارچه سازی وسیع ژنراتور های چند منبعی پراکنده موجب بروز یک چالشی برای سیستم شبکه الکتریکی موجود شده است. بیشترسیستم های تولید انرژی تجدید پذیر در شبکه های توزیع فعلی دارای عناصر دینامیک وپویای جدیدی به دلیل تناوب ونیز عدم قابلیت پیش بینی عملیات سیستم انرژی تجدید پذیر می باشند. از این روی، به منظور بهبود عملکرد فعلی این سیستم ها، یک سیستم مدیریت انرزی بایستی دارای یک راهبرد کنترل بهینه و موثر است. EMS بایستی قادر به ارایه تعادل و توازن بین منبع برق و تقاضای بار باشد. به علاوه، سیستم بایستی برخی نیاز های دیگر نظیر اطمینان پذیری، انعطاف پذیری، تحمل خطا و خرابی و کاهش هزینه عملیاتی را رفع کند.
معمولا،بیشتر سیستم های مدیریت انرژی بر مبنای کنترل گر های مرکزی هستند. برای مثال، یک EMS مرکزی مورد استفاده برای مبدل های برق در شبکه که متشکل از سیستم های بادی و فتوولتاییک هستند در ۱ توصیف شده است. در(۲) EMSمرکزی برای حداقل سازی انتشار گاز های گل خانه ای،هزینه های انرژی و بیشینه سازی خروجی توان سیستم های انرژی تجدید پذیر استفاده شده است. به علاوه، در(۳)، یک کنترل گر میکروگرید مرکزی برای بهینه سازی پروفیل عرضه و تقاضا برای کاهش هزینه های مصرف سوخت استفاده شده است.
معماری EMS سنتی در شکل ۱ خلاصه شده است. کنترل گر نظارتی مرکزی برای بهینه سازی مصرف منابع انرژی پراکنده مبتنی بر سوخت فسیلی، DER تجدید پذیر وذخیره انرژی در میکروگرید استفاده می شود.این متشکل از یک شبکه ارتباطی است که DER ها را پایش کرده و دستوراتی را به کنترل گر های محلی به منظور منابع قابل توزیع برای تحویل توان به بار در بیشتر روش های اقتصادی ارسال می کند. علی رغم موفقیت های جهانی، این رویکرد سیستمی بالا به پایین دارای چندین منبع است. این بیانگر تک نقطه خرابی است به این معنی که با افزونگی مناسب طراحی می شوند. به علاوه، پیچیدگی سیستم مدیریت انرژی مرکزی با افزایش تعداد ژنراتور ها و بار هایی که منجر به افزایش هزینه ارتباطی برای پایش انلاین و زمان بندی می شوند(۵-۶) افزایش می یابد. به علاوه کنترل گر مرکزی بایستی برای تغییرات در ساختار میکروگرید بازپیکر بندی شود و یا این که بار ها و یا ژنراتور های جدید نصب شوند(۶). اگرچه روش های کنترل مرکزی را می توان برای یافتن بهترین روش کنترل استفاده کرد، نیازمند توانایی محاسباتی قوی برای پردازش حجم عظیمی از داده ها می بادش(۶). این همچنین نیازمند یک شبکه با راهبرد کنترل پراکنده و قابلیت ارتباطی بالا(۷)است.
از سوی دیگر، کنترل غیر متمرکز بر اساس رویکرد پایین به بالا برای سیستم های مدیریت انرژی قوی تر و ساده تر از مدیریت متمرکز (۸-۹) است. اجزای مدیریت پراکنده به صورت یک واحدهوشمند در نظر گرفته می شوند که امکان محاسبه، تصمیم گیری و برنامه ریزی را می دهد. این نه تنها موجب کاهش قابلیت محاسباتی و ارتباطی می شود، بلکه به طور کامل سایر نیاز ها و کارایی های عملیاتی را در نظر می گیرند(۷). از این روی انتظار می رود که یک سیستم باز، پویا و هوشمند خود سازگار برای سیستم ترکیبی لازم است. این مقاله بر یک معماری EMS مبتنی بر سیستم چند عاملی برای بهینه سازی عملکرد سیستم REمتمرکز است.
تحقیقات زیادی در خصوص مدیریت انرژی برای تولید پراکنده و میکروگرید ها انجام شده است. بسیاری از محققان از یک ساختار کنترل سلسله مراتبی برای کنترل تولید پراکنده ومیکروگرید استفاده کرده اند. در(۱۱)، یک EMS سلسله مراتبی برای کنترل یکمیکروگرید استفاده شد که شامل سه لایه کنترل نظیر نظارتی، بهینه سازی و اجرا می باشد. به علاوه، یک EMS سلسله مراتبی متشکل از سیستم کنترل ارباب و برده جهت کنترل میکروگرید متشکل از سیستم PV، باد، هیدروژن و باطری استفاده شد. هم چنین چندین روش مدیریت انرژی وجود دارند که از رویکرد های خود محاسباتی برای کنترل میکروگرید نظییر الگوریتم ژنتیکی، منطق فازی، بهینه سازی هجوم ذرات و شبکه های عصبی استفاده می کنند. برای مثال، یک EMS مبتنی بر الگوریتم ژنتیکی برای مدیریت و بهینه سازی توزیع میکروگرید با ژنراتور های متعدد در منبع ۱۳ ارایه شده است.در عین حال در منبع ۱۴، EMS منطق فازی برای بهینه سازی بهره برداری از اجزای میکروگرید و اندازه استفاده شد. در(۱۵)، بهینه سازی ذرات در EMS برای بهینه سازی خروجی توان بین ژنراتور های پراکنده با هدف بهبود گیفیت توان در میکروگرید استفاده شد. به علاوه در ۱۶، یک EMS مبتنی بر شبکه عصبی در میکروگرید PV برای مدیریت بهینه عملیات سیستم با خروجی توان و تقاضای بار استفاده شد. تحقیقات زیادی در خصوص مدیریت انرژی برای تولید پراکنده و میکروگرید ها انجام شده است. بسیاری از محققان از یک ساختار کنترل سلسله مراتبی برای کنترل تولید پراکنده ومیکروگرید استفاده کرده اند. در(۱۱)، یک EMS سلسله مراتبی برای کنترل یکمیکروگرید استفاده شد که شامل سه لایه کنترل نظیر نظارتی، بهینه سازی و اجرا می باشد. به علاوه، یک EMS سلسله مراتبی متشکل از سیستم کنترل ارباب و برده جهت کنترل میکروگرید متشکل از سیستم PV، باد، هیدروژن و باطری استفاده شد. هم چنین چندین روش مدیریت انرژی وجود دارند که از رویکرد های خود محاسباتی برای کنترل میکروگرید نظییر الگوریتم ژنتیکی، منطق فازی، بهینه سازی هجوم ذرات و شبکه های عصبی استفاده می کنند. برای مثال، یک EMS مبتنی بر الگوریتم ژنتیکی برای مدیریت و بهینه سازی توزیع میکروگرید با ژنراتور های متعدد در منبع ۱۳ ارایه شده است.در عین حال در منبع ۱۴، EMS منطق فازی برای بهینه سازی بهره برداری از اجزای میکروگرید و اندازه استفاده شد. در(۱۵)، بهینه سازی ذرات در EMS برای بهینه سازی خروجی توان بین ژنراتور های پراکنده با هدف بهبود گیفیت توان در میکروگرید استفاده شد. به علاوه در ۱۶، یک EMS مبتنی بر شبکه عصبی در میکروگرید PV برای مدیریت بهینه عملیات سیستم با خروجی توان و تقاضای بار استفاده شد.
MAS به طور گسترده ای در زمینه علوم کامپیوتر مطالعه شده است(۱۷). با این حال، در سال های اخیر، توسعه MAS توجه زیادی را از طرف محققان سیستم قدرت برای کاربرد در زمینه سیستم های انرژی هیبریدی و میکروگرید ها برای مدیریت انرژی و کنترل پراکنده جلب کرده اند(۷-۱۸). یک سیستم چند عاملی برای بهینه سازی سیستم RE ترکیبی در ۷ارایه شده است. در عین حال در منبع (۱۸)، یک راه حل مدیریت پراکنده در خصوص MAS برای افزایش اطمینان پذیری سیستم پیشنهاد شده است. کنترل هماهنگ غیر متمرکز سلسله مراتبی مبتنی بر MAS برای حل مسئله مدیریت انرژی سیستم پراکنده با اطمینان از تامین انرژی با امنیت بالا ارایه شد. یک نقشه شناختی فازی MAS در (۸) برای سیستم مدیریت انرژی غیر متمرکز از میکروگرید خودکار استفاده شد. در ۱۹، یک MAS غیر متمرکز برای یکپارچه سازی سمت تقاضا استفاده شد که قادر به کاهش هزینه انرژِی، بهبود کارایی انرژی و افزایش امنیت و کیفیت منبع است. به علاوه، MAS برای مدیریت توان واکنشی در شبکه های توزیع استفاده شده است(۲۰).
همه محققان فوق به این نتیجه رسیده اند که ساختار کنترلمدیریت انرژی غیر متمرکزمبتنی بر MAS قادر به مدیریت سیستم های انرژی هیبریدی و DGS پیچیده می باشد زیرا قادر به ارایه مزیت های مختلفی به سیستم است(۸-۹-۱۸-۲۱). اولا، یکی از مزایای اصلی، اطمینان پذیری بالای سیستم است. درواقع، میکروگرید مدیریت شده زمانی کار می کند که یک اختلال در بخش های مختلف سیستم رخ می دهد. به علاوه، MAS DGSموجب افزایش انعطاف پذیری می شود زیرا سطوح مختلف عوامل نه تنها قادر به شناسایی و پاسخ سریع به تغییرات محیطی هستند، بلکه بستگی به یک دیگر برای کنترل وضعیت عملیاتی در رابطه با تغییرات هستند. طرح پراکنده مبتنی بر MAS به راحتی نسبت به طرح مرکزی قابل مدیریت است. عوامل نه تنها قادر به بهبود تصمیم گیری به طور هم زمان می باشند بلکه به هدف کل سیستم به شکلی م مشارکتی میرسند.MASقادر به کمینه سازی بار ارتباطی ومحاسباتی است. از این روی،یک معماری سیستم مدیریت انرژی توزیعی مبتنی بر چند عامل در این مقاله توصیه شده است. سیستم تولیدپراکنده متشکل از چندین منابع انرژی پراکنده و گروهی از بار هاست. یک معماری کنترل غیر متمرکز مبتنی بر سیستم چند عاملی برای ارایه کنترل مدیریت انرژی پیچیده سیستم تولید پراکنده توسعه یافت. سپس، تئوری بازی غیر مشارکتی برای هماهنگی چند عاملی در سیستم استفاده شد.سیستم تولید پراکنده با شبیه سازی تحت نوسانات انرژی تجدید پذیر، اختلالات شبکه و تقاضای بار فصلی ارزیابی شد. نتایج شبیه سازی نشان می دهد که پیاده سازی سیستم مدیریت انرژی گنترل عملکرد بالا و قوی تری را نسبت به سیستم های مدیریت انرژی متمرکز سنتی ارایه می کند.
بخشهای باقی مانده این مقاله به صورت زیر سازمان دهی شده است در بخش ۲، مفهوم MAS نظیر تعریف،ویژگی های عامل و نقش MAS برای EMS ارایه شده است.به علاوه جزییات مدل تولید پراکنده شامل اجزای مختلف سیستم بادی، سیستم برق ابی، سیستم ذخیره باطری و بار ها در بخش ۳ ارایه شده است. استفاده از MAS درمیکروگرید با مدل عامل برای هر مولفه، معماری MAS و تابعهدف در بخش ۴ بررسی شده است. تئوری بازی در هماهنگ سازی چند عاملی در میکروگرید در بخش ۵ نشان داده شده است. شبیه سازی ونتایج این مقاله شامل مطالعه موردی، ارزیابی عملکرد از طریق سناریو های مختلف و مقایسه با سیستم مرکزی در بخش ۶ ارایه شده است. بخش ۷ شامل نتیجه گیری است

 

بخشی از مقاله انگلیسی

Abstract

Most energy management systems are based on a centralized controller that is difficult to satisfy criteria such as fault tolerance and adaptability. Therefore, a new multi-agent based distributed energy management system architecture is proposed in this paper. The distributed generation system is composed of several distributed energy resources and a group of loads. A multi-agent system based decentralized control architecture was developed in order to provide control for the complex energy management of the distributed generation system. Then, non-cooperative game theory was used for the multi-agent coordination in the system. The distributed generation system was assessed by simulation under renewable resource fluctuations, seasonal load demand and grid disturbances. The simulation results show that the implementation of the new energy management system proved to provide more robust and high performance controls than conventional centralized energy management systems.

۱ Introduction

Widespread integration of distributed multi-source generators pose a challenge to the present electrical grid system. More integration of renewable energy (RE) generation systems into the present distribution networks adds new dynamic elements due to the intermittencies and inherent unpredictability of the renewable energy system (RES) operations. Therefore, in order to improve the present performance of such systems, it is crucial for the energy management system (EMS) to have an effective and optimal control strategy. The EMS should primarily be able to provide balance between the electricity supply and load demand. Additionally, the system must also comply with other requirements such as reliability, flexibility, fault tolerance and operating costs reduction. Typically, most energy management systems are based on centralized controllers. For instance, a generic centralized EMS utilized for managing power converters in a microgrid that consists of wind and Photovoltaic (PV) systems as described in [1]. In [2], the centralized EMS was used to coordinate the micro-generators with the main grid for minimizing the greenhouse gases (GHG) emissions, energy costs, and maximizing the power output of renewable energy systems. Furthermore, in [3], a microgrid central controller was used to optimize supply and demand profiles for mitigating fuel consumption costs. Conventional EMS architecture is summarized in Fig. 1. The central supervisory controller is used to optimize the usage of fossil fuel based distributed energy resources (DERs), renewable DERs, and energy storage in the microgrid. It commonly consists of a communication network that monitors the DERs and also sends commands to local controllers in order for the dispatchable resources to deliver power to the load in the most promising economical method. Despite its universal successes, this system’s topdown approach has several drawbacks. It represents a ‘single point of failure’, which means that it has to be securely planned with proper redundancy built in [1,4]. In addition, the complexity of the centralized energy management system grows exponentially with the growing number of generators and loads causing the higher cost of communication for scheduling and online monitoring [5,6]. Moreover, the centralized controller needs to be updated and reconfigured for any changes in the microgrid structure or when new generators or loads are installed [6]. Although centralized control methods may be used to find the best control solutions, it require powerful computing ability in order to deal with a huge amount of data as the systems become bigger and more complex [6]. It also needs a network with a highly distributed control strategy and communication capabilities [7]. On the other hand, decentralized control based on a bottom-up approach for energy management systems is more robust and less complex than centralized management [8,9]. The distributed management components are viewed as a unit with some intelligence that enables them to provide basic computation, planning action and decision-making. It not only minimizes the communication and computation capability; but also completely respects other various parts requirements and operational performance [7]. Therefore, it is expected that an intelligent, dynamic and open system that is self-adaptive is essential in order for the hybrid RE system to function effectively under various conditions to meet dynamic load variations and renewable sources intermittency. This paper focuses on multi-agent system (MAS) based EMS architecture for optimizing hybrid RE system performance. Extensive research has been conducted on energy management for micro-grids and distributed generation. Many researchers have implemented a hierarchical control structure for controlling microgrid and distributed generations. In [11], a hierarchical EMS was used to control a microgrid that includes three control layers such as supervisory, optimizing and execution. In addition, a hierarchical EMS comprised of master and slave control strategy was used in [12] to control a microgrid composed of PV, wind, hydrogen and battery system. There were also several energy management methods utilizing soft-computing approaches to control the microgrid such as genetic algorithm, fuzzy logic, particle swarm optimization, and neural networks. For instance, a genetic algorithm based EMS employed to manage and optimize the generation dispatch of a microgrid with multiple generators was presented in [13]. Meanwhile in [14], fuzzy logic EMS was used to optimize the operation of microgrid components and sizes. In [15], particle swarm optimization was used in the EMS to optimize the power output between the distributed generators aiming to improve the power quality in the microgrid. Moreover, in [16], a neural network based EMS applied in the PV microgrid to optimally manages the system’s operation by adapting to the input variable such as PV output power and load demand. MASs have been widely studied in the field of computer science [17]. However, in recent years, the development of the MAS has gained attention from power system researchers for application in the field of hybrid energy systems and microgrids for distributed control and energy management [7,18]. A multi-agent system for optimizing the hybrid RE system was presented in [7]. Meanwhile in [18], a distributed management solution based on MAS was proposed to provide better system reliability than conventional centralized EMS. In [9], a MAS based hierarchical decentralized coordinated control was presented to solve the energy management issue of a distributed generation system (DGS) by ensuring energy supply with high security. A MAS and fuzzy cognitive map were used in [8] for a decentralized energy management system of an autonomous poly-generation microgrid. In [19], a decentralized MAS was used for demand side integration that was able to reduce the energy cost, improve energy efficiency and increase security and quality of supply. Furthermore, MAS has also been used for reactive power management in distribution networks with renewable energy sources to enhance the dynamic voltage stability [20]. All the mentioned researchers concluded that the MAS-based decentralized energy management control structure is capable of handling complex DGS or hybrid energy systems more effectively, since it can deliver several key advantages to the system [8,9,18,21]. Firstly, one of the major advantages is the high reliability and robustness of the system. For instance, if one of the controllers fails, the rest of the system can still operate in part, and it does not affect the entire system’s performance. As such, the managed microgrid has a higher likelihood of partial operation in cases when malfunctions take place in different parts of the system. Moreover, the MAS DGS also offers flexibility since the different levels of agents not only can identify and respond quickly to the environmental variations, but also depend on each other to regulate the operational status in reaction to the changes. The MAS based distributed scheme is also more feasible to handle than a centralized scheme. The agents are not only able to strategize their own asynchronous decision-making simultaneously, but can also attain the goal of the whole system in a cooperative way. The MAS can also minimize the communication and computation burden since the dynamic information, basic computation, action-planning and decision making can be processed by individual agents locally. Finally, the openness and adaptability of the MAS-based energy management system allows the integration of new DER units or loads without reconfiguring the entire system. Therefore, in this paper, a new MAS based decentralized control architecture was implemented for a microgrid in order to handle the complex energy management issue of the DGS. The remaining sections of this paper are organized as follows: In Section 2, the MAS concept such as the definition, agent’s characteristics and the MAS contributions for the EMS are presented. Moreover, details of the distributed generation model that comprises of components such as diesel generator, PV system, wind system, micro-hydropower system, battery storage system, and loads are included in Section 3. The utilization of MAS in the microgrid with agent model for each component, MAS architecture and global objective function are shown in Section 4. The game theory implementation for multi-agent coordination in the microgrid is described in Section 5. Meanwhile, the simulation and results of this paper that includes the case study, performance evaluations through different scenarios, and comparison with a centralized system are discussed in Section 6. Finally, Section 7 presents the conclusions of this paper.

 

 

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

معماری کنترل توزیع شده مبتنی بر چند عامل برای مدیریت و بهینه سازی انرژی میکروگرید

عنوان انگلیسی مقاله:

Multi-agent based distributed control architecture for microgrid energy management and optimization

 
 
 
 
 

 

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *