CN114282444A - 一种基于智能融合终端的分布式负荷预测方法及系统 - Google Patents
一种基于智能融合终端的分布式负荷预测方法及系统 Download PDFInfo
- Publication number
- CN114282444A CN114282444A CN202111624204.9A CN202111624204A CN114282444A CN 114282444 A CN114282444 A CN 114282444A CN 202111624204 A CN202111624204 A CN 202111624204A CN 114282444 A CN114282444 A CN 114282444A
- Authority
- CN
- China
- Prior art keywords
- load prediction
- load
- prediction model
- daily
- area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 5
- 238000005259 measurement Methods 0.000 abstract description 3
- 230000002354 daily effect Effects 0.000 description 33
- 238000010586 diagram Methods 0.000 description 4
- 230000003203 everyday effect Effects 0.000 description 4
- 241000544061 Cuculus canorus Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及智能电网配电物联网技术领域,尤其涉及一种基于智能融合终端的分布式负荷预测方法及系统,该方法包括:获取不同台区的负荷预测模型样本数据;根据负荷预测模型样本数据对若干待用负荷预测模型进行训练,并对其进行评估,确定最优负荷预测模型,再将最优负荷预测模型部署至各个台区进行负荷预测,得到负荷预测结果。该系统包括用于采集信息的台区智能融合终端单元;用于确定最优负荷预测模型的负荷预测模型迭代单元。该方法及系统使用负荷预测模型样本数据,采用分布式部署的负荷预测模型,对台区内的用电负荷进行预测,使得各个台区负荷预测达到专区专测的目的,可以进行实时性更强、准确性更高的电网负荷预测及负荷控制。
Description
技术领域
本申请涉及智能电网配电物联网技术领域,尤其涉及一种基于智能融合终端的分布式负荷预测方法及系统。
背景技术
随着物联网技术的不断发展,越来越多的设备接入到电力网络中,云端采集主站运行压力与日俱增。新能源设备接入越来越多,实时性更强、准确性更高的负荷预测及负荷控制对电网精准调控和电网安全有着重要意义。
在此情形下,基于智能融合终端构建电力物联网边缘计算网格,实现低延时、高可靠的负荷预测迫在眉睫。
发明内容
本申请提供了一种基于智能融合终端的分布式负荷预测方法及系统,以解决传统方式在进行电网负荷预测及负荷控制时实时性及准确性不足的问题。
本申请解决上述技术问题所采取的技术方案如下:
第一方面,本申请提供一种基于智能融合终端的分布式负荷预测方法,所述方法包括:
采集每日台区基本信息和每日负荷信息,并将所述每日台区基本信息和所述每日负荷信息上传至云端;
由所述云端根据所述每日台区基本信息、所述每日负荷信息、当日特征信息及各个台区的用户的用户特征信息得到不同台区的负荷预测模型样本数据;
根据所述负荷预测模型样本数据对若干待用负荷预测模型进行训练;
按照预设时间对若干所述待用负荷预测模型进行评估,确定最优负荷预测模型;
将所述最优负荷预测模型部署至各个所述台区,使用所述最优负荷预测模型对所述台区进行负荷预测,得到负荷预测结果。
进一步的,所述方法还包括:
若某一所述台区的所述负荷预测结果超出预设阈值范围,则将所述负荷预测结果上传至所述云端,所述云端根据所述负荷预测结果进行决策处理。
进一步的,所述每日台区基本信息包括:电价信息、日负荷曲线、所述台区的地理位置信息。
进一步的,所述当日特征信息包括:月、日、星期、是否是法定节假日、天气状况、气温、湿度、是否是法定节假日的前一天、是否是法定节假日的后一天。
进一步的,所述用户特征信息包括:用户的每天用电量均值、每天用电量中位数和每天用电量方差。
进一步的,所述待用负荷预测模型包括基于LSTM、CS-LSTM、GRU和CS-GRU的神经网络模型。
第二方面,本申请提供一种基于智能融合终端的分布式负荷预测系统,所述系统包括:
台区智能融合终端单元,用于采集台区每日负荷信息、每日台区基本信息;
负荷预测模型迭代单元,用于根据各个台区的负荷历史数据集进行分布式动态负荷预测模型的迭代更新,并对所述负荷预测模型在预设时间进行评估,确定最优负荷预测模型,将所述最优负荷预测模型下发到各个所述台区智能融合终端单元,实现分布式负荷预测。
进一步的,所述台区智能融合终端单元还用于:接收并部署所述最优负荷预测模型,使用所述最优负荷预测模型对所述台区进行负荷预测,得到负荷预测结果,并将超出预设阈值范围的所述负荷预测结果上传至云端。
本申请提供的技术方案包括以下有益技术效果:
本申请提供的基于智能融合终端的分布式负荷预测方法及系统,该方法包括:采集每日台区基本信息和每日负荷信息,并上传至云端;由云端根据每日台区基本信息、每日负荷信息、当日特征信息及各个台区的用户的用户特征信息得到不同台区的负荷预测模型样本数据;根据负荷预测模型样本数据对若干待用负荷预测模型进行训练;按照预设时间对若干待用负荷预测模型进行评估,确定最优负荷预测模型;将最优负荷预测模型部署至各个台区,使用最优负荷预测模型对所述台区进行负荷预测,得到负荷预测结果。该系统包括用于采集台区每日负荷信息、每日台区基本信息的台区智能融合终端单元;用于确定最优负荷预测模型的负荷预测模型迭代单元。该方法及系统使用负荷预测模型样本数据,采用分布式部署的负荷预测模型,对台区内的用电负荷进行预测,使得各个台区负荷预测达到专区专测的目的,可以进行实时性更强、准确性更高的电网负荷预测及负荷控制。
附图说明
图1为本申请实施例提供的基于智能融合终端的分布式负荷预测方法流程图;
图2为本申请实施例提供的基于智能融合终端的分布式负荷预测系统结构图;
图3为本申请实施例提供的基于智能融合终端的分布式负荷预测系统功能图;
图4为本申请实施例提供的负荷预测效果对比图。
附图标记说明:100-分布式负荷预测系统,110-台区智能融合终端单元,120-负荷预测模型迭代单元。
具体实施方式
为便于对申请的技术方案进行描述和理解,以下结合附图及实施例对本申请的技术方案作进一步的说明。
本申请实施例提供一种基于智能融合终端的分布式负荷预测方法,该方法的主要步骤包括:
采集每日台区基本信息和每日负荷信息,并将采集的每日台区基本信息和每日负荷信息上传至云端;
由云端根据每日台区基本信息、每日负荷信息、当日特征信息及各个台区的用户的用户特征信息得到不同台区的负荷预测模型样本数据;
根据负荷预测模型样本数据对若干待用负荷预测模型进行训练;
按照预设时间对若干待用负荷预测模型进行评估,确定最优负荷预测模型;
将最优负荷预测模型部署至各个台区,使用最优负荷预测模型对台区进行负荷预测,得到负荷预测结果。
如果某一台区的负荷预测结果大于预设最大阈值或小于预设最小阈值,则将所述负荷预测结果上传至云端,云端根据负荷预测结果进行决策处理。
该方法采用不断更新的负荷预测模型样本数据对待用负荷预测模型进行训练,并确定出最优负荷预测模型,以此对各个台区进行负荷预测,得到的负荷预测结果的实时性强、准确性高。
参见图1,为本申请实施例提供的基于智能融合终端的分布式负荷预测方法流程图。如图1中所示,该方法的详细的步骤包括:
通过台区智能融合终端获取每一天的台区基本信息、每一天的负荷信息,并上传至云端;
云端根据台区智能融合终端上传的每日台区基本信息和每日负荷信息,匹配该终端所在台区的当日特征信息和所管辖的用户的用户特征信息,进行数据整合、清洗和存储,得到负荷预测模型样本数据,将每一天得到的负荷模型样本数据累计为负荷历史数据集。
云端针对每个台区的融合终端进行神经网络预测模型的周期性模型训练,动态根据负荷历史数据集大小进行训练周期的制定和匹配。若未达到训练周期要求,则继续采集台区数据。若达到训练周期要求,首先判断每一个台区是否存在由若干负荷预测模型组成的负荷预测模型组,若该台区存在负荷预测模型组,则对若干负荷预测模型进行模型迭代更新,若该台区不存在负荷预测模型组,则根据累计的负荷预测模型样本数据的负荷历史数据集进行初始化模型组训练。
负荷预测模型组由系统进行维护,根据不同台区的数据集对模型预测准确性、预测性能等指标进行评估。负荷预测模型组生成并评估选择出最优负荷预测模型后,下发到台区智能融合终端,由台区智能融合终端的人工智能拓展模块进行最优负荷预测模型的部署,并预测该台区的短期负荷,得到负荷预测结果,其中,短期负荷是负荷预测的一个时间区间定义,主要指未来若干小时、1天至若干天的电力负荷。如果某一台区的负荷预测结果超出预设阈值范围,则实时将该负荷预测结果上传至云端,由云端根据该负荷预测结果进行决策控制。
其中,每日台区基本信息包括:电价信息、日负荷曲线、台区的地理位置信息。当日特征信息包括:月、日、星期、是否是法定节假日、天气状况(分别是阴、晴、晴转多云、雾、雨夹雪、雷阵雨、小雨、大雨、中雨、暴雨、大雪、小雪、中雪、雨、冰雹、多云)、气温、湿度、是否是法定节假日的前一天、是否是法定节假日的后一天。用户特征信息包括:用户的每天用电量均值、每天用电量中位数和每天用电量方差。可以使用的负荷预测神经网络模型库包括:主流用于电力负荷预测的模型,如LSTM模型(Long short-term memory,长短期记忆网络)、CS-LSTM模型(Cuckoo Search-Long short-term memory,基于布谷鸟优化的长短期记忆网络)、GRU模型(Gated Recurrent Unit,门控循环单元)、CS-GRU模型等等。
对台区负荷预测建模时,误差控制至关重要。短期负荷预测将建模的历史负荷数据所在的时间域为D-,预测的负荷数据所在的时间域为D+。一般而言,对于一定窗宽的历史负荷数据P-(t)(t∈D-),通过神经网络建立负荷模型,其在D-内的相应值为M-(t),则建模误差为:
用M-(t)预测次日负荷时,若预测日负荷P+(t)与D-内负荷有相同的模式,则与(t)有相同统计特性的误差将延续到D+内。同时还可能出现一个外推误差(t),故负荷的预测误差可表示为:
与前述基于智能融合终端的分布式负荷预测方法的实施例相对应,本申请还提供了基于智能融合终端的分布式负荷预测系统的实施例。
参见图2和图3,分别为本申请实施例提供的基于智能融合终端的分布式负荷预测系统结构图和功能图。如图2和图3中所示,该分布式负荷预测系统100包括:
台区智能融合终端单元110,用于采集每日台区基本信息和每日负荷信息,与云端进行数据交互,本地化负荷预测等。具体的,台区智能融合终端单元110定期与云端进行每日负荷数据、台区用户数据、每日台区基本信息的同步,云端对部署于台区智能融合终端单元110的最优负荷预测模型进行定期更新和评估,确保台区负荷预测结果的准确性和实时性。
负荷预测模型迭代单元120,部署于云端,用于根据各个台区的负荷历史数据集进行分布式动态负荷预测模型的迭代更新,并对负荷预测模型在预设时间进行评估,确定最优负荷预测模型,将最优负荷预测模型下发到各个台区智能融合终端单元110,实现分布式负荷预测。具体的,通过收集数据,处理数据,将负荷历史数据集通过机器学习进行训练、评估,最终生成负荷预测模型,用于决策系统进行负荷控制。同时,如图4所示,在每次的负荷预测模型训练过程中,将不同的预测模型(图4中的四条虚线分别表示LSTM模型、CS-LSTM模型、GRU模型和CS-GRU模型的预测结果)与真实数据(图4中实线)进行对比和误差评估,将最优训练模型输出,作为最优负荷预测模型,以此提升预测结果的准确性。
本申请实施例提供的基于智能融合终端的分布式负荷预测方法及系统,使用负荷预测模型样本数据,采用分布式部署的负荷预测模型,对台区内的用电负荷进行预测,使得各个台区负荷预测达到专区专测的目的,可以进行实时性更强、准确性更高的电网负荷预测及负荷控制。
Claims (8)
1.一种基于智能融合终端的分布式负荷预测方法,其特征在于,所述方法包括:
采集每日台区基本信息和每日负荷信息,并将所述每日台区基本信息和所述每日负荷信息上传至云端;
由所述云端根据所述每日台区基本信息、所述每日负荷信息、当日特征信息及各个台区的用户的用户特征信息得到不同台区的负荷预测模型样本数据;
根据所述负荷预测模型样本数据对若干待用负荷预测模型进行训练;
按照预设时间对若干所述待用负荷预测模型进行评估,确定最优负荷预测模型;
将所述最优负荷预测模型部署至各个所述台区,使用所述最优负荷预测模型对所述台区进行负荷预测,得到负荷预测结果。
2.根据权利要求1所述的基于智能融合终端的分布式负荷预测方法,其特征在于,所述方法还包括:
若某一所述台区的所述负荷预测结果超出预设阈值范围,则将所述负荷预测结果上传至所述云端,所述云端根据所述负荷预测结果进行决策处理。
3.根据权利要求1所述的基于智能融合终端的分布式负荷预测方法,其特征在于,所述每日台区基本信息包括:电价信息、日负荷曲线、所述台区的地理位置信息。
4.根据权利要求1所述的基于智能融合终端的分布式负荷预测方法,其特征在于,所述当日特征信息包括:月、日、星期、是否是法定节假日、天气状况、气温、湿度、是否是法定节假日的前一天、是否是法定节假日的后一天。
5.根据权利要求1所述的基于智能融合终端的分布式负荷预测方法,其特征在于,所述用户特征信息包括:用户的每天用电量均值、每天用电量中位数和每天用电量方差。
6.根据权利要求1所述的基于智能融合终端的分布式负荷预测方法,其特征在于,所述待用负荷预测模型包括基于LSTM、CS-LSTM、GRU和CS-GRU的神经网络模型。
7.一种基于智能融合终端的分布式负荷预测系统,其特征在于,所述系统包括:
台区智能融合终端单元,用于采集台区每日负荷信息、每日台区基本信息;
负荷预测模型迭代单元,用于根据各个台区的负荷历史数据集进行分布式动态负荷预测模型的迭代更新,并对所述负荷预测模型在预设时间进行评估,确定最优负荷预测模型,将所述最优负荷预测模型下发到各个所述台区智能融合终端单元,实现分布式负荷预测。
8.根据权利要求7所述的基于智能融合终端的分布式负荷预测系统,其特征在于,所述台区智能融合终端单元还用于:接收并部署所述最优负荷预测模型,使用所述最优负荷预测模型对所述台区进行负荷预测,得到负荷预测结果,并将超出预设阈值范围的所述负荷预测结果上传至云端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111624204.9A CN114282444A (zh) | 2021-12-28 | 2021-12-28 | 一种基于智能融合终端的分布式负荷预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111624204.9A CN114282444A (zh) | 2021-12-28 | 2021-12-28 | 一种基于智能融合终端的分布式负荷预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114282444A true CN114282444A (zh) | 2022-04-05 |
Family
ID=80877319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111624204.9A Pending CN114282444A (zh) | 2021-12-28 | 2021-12-28 | 一种基于智能融合终端的分布式负荷预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114282444A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114844214A (zh) * | 2022-05-18 | 2022-08-02 | 国电南瑞南京控制系统有限公司 | 一种基于台区智能融合终端的农灌负荷管控系统及控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919370A (zh) * | 2019-02-26 | 2019-06-21 | 国网冀北电力有限公司运营监测(控)中心 | 一种电力负荷预测方法及预测装置 |
CN111507520A (zh) * | 2020-04-15 | 2020-08-07 | 瑞纳智能设备股份有限公司 | 一种换热机组负荷的动态预测方法及系统 |
CN112508275A (zh) * | 2020-12-07 | 2021-03-16 | 国网湖南省电力有限公司 | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 |
CN113437754A (zh) * | 2021-05-24 | 2021-09-24 | 国网上海能源互联网研究院有限公司 | 一种基于台区智能融合终端的电动汽车有序充电方法及系统 |
CN113765126A (zh) * | 2021-07-19 | 2021-12-07 | 国网上海能源互联网研究院有限公司 | 基于台区智能融合终端的有序充放电的控制方法及系统 |
-
2021
- 2021-12-28 CN CN202111624204.9A patent/CN114282444A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919370A (zh) * | 2019-02-26 | 2019-06-21 | 国网冀北电力有限公司运营监测(控)中心 | 一种电力负荷预测方法及预测装置 |
CN111507520A (zh) * | 2020-04-15 | 2020-08-07 | 瑞纳智能设备股份有限公司 | 一种换热机组负荷的动态预测方法及系统 |
CN112508275A (zh) * | 2020-12-07 | 2021-03-16 | 国网湖南省电力有限公司 | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 |
CN113437754A (zh) * | 2021-05-24 | 2021-09-24 | 国网上海能源互联网研究院有限公司 | 一种基于台区智能融合终端的电动汽车有序充电方法及系统 |
CN113765126A (zh) * | 2021-07-19 | 2021-12-07 | 国网上海能源互联网研究院有限公司 | 基于台区智能融合终端的有序充放电的控制方法及系统 |
Non-Patent Citations (2)
Title |
---|
BIYUN CHEN 等: "Short-Term Electric Load Forecasting of Integrated Energy System Considering Nonlinear Synergy Between Different Loads", IEEE ACCESS, vol. 9, 17 March 2021 (2021-03-17), pages 43562, XP011845629, DOI: 10.1109/ACCESS.2021.3066915 * |
滕永兴 等: "用户特征聚类和ICSA-SVR台区负荷预测", 中国测试, vol. 48, no. 7, 20 December 2021 (2021-12-20), pages 107 - 113 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114844214A (zh) * | 2022-05-18 | 2022-08-02 | 国电南瑞南京控制系统有限公司 | 一种基于台区智能融合终端的农灌负荷管控系统及控制方法 |
CN114844214B (zh) * | 2022-05-18 | 2024-05-14 | 国电南瑞南京控制系统有限公司 | 一种基于台区智能融合终端的农灌负荷管控系统及控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | A novel convolutional neural network framework based solar irradiance prediction method | |
WO2021238505A1 (zh) | 基于联邦学习的区域光伏功率概率预测方法及协同调控系统 | |
Liu et al. | Random forest solar power forecast based on classification optimization | |
US20220373984A1 (en) | Hybrid photovoltaic power prediction method and system based on multi-source data fusion | |
Pinson et al. | Regime-switching modelling of the fluctuations of offshore wind generation | |
Ye et al. | An ensemble method for short-term wind power prediction considering error correction strategy | |
CN105184678A (zh) | 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法 | |
Kim et al. | Designing solar power generation output forecasting methods using time series algorithms | |
CN111079980A (zh) | 基于自适应分类策略和混合优化svr的光功率预测方法 | |
CN110781458B (zh) | 一种基于混合回归模型预测地表太阳辐照度的方法 | |
CN112418346B (zh) | 一种数值天气预报总辐射系统误差分类计算方法 | |
de Guia et al. | Using stacked long short term memory with principal component analysis for short term prediction of solar irradiance based on weather patterns | |
CN114021420A (zh) | 一种分布式光伏超短期发电功率预测方法及系统 | |
CN117498400B (zh) | 一种分布式光伏与储能数据的处理方法及系统 | |
KR20210013565A (ko) | 날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측 알고리즘 | |
Dimd et al. | A review of machine learning-based photovoltaic output power forecasting: Nordic context | |
CN114418174A (zh) | 电动汽车充电负荷预测方法 | |
CN102799948A (zh) | 一种并网型光伏电站发电系统输出功率预测方法 | |
CN115115125A (zh) | 基于深度学习融合模型的光伏功率区间概率预测方法 | |
CN111598724A (zh) | 一种中小水库入库流量日前预测的分时段集成方法 | |
Arora et al. | Data normalisation-based solar irradiance forecasting using artificial neural networks | |
CN117374956A (zh) | 一种针对综合能源站光伏发电的短期预测方法 | |
CN114282444A (zh) | 一种基于智能融合终端的分布式负荷预测方法及系统 | |
Wang et al. | Wind process pattern forecasting based ultra-short-term wind speed hybrid prediction | |
Meng et al. | A new PV generation power prediction model based on GA-BP neural network with artificial classification of history day |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |