短期负荷预测的简化LS—SVM模型及实现

合集下载

基于最小二乘支持向量机的短期电力负荷预测

引言电力系统负荷预测是电力系统调度、用电、计划、规划等管理部门的重要工作之一，无论是对于制订电力系统规划还是实现电力系统自动化、安全发供电等都有着十分重要的意义。

提高电力系统负荷预测技术水平，有利于计划用电管理，有利于合理安排电网运行方式和机组检修计划，有利于提高电力系统的经济效益和社会效益。

目前，神经网络在短期电力负荷中已经得到了广泛的应用，但由于神经网络本身还具有一些难以克服的缺陷。

如过拟合、收敛速度慢、容易陷入局部极值等缺点[1]。

从而使支持向量机模型得到了广泛的关注。

文献[2]相继将回归支持向量机方法用于电力系统短期负荷预测，文献[3]提出了基于小波基的回归支持向量机负荷预测模型，文献[4]研究了负荷预测支持向量机模型的在线学习。

当使用支持向量机作为分类器时，就不得不考虑支持向量机的参数问题，文献[2-6]讨论摘要：提出了结合遗传算法（Genetic Algorithm ，GA ）和最小二乘支持向量机（Least Squares Support Vector Machines ，LS-SVM ）的短期电力负荷预测。

由于影响负荷预测因素的复杂性和最小二乘支持向量机参数选择的不确定性，提出了采用遗传算法同时对电力负荷训练样本进行特征提取和最小二乘支持向量机的参数选择，然后利用提取出的数据序列和选择的参数，建立最小二乘支持向量机预测模型。

通过实际算例分析，证明了该算法可以改善预测模型的精度和泛化能力。

关键词：电力系统，遗传算法，最小二乘支持向量机，特征提取，短期负荷预测中图分类号：TP301.6文献标识码：A基于最小二乘支持向量机的短期电力负荷预测曹彦1，王倩1，周驰2（1.周口师范学院计算机科学与技术学院，河南周口466000；2.许昌供电公司，河南许昌461000）Short-term Load Forecasting Based on LeastSquares Support Vector MachinesCAO Yan 1,WANG Qian 1,ZHOU Chi 2（1.Zhoukou Normal University,Zhoukou 466001，China ，2.Xuchang Power Supply Company ，Xuchang 461000，China ）Abstract ：A short-term load forecasting method that is based on genetic algorithm (GA)and leastsquares support vector machines (LS-SVM)is proposed.Because there are various factors impacting the accuracy of load forecasting and uncertain parameters to LS-SVM,the paper proposes to select features and parameters using genetic algorithm.Then,the LS-SVM model is build based on the selected featuresand parameters.Simulation results show that the algorithm can improve prediction model accuracy and generalization ability.Key words ：power system,genetic algorithm,least squares support vector machines,feature selection,short-term load forecasting文章编号：1003-5850（2013）03-0038-04收稿日期：2012-12-11，修回日期：2013-02-10基金项目：中国青年基金重点项目（2012QNA01）作者简介：曹彦，女，1985年生，讲师、硕士，研究方向：数据挖掘。

基于人工免疫算法优化LSSVM的短期电力负荷预测

通过一个非线性映射，把输入空间的样本数据映射到一个高维特征空间，将实际问题转化为一个带不等式约束的二次规划问题ｌ７＿。最小二乘支持向量机
（ＬＳＳＶＭ）是标准ＳＶＭ的一种改进，它的优化指标
的一种改进，它利用等式约束替代了标准支持向量机中的不等式约束，避免了求解耗时的二次规划问
利用结构风险最小化原则，寻找Ｗ和ｂ，就是使算法具有良好的多样性、免疫记忆、自适应、自将式（２）最小化。
＝
学习等学习特性，是继人工神经网络、遗传进化计
（２）
算等智能理论和方法后人工智能领域的又一研究热式中Ｉｌｗｌｌ为控制模型的复杂度，ｃ为正规化参点。目前，人工免疫算法已经在组合优化、数据挖
数，尺一为误差控制函数。
选取误差毒的二次项来进行误差控制，则优化问题描述为
Ｉｌｗｌ参数优化、网络安全等众多工程和科学领域中得到了广泛应用［Ｈ１。
络模型相比，支持向量机具有预测能力强、收敛速度快和全局最优等特点，而且对小样本数据有着较好的泛化性能，表现出明显的优越性。最小二乘支持向量机（ＬＳｓＶＭ）是标准ＳＶＭ（支持向量机）
支持向量机（ＳＶＭ）是在统计学理论基础上发展起来的一种新的分类和回归工具。其基本思想是
收稿日期：２０１３ — １２ — １０，修回日期：２０１４ — ０１ — ０３

基于PSO-LSSVM的短期电力负荷预测

基于PSO-LSSVM的短期电力负荷预测黎津池【摘要】提出一种基于粒子群优化-最小二乘支持向量机(particle swarm optimization-least squares support vector machine,PSO-LSSVM)的短期负荷预测的方法.采用PSO算法对LSSVM的模型参数进行寻优,实现LSSVM参数的自动优化选取,进而得到比单一LSSVM更准确的短期负荷预测模型.实际算例结果验证了所提预测方法可行性,与其他方法预测结果的对比进一步突出了所提方法的有效性.【期刊名称】《四川电力技术》【年(卷),期】2016(039)002【总页数】5页(P6-9,68)【关键词】短期负荷预测;最小二乘支持向量机;粒子群优化算法【作者】黎津池【作者单位】西南交通大学电气工程学院,四川成都610031【正文语种】中文【中图分类】TM715短期负荷预测是电力系统的重要工作之一。

准确的负荷预测可以经济合理地安排电网内部发电机组的启动和停止，保持电网运行的安全稳定，减少不必要的旋转储备容量，合理安排机组检修计划，有效地降低发电成本，提高经济效益和社会效益。

负荷预测的准确性与多种因素有关[1](如历史负荷数据和天气因素)，而这些因素大部分具有随机性、动态开放性等不确定性特点。

因此，未来负荷与所能利用的影响变量之间存在复杂的非线性关系。

这就难以用简单的数学模型来描述，随着机器学习理论的发展，一些非线性模型如神经网络模型在短期负荷时间序列预测中已取得比较成功的应用[2-6]。

但神经网络模型本身存在着难以克服的缺陷，如易陷入局部极小，网络结构难以确定，而且它基于的是经验风险最小化原则，易导致过学习现象的产生。

支持向量机(support vector machine ，SVM)根据结构风险最小化准则取得最小的实际风险，其拓扑结构由支持向量决定，克服了传统神经网络拓扑结构(权值及隐层数)的选择在很大程度上依赖设计者经验的缺点，较好地解决了小样本、非线性、高维数和局部极小点等实际问题，具有很强的泛化能力[7]，并成功地应用于分类、回归和时间序列预测等方面[8-9]。

基于PSOLSSVM算法的造纸过程短期电力负荷预测模型

近年来ꎬ 我国造纸工业产能迅速扩大ꎬ 纸及纸板产量由２０００年的３２３３万ｔ增长至２０１７年的１１１３０万ｔꎬ 与此同时ꎬ 其能耗也从２０００年的３３�� ６Ｍｔ标煤增长至２０１７年的５２�� １Ｍｔ标煤[１] ꎮ 快速发展的造纸工业ꎬ 为我国的节能减排目标带来了一定压力ꎮ 制浆造纸生产过程需要消耗大量的电能ꎬ 其消耗量约占单位产品总能耗的１５％ ~ ２０％ ꎮ 因此ꎬ 降低生产过程电耗ꎬ 对造纸工业的节能减排十分重要ꎮ
负荷问题更为复杂: 造纸厂用电负荷是工艺流程中各个用电设备负荷之和ꎬ 其用电设备主要包含了非连续性 (如磨浆机、碎浆机) 和连续性 ( 如纸机传动)ꎬ 其中非连续性用电设备的启停时间目前还没有一个标准ꎬ 造纸厂用电负荷又受到各种非计划停机 ( 如电网波动造成全厂停机、断纸造成设备停机) 的影响ꎬ 使得实时负荷的波动幅度增大ꎬ 影响因素更为复杂ꎬ 而造纸厂的用电负荷不受季节性影响ꎬ 也无周期性ꎬ 因此如何对造纸厂进行短期电力负荷预测成为难题ꎮ
相对而言ꎬ 传统的神经网络算法容易陷入局部最
收稿日期: ２０１８￣１０￣０７基金项目: 国家自然科学基金重点项目 (６１３３３００７) ꎻ 广东省科技计划项目 (２０１５Ａ０１０１０４００４ꎬ ２０１５Ｂ０１０１１００００４ꎬ ２０１３Ｂ０１０４０６００２ ) ꎻ 广东省
自然科学基金项目 (２０１７Ａ０３０３１０５６２) ꎻ 制浆造纸工程国家重点实验室开放基金 (２０１８３０) ꎮ 作者简介: 胡雨沙ꎬ 女ꎬ １９９４年生ꎻ 在读硕士研究生ꎻ 主要研究方向: 制浆造纸过程的节能与过程优化ꎮ ∗通信联系人: 满奕ꎬ 博士ꎬ 助理研究员ꎻ 主要研究方向: 制浆造纸过程的节能与过程优化ꎻ Ｅ￣ｍａｉｌ: ｍａｎｙｉ＠ｓｃｕｔ�� ｅｄｕ�� ｃｎꎮ

基于ARIMA和LS-SVM组合模型的短期负荷预测

基于ARIMA和LS-SVM组合模型的短期负荷预测刘国徽;刘小满;余雪芳;王勇【摘要】经实例预测分析发现,利用累积式自回归动平均法(autoregressive integrated moving average,ARIMA)进行电力短期负荷预测时所得误差序列有较明显的周期规律性,针对此现象及其原因,为提高预测精度,提出采用最小二乘支持向量机(least squares support vector machine,LS-SVM)对ARIMA预测误差进行修正的ARIMA-LS-SVM组合模型;利用该改进模型对哈尔滨电网负荷进行实例预测,结果表明:该方法能够提高短期负荷的预测精度,并且具有较强的推广性和应用能力.【期刊名称】《广东电力》【年(卷),期】2010(023)011【总页数】4页(P14-17)【关键词】短期负荷预测;ARIMA模型;LS-SVM模型;偏差修正【作者】刘国徽;刘小满;余雪芳;王勇【作者单位】东北电力大学,吉林,吉林,132012;东北电力大学,吉林,吉林,132012;东北电力大学,吉林,吉林,132012;东北电网有限公司长春超高压局,吉林,长春,130041【正文语种】中文【中图分类】TM715电力系统短期负荷预测方法可分为2大类：以时间序列法为代表的传统方法和以人工神经网络为代表的现代智能方法。

传统方法主要是基于数理统计的时序分析方法，主要有回归分析法[1]、Kalman滤波法[2]、Box-Jenkins的累积式自回归动平均法(autoregressive integrated moving average，ARIMA)[3-4]等。

传统方法应用成熟、算法简单且速度快，但由于都是线性模型方法，对预测强非线性问题有所局限。

现代智能方法以智能学习为特征，主要有专家系统[5]、人工神经网络(artificial neural network，ANN)[6]和支持向量机(support vector machine，SVM)[7-8]等。

智能优化LS-SVM在电力负荷预测中的应用

ＡＢＳＴＲＡＣＴ：ｈｒ— ｅｏｅａｒｄｃｉｎｆｒｃｓｍｏｅａｘｒｍｅｙｖｔｌｉｎｆａｃｏｔｅｒｌｂｌｙａｄｅＳｏｔｒｐｗｒｌｄｐｅｉｔｅａｔｄｌｓｅｔｔｍｏｏｏｈｅｌｉｇｉｃｎｅｔｈｅｉｉｔｎ — ａｓｉａｉｃｎｍｉａｆｃｅｃｆｐｗｒｓｓｅｏｏｃｌｅｆｉｎｙｏｏｅｙｔｍ．Ｃｒｅｔ，ｓｏｔｔｒｌａｏｅａｔｇａｇｒｈｉｏｎｕｈｉｒｄｃｉｎａ — ｉｕｒｎｌｙｈｒ－ｅｍｏｄｆｒｃｓｎｌｏｉｍｓｎｔｏｇｎｐｅｉｔｃｉｔｅｏｃｒｃｕａｙ，ｃｎｅｇｎｅｓｅｄａｄｇｎｒｌａｉｎａｉｔ．Ｗａｅｅａｋｔｔｎｆｒｗａｓｄｔｉｅｉｎｌｔｏｓ．ｏｖｒｅｃｐｅｎｅｅａｉｔｂｌｙｚｏｉｖｌｔｐｃｅｒｓｏｍｓｕｅｏｆｔｒｓａｓｗｉｎｉｅａｌｇｈＫｅｎｌｒｎｉｌｏｐｎｎｎｌｓｓａｄｋｒｅｎｅｅｄｎｏｏｅｔａａｙｉｒｓｄｉａａｆａｕｅｓｌｃｉｎｒｅｉｃｐｅｃｎｏｅｔａｙｉｎｅｌｉｄｐｎｅｔｃｍｐｎｎｎｓｓｗｅｅｕｅｎｄｔｅｔｒｅｅｔ．ｐａｎｌｏＴｅｈｏａｔｌｗａｍｐｉｚｔｎａｇｒｈｗａｓｄｔｅｅｉａｅｏｔｌａａｔｒｉＳＳｈｎｃａｓｐｒｉｅｓｒｏｔｃｍｉａｉｌｏｉｍｓｕｅｏｄｔｒｎｔｐｉｒｍｅｅＬ — ＶＭ．Ｔｉｉｔｌ — ｏｔｍｍａｐｎｈｓｎｅｌｉｇｎｐｉｚｔｎａｇｒｔｍａｅｎｔｓｅｎｓｏｔｔｒｏｒｌａｏｅａｔｇａｄｔｅｒｓｌｈｗｈｒｄｃｉｎｅｔｏｔｍｉａｉｌｏｈｈｓｂｅｅｔｄｏｈｒ— ｅｍｐｗｅｏｄｆｒｃｓｉｎｈｅｕｔｓｏｔｅｐｅｉｔｏｉｎｓｏ

基于EEMD和PSO-LSSVM模型的短期电力负荷预测

基于EEMD和PSO-LSSVM模型的短期电力负荷预测侯鲁亭;高军伟【摘要】短期电力负荷预测是电力系统规划、运行、维护的基础.精确的负荷预测对电网的运行和供电调度提供了可靠的指导.为了提高负荷预测的精度,提出了一种基于集总经验模态EEMD和粒子群算法优化下的最小二乘支持向量机(PSO-LSSVM)模型方法.该方法先利用EEMD将数据分解成不同尺度的模态固有分量IMF分量和剩余分量,将分解的分量在PSO-LSSVM模型下对负荷数据进行预测.通过引进粒子群算法下的LSSVM模型与BP神经网络模型法进行仿真分析比对表明,优化下的LSSVM预测方法比BP神经网络方法在绝对误差、相对误差以及均方根误差都有提升.【期刊名称】《制造业自动化》【年(卷),期】2018(040)004【总页数】5页(P77-81)【关键词】短期电力负荷预测;集总经验模态;粒子群算法;最小二乘支持向量机【作者】侯鲁亭;高军伟【作者单位】青岛大学自动化与电气工程学院,青岛266071;青岛大学自动化与电气工程学院,青岛266071【正文语种】中文【中图分类】TP1810 引言众所周知，社会的发展越来越需要电力系系对电能进行合调的经济调度[1]。

输送的电能过多造成浪费，输送过少达不到正常需求，造成地区用电短缺，阻碍经济的发展，影响社会稳定。

随着我们对用电量的依赖性的增加以及智能信息处调的发展，对于电力系系用电负荷的预测，国内外研究方法逐基深入。

常用的负荷预测方法有：人工神经网络法[2,3]、时间程列法[4]和回归分析法[5,6]。

文献[4]中时间程列法对历史数据依赖性高，而短期电力负荷预测受天气等影响因素大，不具有普遍性。

文献[5,6]中提到回归分析法是需要对历史数据分析得出数量关系，这种方法有很多局限性，也不适用于短期电力负荷预测。

近年来，随着机器学习、深度学习应用领域越来越广，SVM等方法也应用到了短期电力负荷预测中。

SVM是一种有监督学习算法[7]，在解决模式识别和回归问题上，应用SVM方法效果更为突出，SVM是将原始的低维输入样本经过一系列非线性变换转换到了更高维度的阀间里，然后通过找到一个最合适的分类平面。

基于改进全局和声搜索算法LSSVM的短期电力负荷预测

扩大最优和声搜索区域，并在搜索过程中引入受和声库影响的微调变量，而增强了算法跳出局部极小值从
束缚的能力。将该改进算法应用于电力负荷预测中，出基于改进全局和声搜索算法最小二乘支持向量机提（ＧＨｓＬｓＩ — ｓＶＭ）负荷预测方法。利用某电力公司的历史数据进测的结
第３卷第２期１
２０１２年６月
计算
技
术
与自动
化
Ｖｏ．１。．１３ＮＯ２
ＣｏｐｉｇＴｅｈｎｏｇｎｄＡｕｔｍａｉｎｍｕｔｎｃｏｌｙａｏｔｏ
Ｊｎ２０１２ｕ．
文章编号：０３６９（０２０ —０６ — ０１０ — １９２１）２０２４
基于改进全局和声搜索算法ＬＳＶＭＳ的短期电力负荷预测
江鑫，晓华，刘高荣
（东大学数学与信息学院，东烟台２４２）鲁山６０５
摘
要：对全局和声搜索算法（ＨＳ存在的缺陷，出改进全局和声搜索算法（ＧＨＳ。该算法通过针Ｇ）提Ｉ）
测领域中口］。。考虑到支持向量机中学习参数ｃ
１引言
短期电力负荷预测是电力管理的基础。准确
和？，及核函数参数的选取对负荷预测精确度具？以

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ｐｏｅｏｉｈｓｆｈｓ —ｑｕｌｔｎｉｅｌａｏｅａｔｏｄｆｒｃｓｉｄｌｂａｅｎｔｅＬｅｓ—ｓｕａｅｕｐｏｔＶｅｔｒＭａａｉｙｏｌｎｏｄｆｒｃｓ，ａｌａｏｅａｔｎｇｍｏｅｓｄｏｈａｔｑｒｓＳｐｒｃｏ —
（．ＣｌｇｆｅｏａｔａＭｅｈｎａＥｇｅｒｇＮｎｈｎａｇｏｇＵｉｒｔ，ａｃａｇＪｎｘ３０６，Ｃｉａ１ｏｅｅｏｒｎｕｉｌｃａｉｌｎｉｅｉ，ａｃａｇＨｎＫｎｎｖｓｙＮｎｈｎｉｇｉ３０３ｈｎ；ｌＡｃｃｎｎｅｉａ
ｃｉｅ（一Ｖ ’ ｉｐｅｅｔｉｒｐｓｄｉｔ，ｈｆｅｃｃｒｗｒａａｚｄａｄｔｏｐｎｎｓｏｈｎＳＭ）Ｓｍｌｎａｏｉｐｏｏｅ．Ｆｒｌｔｅｉｕｎｅｆｔｓｅｅｎｌｅ，ｎｅｃｍｏｅｔｆｍｔｎｓｓｙｎｌａｏｙｈ
２—３倍，明Ｌ — Ｖ在短期负荷在线预测中可实现实时性。说ＳＳＭ
关键词：短期负荷；预测模型；最小二乘支持向量机；仿真
中图分类号：Ｍ１Ｔ７５文献标识码：Ａ
ＡｉｐｅＳｈｒ－ＴｅｍｅｔｉａａｒｃｓｉｇＭｏｌＳｍｌｏｔｒＥｌｃｒｃｌＬｏｄＦｏｅａｔｎｄｅｉｎｇ
２ｏｅｅｏｃａｉｌｎｉｅｉｇＺｅｇｏｎｖｒｉ，ｈｎｚｏｅａ５０２Ｃｉ）．ＣｌｇｆｌＭｅｈｎａＥｇｅｒ，ｈｎｚｕＵｉｓｙＺｅｇｈｕＨｎｎ４０５，ｈｎｃｎｎｈｅｔａＡＳＲＣＴｅｓｏｔｔｍｌｄｆｅａｔｇ（ＴＦｌｓｎｉｐｒｎｌｉｏｅｓｍｓｃｒｙｏｅｐｔＢＴＡＴ：ｈｈｒｅａｒｃｓｎＳＬ）ｐａｏｔｔｏｐｗｒｙｔｕｉ．Ｆｒｈｕ－ —ｒｏｏｉｙａｍａｒｅｎｓｅｅｔｔ
ｈｓｒａｎａｅｔｐａｒｍａｉｎｌｅｃｈｈｎｅｏｈｒ－ｅｍａｓｗｒｄｌｄｔｕｌｈｄｌｆｉｔｙｌｄａｄｄｔｙｅｔｔｉｒｙｉｆｎｅｔｅｃａｇｆｏｔｔｒｌｄｅｅｍｏｅｅｏｂｉｔｅｍｏｅｏｏｈｐｌｕｓｏｄｏＳＬ．Ｓｃｎｌ，ｔｅａｇｒｈｏＳＶＭｅｒｓｉｎａｄｉｌｍｅｔｇｔｃｎｑｅｅｅｓｕｉｄＣｎｉｅｉｇｔｅＴＦｅｏｄｙｈｏｉｍｆＬ－Ｓｌｔｒｇｅｓｏｎｍｐｅｎｉｅｈｉｕｓｗｒｔｄｅ．ｏｓｄｒｎｎｈ
ｐｒｄｃｒｐｒｅｆｏｄｃａｇｎｈｏｒｌｔｎｔａｅｅｔａａｈｖｒａｅｆｅｃｉｃｒｅｔｏｄｔａｅｅｉｉａｐｏｅｔｓｏａｈｎｅａｄｔｅｃｒｅａｉｔｒｃｎｔａｅｇｅｔｒｎｌｎｅＯｌｕｒｎａｎｔｏｌｉｌｏｈｄｉｕｌｈｈ
ＭｅｈｏｓｄｏｈａｔＳｑａｅｐｒｔｄＢａｅｎｔｅＬｅｓ－ｕｒｓＳｕｐｏｔ
ＶｅｔｒＭａｈｎｓＩｐｅｅａｉｎｃｏｃｉｅ，ｍｌｍｎｔｔｏ
ＨＥＨｏｇｌＺｎ－ｉ，ＨＯＵＸｉｎＺＧｉ－ｏｇｎａｇ，ＥＮＪｎｓｎ
ｐｏｎｔｅｑａｄｒ — ｔｃｕｅｓｍｐｅｓｔｏｓｒｃｅｏｒｃｎａａａｗｓｕｅａｎＬ－ＶＭ．Ａｎｌｉｒｒｏｅ，ｈｕｎａｙｓｕｔｒａｌｅｎｔｔｄｆｍｅｅｔｏｄｄｔａｓｄｔｔｉＳＳｒｃｕｒｌｏｒｄｆ－ｍａｌ，ｔｅｆｒｃｓｉｇｍｏｅａｅｉｅｔｅｌｌａａａｉｈｉｌｔｎｙｈｏｅａｔｄｌｗｓｖｒｉｄｗｉｒａｏｄｄｔｎｔｅｓｍｕａｉ．ＴｅｒｓｌｈｗｈｔｌｏｆｔｅｍｏｅｎｆｈｏｈｅｕｔｓｏｔａＴｒｏｄｌｓｅｈ
第２卷第１８期
文章编号：０６９４（０１０ — ３２０１０ — ３８２１）１００ — ５
计
算
机
仿
真

２１年１０１
短期负荷预测的简化Ｌ — ＶＭ模型及实现ＳＳ
贺红林周，翔曾劲松
，
（．南昌航空大学航空制造学院，１江西南昌３０６２３０３；．郑州大学机械工程学院，河南郑州４０５）５０２摘要：负荷预测对电力系统安全起重要作用。为适应短期负荷精密在线预测需要，负荷预测中引入了最小二乘支持向量在机（ＳＳＭ）Ｌ — Ｖ。通过对影响短期负荷较大的近期历史负荷及日期类型进行建模，建出了短期负荷预测模型；构针对短期负
荷变化的周期性及其与历史负荷间存在 “ 大远小 ” 相关性，划出一种五元组样本结构，以训练预测模型的ＬＳＭ近的规用ｓ— Ｖ
算法；最后，利用真实负荷数据进行了算法仿真。仿真表明Ｓ — ＶＭ算法可将预测误差控制在５ＬＳ％之内，预测速度为ＡＮ的Ｎ