Algoritmo de ubicación e identificación de fallas en una microrred ac basado en inteligencia artificial
Este trabajo de grado se enfocó en desarrollar un algoritmo basado en redes neuronales artificiales (ANN) para la clasificación y localización de fallas eléctricas en una microrred de prueba. La microrred de estudio es una red de distribución IEEE de 33 buses con generadores distribuidos ubicados es...
- Autores:
-
Sandoval Alonso, Arley José
Celis Yañez, Jonathan David
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2024
- Institución:
- Universidad Francisco de Paula Santander
- Repositorio:
- Repositorio Digital UFPS
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.ufps.edu.co:ufps/9193
- Acceso en línea:
- https://repositorio.ufps.edu.co/handle/ufps/9193
- Palabra clave:
- Microrred eléctrica
Generadores distribuidos
Redes neuronales artificiales
Clasificación y localización de fallas eléctricas
- Rights
- openAccess
- License
- Derechos Reservados - Universidad Francisco de Paula Santander, 2024
| id |
RUFPS2_d014101fc5bb02b838bebebc72d2494b |
|---|---|
| oai_identifier_str |
oai:repositorio.ufps.edu.co:ufps/9193 |
| network_acronym_str |
RUFPS2 |
| network_name_str |
Repositorio Digital UFPS |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Algoritmo de ubicación e identificación de fallas en una microrred ac basado en inteligencia artificial |
| title |
Algoritmo de ubicación e identificación de fallas en una microrred ac basado en inteligencia artificial |
| spellingShingle |
Algoritmo de ubicación e identificación de fallas en una microrred ac basado en inteligencia artificial Microrred eléctrica Generadores distribuidos Redes neuronales artificiales Clasificación y localización de fallas eléctricas |
| title_short |
Algoritmo de ubicación e identificación de fallas en una microrred ac basado en inteligencia artificial |
| title_full |
Algoritmo de ubicación e identificación de fallas en una microrred ac basado en inteligencia artificial |
| title_fullStr |
Algoritmo de ubicación e identificación de fallas en una microrred ac basado en inteligencia artificial |
| title_full_unstemmed |
Algoritmo de ubicación e identificación de fallas en una microrred ac basado en inteligencia artificial |
| title_sort |
Algoritmo de ubicación e identificación de fallas en una microrred ac basado en inteligencia artificial |
| dc.creator.fl_str_mv |
Sandoval Alonso, Arley José Celis Yañez, Jonathan David |
| dc.contributor.advisor.none.fl_str_mv |
Sandoval Martínez, Gloria Esmeralda Tarazona Celis, Cristian Leonardo |
| dc.contributor.author.none.fl_str_mv |
Sandoval Alonso, Arley José Celis Yañez, Jonathan David |
| dc.contributor.corporatename.spa.fl_str_mv |
Universidad Francisco de Paula Santander |
| dc.contributor.jury.none.fl_str_mv |
Moreno García, Francisco Ernesto Ferreira Jaimes, Julián Ferreira Jaimes, Julian |
| dc.subject.proposal.spa.fl_str_mv |
Microrred eléctrica Generadores distribuidos Redes neuronales artificiales Clasificación y localización de fallas eléctricas |
| topic |
Microrred eléctrica Generadores distribuidos Redes neuronales artificiales Clasificación y localización de fallas eléctricas |
| description |
Este trabajo de grado se enfocó en desarrollar un algoritmo basado en redes neuronales artificiales (ANN) para la clasificación y localización de fallas eléctricas en una microrred de prueba. La microrred de estudio es una red de distribución IEEE de 33 buses con generadores distribuidos ubicados estratégicamente. Se simularon fallas trifásicas, bifásicas a tierra, bifásicas y monofásicas a tierra en diferentes ubicaciones de las líneas y con diversas duraciones, esto empleando el software DigSILENT enlazado con Python. Tras extraer y procesar los datos mediante técnicas como la transformada Wavelet, se compararon optimizadores, funciones de activación y tamaños de baches para el posterior entrenamiento de los modelos, los cuales muestran una buena generalización con una exactitud del 99.24% y 98.99% en clasificación y 95.71% y 94% en localización, esto para los conjuntos de entrenamiento y validación, respectivamente. Además, se crea una interfaz de usuario para predecir el tipo y la ubicación de las fallas usando la data de prueba separada anteriormente con este propósito. |
| publishDate |
2024 |
| dc.date.issued.none.fl_str_mv |
2024 |
| dc.date.accessioned.none.fl_str_mv |
2025-03-10T15:20:09Z |
| dc.date.available.none.fl_str_mv |
2025-03-10T15:20:09Z |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.redcol.spa.fl_str_mv |
https://purl.org/redcol/resource_type/TP |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
publishedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.ufps.edu.co/handle/ufps/9193 |
| dc.identifier.local.none.fl_str_mv |
TIEM V00070/2024 |
| url |
https://repositorio.ufps.edu.co/handle/ufps/9193 |
| identifier_str_mv |
TIEM V00070/2024 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.rights.spa.fl_str_mv |
Derechos Reservados - Universidad Francisco de Paula Santander, 2024 |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.uri.spa.fl_str_mv |
https://creativecommons.org/licenses/by-nc-sa/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.creativecommons.spa.fl_str_mv |
Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) |
| rights_invalid_str_mv |
Derechos Reservados - Universidad Francisco de Paula Santander, 2024 https://creativecommons.org/licenses/by-nc-sa/4.0/ Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
TIEM V00070/2024 |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad Francisco de Paula Santander |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.place.spa.fl_str_mv |
San José de Cúcuta |
| dc.publisher.program.spa.fl_str_mv |
Ingeniería Electromecánica |
| dc.source.spa.fl_str_mv |
https://catalogobiblioteca.ufps.edu.co/cgi-bin/koha/opac-retrieve-file.pl?id=76da956c6c0f3ef0e56a96383fab6f26 |
| institution |
Universidad Francisco de Paula Santander |
| bitstream.url.fl_str_mv |
https://repositorio.ufps.edu.co/bitstreams/8d92bd81-1ba5-411f-a64c-8c7b2d9e8957/download https://repositorio.ufps.edu.co/bitstreams/02f262a2-0405-4fd2-849c-373a3bf14c47/download https://repositorio.ufps.edu.co/bitstreams/7fae7c23-6351-4512-a3dc-32372e450bdb/download https://repositorio.ufps.edu.co/bitstreams/bcb60e88-ce41-4e52-ac80-daeec2e72596/download |
| bitstream.checksum.fl_str_mv |
f3eaaac361aeff28348a2edffd7e98c3 2f9959eaf5b71fae44bbf9ec84150c7a 0456ae929fe74a966356b29c1192e5fa 0dffdf88ad5ab909fcc43f188ee074bb |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Universidad Francisco de Paula Santander |
| repository.mail.fl_str_mv |
bdigital@metabiblioteca.com |
| _version_ |
1851059571540361216 |
| spelling |
Sandoval Martínez, Gloria EsmeraldaTarazona Celis, Cristian LeonardoSandoval Alonso, Arley JoséCelis Yañez, Jonathan DavidUniversidad Francisco de Paula SantanderMoreno García, Francisco ErnestoFerreira Jaimes, JuliánFerreira Jaimes, Julianvirtual::3412-12025-03-10T15:20:09Z2025-03-10T15:20:09Z2024https://repositorio.ufps.edu.co/handle/ufps/9193TIEM V00070/2024Este trabajo de grado se enfocó en desarrollar un algoritmo basado en redes neuronales artificiales (ANN) para la clasificación y localización de fallas eléctricas en una microrred de prueba. La microrred de estudio es una red de distribución IEEE de 33 buses con generadores distribuidos ubicados estratégicamente. Se simularon fallas trifásicas, bifásicas a tierra, bifásicas y monofásicas a tierra en diferentes ubicaciones de las líneas y con diversas duraciones, esto empleando el software DigSILENT enlazado con Python. Tras extraer y procesar los datos mediante técnicas como la transformada Wavelet, se compararon optimizadores, funciones de activación y tamaños de baches para el posterior entrenamiento de los modelos, los cuales muestran una buena generalización con una exactitud del 99.24% y 98.99% en clasificación y 95.71% y 94% en localización, esto para los conjuntos de entrenamiento y validación, respectivamente. Además, se crea una interfaz de usuario para predecir el tipo y la ubicación de las fallas usando la data de prueba separada anteriormente con este propósito.1. Resumen ................................................................................................................... 1 2. Introducción ............................................................................................................ 2 3. Formulación del problema ...................................................................................... 4 4. Objetivos ................................................................................................................... 7 4.1. Objetivo General ............................................................................................... 7 4.2. Objetivos Especificos........................................................................................ 7 5. Justificación .............................................................................................................. 8 5.1 Impactos científicos y tecnológicos ..................................................................... 8 5.2 Impactos en productividad y competividad .......................................................... 9 5.3 Impactos en el medio ambiente y la sociedad ....................................................... 9 6. Alcance, Limitaciones y Delimitaciones ............................................................... 11 6.1. Alcance ........................................................................................................... 11 6.2. Limitaciones .................................................................................................... 11 6.3. Delimitaciones ................................................................................................ 11 7. Referentes teoricos ................................................................................................. 12 7.1. Antecedentes .................................................................................................... 12 7.2. Marco Teòrico .................................................................................................. 14 7.2.1 Sistemas Elèctricos de Potencia (sep) ........................................................ 14 7.2.1.1 Partes de un Sistema Elèctrico de Potencia ........................................ 15 7.2.1.2 Topologìas de Red .................................................................................... 19 7.2.1.3 Smart Grids .............................................................................................. 21 7.2.1.4 Micro Grid ............................................................................................... 23 7.2.2 Aprendizaje Autònomo ............................................................................. 23 7.2.2.1 Inteligencia Artificial ............................................................................... 23 7.2.2.2 Machine Learning ................................................................................. 24 7.2.2.3 Deep Learning ....................................................................................... 25 7.2.2.4 Redes Neuronales Artificiales (Artificial Neural Networks) ................ 25 7.2.2.5 Tipos de Deep Learning ........................................................................ 26 7.2.3 Extracciòn de caracterìsticas .................................................................... 27 7.2.3.1 Transformada de Fourier....................................................................... 28 7.2.3.2 Transformada Wavelet .......................................................................... 29 7.2.3.3 Diferencia entre la Transfomada Continua y Discreta de Wavelet ....... 30 7.2.3.4 Transformada Wavelet Packet .............................................................. 31 7.2.3.5 Familias Wavelet .................................................................................. 31 7.2.3.6 Softwares para el análisis de Sistemas Eléctricos de Potencia .............. 32 7.2.4 Lenguajes de programación para Machine Learning ................................ 32 7.3. Marco Legal ..................................................................................................... 32 7.3.1 NTC 2050................................................................................................... 33 7.3.2 NT-13 ......................................................................................................... 33 7.3.3 Ley 143-199 ............................................................................................... 33 7.3.4 Ley 2099-2021 ........................................................................................... 33 7.3.5 IEEE 1159 .................................................................................................. 34 7.3.6 IEEE 1366 .................................................................................................. 34 7.3.7 IEEE 2030 .................................................................................................. 34 7.3.8 IEEE 1547 .................................................................................................. 34 8. Diseño Metodologico .............................................................................................. 35 8.1. Fase 1 .............................................................................................................. 35 8.2. Fase 2 ............................................................................................................... 35 8.3. Fase 3 ............................................................................................................... 35 8.4. Fase 4 ............................................................................................................... 35 9. Resultados ............................................................................................................... 36 9.1. Clasificaciòn de fallas en un Sistema Electrico .............................................. 36 9.1.1 Fallas electricas simètricas ........................................................................ 36 9.1.2 Fallas electricas asimètricas ....................................................................... 38 9.2. Caracterizaciòn de la microrred en estudio ...................................................... 40 9.3. Clasificaciòn de redes neuronales existentes en la actualidad ....................... 45 9.3.1 Red neuronal .............................................................................................. 45 9.3.2 Perceptròn .................................................................................................. 46 9.3.3 Red neuronal de una sola capa ................................................................... 48 9.3.4 Red neuronal multicapa ............................................................................. 49 9.3.5 Red neuronal convolucional ...................................................................... 50 9.3.6 Red neuronal no recurrente ........................................................................ 51 9.3.7 Red neuronal recurrente ............................................................................. 51 9.3.8 Red neuronal totalmente conectada ........................................................... 52 9.3.8.1 Redes neuronales de propagaciòn hacia adelante .................................. 53 9.3.8.2 Redes neuronales de propagaciòn hacia atràs ........................................ 53 9.3.9 Red neuronal parcialmente conectada ....................................................... 53 9.4. Comparaciòn entre redes neuronales empleadas en clasificaciòn de eventos . 53 9.5. Extracciòn de las señales de voltaje y corriente de la microrred .................... 54 9.6. Extracciòn de datos empleando la Transformada Discreta de Wavelet ........... 61 9.7. Entrenamiento de los modelos de clasificaciòn y localizaciòn ....................... 65 9.7.1 Separaciòn de la data extraìda .................................................................... 66 9.7.2 Definiciòn de paràmetros de entrenamiento .............................................. 66 9.7.3 Entrenamiento del modelo de clasificaciòn de fallas ................................. 70 9.7.4 Entrenamiento del modelo de localizaciòn de fallas .................................. 72 9.7.5 Resultados de entrenamiento ..................................................................... 74 9.8. Implementaciòn de la interfaz de usuario ....................................................... 77 9.8.1 Pantalla principal ....................................................................................... 78 9.8.2 Pantalla de inicio de sesiòn ........................................................................ 81 10. Conclusiones ........................................................................................................... 83 11. Recomendaciones ................................................................................................... 86 12. Referencias bibliografica ...................................................................................... 87PregradoIngeniero(a) Electromecánico(a)TIEM V00070/2024application/pdfspaUniversidad Francisco de Paula SantanderFacultad de IngenieríaSan José de CúcutaIngeniería ElectromecánicaDerechos Reservados - Universidad Francisco de Paula Santander, 2024https://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccessAtribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)http://purl.org/coar/access_right/c_abf2https://catalogobiblioteca.ufps.edu.co/cgi-bin/koha/opac-retrieve-file.pl?id=76da956c6c0f3ef0e56a96383fab6f26Algoritmo de ubicación e identificación de fallas en una microrred ac basado en inteligencia artificialTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttps://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/version/c_970fb48d4fbd8a85Microrred eléctricaGeneradores distribuidosRedes neuronales artificialesClasificación y localización de fallas eléctricasAbanto Hurtado, M. A. (2010). Capacidad Para Soportar Cortocircuitos En Las Subestaciones Lima - 1 [Universidad nacional del centro del perú]. https://repositorio.uncp.edu.pe/handle/20.500.12894/3573Abubakar, J., & Abdulkareem, A. (2022). Critical review of fault detection, fault classification and fault location techniques for transmission network. Journal of Engineering Science and Technology Review, 15(2), 156–166. https://doi.org/10.25103/jestr.152.18Al Kharusi, K., El Haffar, A., & Mesbah, M. (2022). Fault detection and classification in transmission lines connected to inverter-based generators using machine learning. Energies, 15(15), 1–23. https://doi.org/10.3390/en15155475Alarcon, D. (2015). Implementación de un sistema de información para el monitoreo y control de unidades navales en Ttempo real. http://tesis.pucp.edu.pe/repositorio/bitstream/handle/123456789/1250/ROMANI_OJEDA_J OSE_COMUNICACION_MULTIMEDIA_HOSPITAL.pdf?sequence=1Arias, Y. (2019). Identificación de perturbaciones de la calidad del servicio. https://repositorio.uta.cl/xmlui/handle/20.500.14396/740Atencia, J. (2021). Sistema de localización de fallas basado en tecnologías de la información y comunicación TICs para el mejoramiento de la calidad del servicio de energía eléctrica del departamento del Atlántico. [Universidad del Norte]. https://manglar.uninorte.edu.co/handle/10584/10765#page=1Bautista, L. (2018). Identificación de 11 tipos de fallas en líneas de transmisión de alta tensión utilizando redes neuronales. https://repository.usta.edu.co/bitstream/handle/11634/12670/2018angiebautista.pdf?sequenc e=1&isAllowed=yBinz, R., & Bracho, R. (2019). A Report on the Implementation of Smart Grids in Mexico. National Renewable Energy Laboratory, January, 1–114. https://doi.org/https://doi.org/10.2172/1491446Bohórquez Muñoz, J. (2017). Implementación de técnica de Machine Learning para ubicación de fallas en sistemas de potencia. https://repositorio.uniandes.edu.co/handle/1992/61184Bohórquez Muñoz, J. (2018). Algoritmo de ubicación de fallas de un terminal basado en modelos de machine learning [UNIVERSIDAD DE LOS ANDES]. In Universidad de los Andes. https://repositorio.uniandes.edu.co/handle/1992/34971Bollen, M. H. J., & Gu, I. Y. H. (2005). Signal processing of power quality disturbances. In IEEE (Ed.), Signal Processing of Power Quality Disturbances. A JOHN WILEY & SONS, INC. https://doi.org/10.1002/0471931314Briñez Herrera, M. C. (2021). Formulación y comparación de cinco métodos para el análisis de flujo de potencia en sistemas de distribución AC en el software MATLAB. https://repository.udistrital.edu.co/bitstream/handle/11349/28761/HerreraBriñezMaríaCamil a2021.pdf?sequence=1&isAllowed=yBrownlee, J. (2020). How to Control the Stability of Training Neural Networks With the Batch Size. Machine Learning Mastery. https://machinelearningmastery.com/how-to-control-thespeed-and-stability-of-training-neural-networks-with-gradient-descent-batch-size/Caja Garcia, O. (2020). Librería Python para el aprendizaje y la implementación de redes neuronales. https://riunet.upv.es/bitstream/handle/10251/152226/Caja - Librería Python para el aprendizaje y la implementación de redes neuronales.pdf?sequence=1Cardona, J. (2021). Detección y clasificación de fallas eléctricas en sistemas de distribución de energía eléctrica mediante el uso de la transformada wavelet continua y funciones madre de soporte infinito [Universidad Nacional de Colombia]. https://repositorio.unal.edu.co/handle/unal/81652Choi, D., Shallue, C. J., Nado, Z., Lee, J., Maddison, C. J., & Dahl, G. E. (2020). On Empirical Comparisons of Optimizers for Deep Learning. 1, 1–27. http://arxiv.org/abs/1910.05446CHOLLET, F. (2018). Deep learning with python. In 2018 21st International Conference on Information Fusion, FUSION 2018. Manning Publications Co. https://doi.org/10.23919/ICIF.2018.8455530Constantinides, P., Rai, A., & Sarker, S. (2019). Next-generation digital platforms : Toward human-AI hybrids. MIS Quarterly, 43(February), 1–9. https://www.researchgate.net/publication/330909988_NextGeneration_Digital_Platforms_Toward_Human-AI_HybridsCooley, J. W., Lewis, P. A. W., & Welch, P. D. (1969). The fast fourier transform and its applications. IEEE Transactions on Education, 12(1), 27–34. https://doi.org/10.1109/TE.1969.4320436Corficolombiana. (2023). Informe perspectiva sectorial-energía actualidad del sector energético colombiano. https://investigaciones.corficolombiana.com/analisis-sectorial-ysostenibilidad/perspectiva-sectorial-energia/actualidad-del-sector-energeticocolombiano/informe_1290865#:~:text=La demanda acumulada durante el,acumulada fue de 74.116 GWh.Correa Arboleda, A. (2010). Localización de fallas de alta impedancia en líneas de transmisión para un estudio de caso mediante redes neuronales. In International Journal of Development and Management Review (Vol. 5, Issue 1). https://repositorio.unal.edu.co/bitstream/handle/unal/2911/1128465319.pdf?sequence=1&is Allowed=yCREG. (2008). Distribución de energía eléctrica. Distribución de Energía Eléctrica. https://www.ariae.org/sites/default/files/2017-05/distribucion_energ_electrica.pdfDaniil Naumetc. (2016). Building the artificial neural network environment. https://www.theseus.fi/handle/10024/123282De Prado, M. L. (2018). The 10 reasons most machine learning funds fail. Journal of Portfolio Management, 44(6), 120–133. https://doi.org/10.3905/jpm.2018.44.6.120Delgutte, B., & Greenberd, J. (2005). The discrete fourier transform. In Biomedical Signal and Image Processing (pp. 1–22). Massachusetts Institute of Technology. https://web.mit.edu/~gari/teaching/6.555/lectures/ch_DFT.pdfDíaz, C., & Hernández, J. (2010). Smart Grid: Las TICs y la modernización de las redes de energía eléctrica – Estado del Arte. Culturally Proficient Education: An Asset-Based Response to Conditions of Poverty, 161-Chapter xiii, 161 Pages. http://ezproxy.fiu.edu/login?url=https://search.proquest.com/docview/622196133?accountid =10901%0Ahttp://resolver.ebscohost.com/openurl?ctx_ver=Z39.882004&ctx_enc=info:ofi/enc:UTF8&rfr_id=info:sid/PsycINFO+&rft_val_fmt=info:ofi/fmt:kev:mtx:book&rft.genreEncalada Pihuave, N. K., & Guerrero Tonato, N. M. (2023). Coordinación De Protecciones En Sistemas Eléctricos De Distribución , Mediante El Uso De Relés Sel-751. https://dspace.ups.edu.ec/handle/123456789/24673Gamboa Gamboa, J. E., & Torres Rodríguez, A. I. (2020). Evaluación del desempeño de un método de localización de fallas en una red de distribución de media tensión con presencia de armónicos. https://ciencia.lasalle.edu.co/ing_electrica/588Ganan Gainza, A. S. (2019). Operación resiliente en redes de distribución eléctrica soterrada ante contingencias n-1 considerando criterios de calidad y confiabilidad. Universidad Politecnica Salesiana Sede Quito, 57. https://dspace.ups.edu.ec/bitstream/123456789/17662/1/UPS - ST004243.pdfGarcía Howell, D. (2021). ¿Estamos avanzando en la transición energética en América Latina?: Análisis y Consideraciones. Boletín Política, Comercial y Ambiental, 13, 5. www.kas.de/energie-klima-lateinamerika/García Montoya, C. A., López-Lezama, J. M., & Román, T. G. S. (2021). Cost estimation of Colombian electric power distribution by considering distributed photovoltaic generation. Informacion Tecnologica, 32(1), 79–88. https://doi.org/10.4067/S071807642021000100079Garzón, Y., & Tunarosa, F. (2013). Vista de smart grids y generación distribuida en colombia. 18. https://revistas.udistrital.edu.co/index.php/vinculos/article/view/6517/8048Gonen, T. (2006). Electric Power Distribution Engineering - Third Edition. In CRC Press Taylor and Francis Group (tercera, Vol. 1999, Issue December). Taylor & Francis Group, LLC.He, H., & Garcia, E. A. (2009). Learning from imbalanced data. IEEE Transactions on Knowledge and Data Engineering, 21(9), 1263–1284. https://doi.org/10.1109/TKDE.2008.239Hensman, P., & Masko, D. (2015). The Impact of Imbalanced Training Data for Convolutional Neural Networks. https://www.kth.se/social/files/588617ebf2765401cfcc478c/PHensmanDMasko_dkand15.p dfHossain, R., Shawkat, A., & Aman, T. (2013). Smart grids: Opportunities, developments, and trends. Green Energy and Technology, 132(July 2015). https://doi.org/10.1007/978-1-44715210-1Hossain, S., J, M., & Piesciorovsky, E. (2018). Microgrid fault location : challenges and solutions. Sandia National …, June. https://doi.org/10.13140/RG.2.2.34247.39842Hubana, T. (2020). Artificial Intelligence based Station Protection Concept for Medium Voltage Microgrids. 2020 19th International Symposium INFOTEH-JAHORINA, INFOTEH 2020 - Proceedings, March, 18–20. https://doi.org/10.1109/INFOTEH48170.2020.9066305Kerem, G. (2022). How to choose a programming language for a project? GeeksforGeeks. https://www.geeksforgeeks.org/how-to-choose-a-programming-language-for-a-project/Khokhar, S., Zin, A. A. M., Mokhtar, A. S., Ismail, N. A. M., & Zareen, N. (2013). Automatic classification of power quality disturbances: A review. Proceeding - 2013 IEEE Student Conference on Research and Development, SCOReD 2013, December, 427–432. https://doi.org/10.1109/SCOReD.2013.7002625Kim, P. (2017). MATLAB Deep Learning: With MacKim, P. (2017). MATLAB Deep Learning: With Machine Learning, Neural Networks and Artificial Intelligence. In Library of Congress Control Number. https://doi.org/10.1007/978-1-4842-2845-6hine Learning, Neural Networks and Arti. In Library of Congress Control Number. https://doi.org/https://doi.org/10.1007/978-1-4842-2845-6Kühl, N., Schemmer, M., Goutier, M., & Satzger, G. (2022). Artificial intelligence and machine learning. Electronic Markets, 32(4), 2235–2244. https://doi.org/10.1007/s12525-022-005980Kumar, Y., Devabhaktuni, V. K., & Vemuru, S. (2015). Comparison of power system simulation tools with load flow study cases. IEEE International Conference on Electro Information Technology, 2015-June, 290–294. https://doi.org/10.1109/EIT.2015.7293355Lecun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539Lenz, M., DDipl-Ing Drtechn Robert Schürhuber Betreuer, U.-P., & Dipl-Ing Alexander Rainer Graz, C.-B. (2020). Machine learning in network protection diplom-ingenieur [Graz University of Technology]. https://diglib.tugraz.at/download.php?id=60a4ea4f84884&location=browseLeón Paternina, T. S. (2017). Diseño e implementación de un método de localización de fallas de alta impedancia en líneas de transmisión de energía eléctrica aéreas basado en redes neuronales [Universidad Técnologica De Bolívar]. In Journal of Chemical Information and Modeling (Vol. 53, Issue 9). https://biblioteca.utb.edu.co/notas/tesis/0068194.pdfLópez, A., Ferrero, F., Yangüela, D., Álvarez, C., & Postolache, O. (2017). Development of a computer writing system based on EOG. Sensors (Switzerland), 17(7), 1–20. https://doi.org/10.3390/s17071505Luna, A. V. (2022). Análisis de una estrategia de protección de micro-redes basada en la aplicación de componentes superpuestas y la energía reactiva superpuestas. https://repositorio.utp.edu.co/server/api/core/bitstreams/3f566e77-314d-4995-b7935739e24a123f/contentMallat, S. (1999). A Wavelet Tour of Signal Processing (A. Press (ed.); 2nd ed.). Elsevier. https://doi.org/10.1016/b978-012466606-1/50004-0Mauricio, J. (2020). Herramienta computacional para el análisis de señales en sistemas de potencia con alta penetración de fuentes no convencionales de energía Johinner Mauricio Sanabria Villamizar [Universidad de La Salle]. https://repositorio.uta.cl/xmlui/handle/20.500.14396/740Méndez, T., & Eugenio, M. (2009). Planificación de un sistema de distribución eléctrico [Universidad de Sevilla]. https://biblus.us.es/bibing/proyectos/abreproy/70003/fichero/Trabajo+Fin+Master.pdfMerendes, K. (2020). Estado del Arte en la aplicación de técnicas de optimización basadas en Inteligencia Artificial en la Estimación de Estado de Redes Eléctricas de Potencia [Universidad Politécnica de Madrid]. https://oa.upm.es/63765/Moloi, K., Hamam, Y., & Jordaan, J. A. (2020). A support vector machine based technique for fault detection in a power distribution integrated system with renewable energy distributed generation. Advances in Science, Technology and Engineering Systems, 5(4), 577–588. https://doi.org/10.25046/AJ050468Morillo, E. (2014). Metodologia para detección,clasificación y Localización de Fallas en Rdes de Alta Tensión Usando Transformada Wavelet y Redes Neurales [Universidad Nacional de Río Cuarto]. https://repodigital.unrc.edu.ar/xmlui/bitstream/handle/123456789/74388/74388.pdf?sequenc e=1&isAllowed=yMorocho, J. (2022). Detección de fallas en redes de distribución radial basado en el método de diagnóstico de fallas en ramales y ratán das. https://dspace.ups.edu.ec/bitstream/123456789/23369/1/UPS - TTS990.pdfNasimba Medina, V., & Díaz Ocampo, E. (2020). Introducción a las líneas de transmisión. In Compás (primera, Vol. 1). https://www.ariae.org/sites/default/files/201705/distribucion_energ_electrica.pdfNejra, Č., Avdakovi, S., Hivziefendi, J., & Kobilica, A. (2019). A new approach for the fault identification, localization, and classification in the power system Nejra. Journal of Engg. Research, 7(June), 259–280. https://kuwaitjournals.org/jer/index.php/JER/article/view/6491/296Obi Tayo, B. (2020). CSV File Format in Data Science. Medium. https://pub.towardsai.net/csvfile-format-in-data-science-913a7a92f17fOkumus, H., & Nuroglu, F. M. (2021). A random forest-based approach for fault location detection in distribution systems. Electrical Engineering, 103(1), 257–264. https://doi.org/10.1007/s00202-020-01074-8Okumus, H., & Nuroğlu, F. M. (2019). Wavelet based fault detection and classification algorithm for a real distribution feeder. EMITTER International Journal of Engineering Technology, 7(1), 384–399. https://doi.org/10.24003/emitter.v7i1.382Osinergmin. (2017). La industria de la electricidad en el Perú: 25 años de aportes al crecimiento económico del país. In Perú fuente de energía natural. http://www.osinergmin.gob.pe/seccion/centro_documental/Institucional/Estudios_Economic os/Libros/Osinergmin-Industria-Electricidad-Peru-25anios.pdfPandey, B. (2022). How Do Neural Networks Make Decisions? A Look at Activation Functions Title. GoGlides. https://www.goglides.dev/bkpandey/how-do-neural-networks-makedecisions-a-look-at-activation-functions-141ePeña Becerra, L. F., & Esteban López, A. F. (2021). Proponer y evaluar de una estrategia de flujo óptimo de potencia en redes de corriente alterna para reducción de pérdidas de enérgia considerando la operación de paneles fotovoltaicos. In Angewandte Chemie International Edition, 6(11), 951–952. (Vol. 2). https://catalogobiblioteca.ufps.edu.co/cgi-bin/koha/opacdetail.pl?biblionumber=57350Pianeta Escudero, A. M. (2015). Modelo adaptativo de inteligencia artificial para detección selectiva de fallas de alta impedancia en líneas de transmisión de dos terminales de doble circuito. https://repository.upb.edu.co/handle/20.500.11912/3081Point, T. (2015). Artificial intelligence system. Robotics and Computer-Integrated Manufacturing, 3(4), 1–68. https://doi.org/10.1016/0736-5845(87)90065-2Pravos, L., & Castro, R. (2017). Análisis de flujos de carga para el análisis de redes de distribución. Implementación del algoritmo “ forward and backward .” In Ciencia e Ingeniería (Vol. 1). http://oa.upm.es/47864/1/TFG_LETICIA_PRAVOS_GARCIA.pdfQuintero, E. (2010). Desarrollo De Un Modelo Para La Localización De Fallas En Sistemas De Transmision De Energia Electrica Utilizando Tecnicas De Inteligencia Artificial [Universidad Nacional]. In Journal of Chemical Information and Modeling (Vol. 53, Issue 9). https://repositorio.unal.edu.co/handle/unal/69910Ranjan, R., Jindal, N., & Singh, A. K. (2020). Fractional S-Transform and its properties: A comprehensive survey. Wireless Personal Communications, 113(4), 2519–2541. https://doi.org/10.1007/s11277-020-07339-6Ray, P., & Mishra, D. P. (2016). Support vector machine based fault classification and location of a long transmission line. Engineering Science and Technology, an International Journal, 19(3), 1368–1380. https://doi.org/10.1016/j.jestch.2016.04.001Reddy, M. J. B., & Mohanta, D. K. (2008). Performance evaluation of an adaptive-networkbased fuzzy inference system approach for location of faults on transmission lines using Monte Carlo simulation. IEEE Transactions on Fuzzy Systems, 16(4), 909–919. https://doi.org/10.1109/TFUZZ.2008.924210Rivas Asanza, W., & Mazón Olivo, B. (2018). Redes neuronales artificiales aplicadas al reconocimiento de patrones. In Journal of Chemical Information and Modeling (UTMACH, Vol. 53, Issue 9). Universidad Técnica de Machala. http://repositorio.utmachala.edu.ec/bitstream/48000/14223/1/Cap.1-Generalidades de las redes neuronales artificiales.pdfSalazar, A., & Lozano, J. (2008). Configuración del sistema eléctrico colombiano y normas que rigen la calidad de potencia. In Journal of Chemical Information and Modeling (Vol. 53, Issue 9). https://repositorio.utb.edu.co/handle/20.500.12585/3330Sarathkumar, D., Srinivasan, M., Stonier, A. A., Samikannu, R., Dasari, N. R., & Raj, R. A. (2021). A technical review on self-healing control strategy for smart grid power systems. IOP Conference Series: Materials Science and Engineering, 1055(1), 012153. https://doi.org/10.1088/1757-899x/1055/1/012153Scott, N. (2016). Microgrids a guide to their Issues and Value. March, 54. https://www.hie.co.uk/media/5957/a-guide-to-microgrids.pdfSharma, P., Saini, D., & Saxena, A. (2016). Fault Detection and Classification in Transmission Line Using Wavelet Transform and ANN. Bulletin of Electrical Engineering and Informatics, 5(3), 284–295. https://doi.org/10.11591/eei.v5i3.537Silik, A., Noori, M., Altabey, W. A., Ghiasi, R., & Wu, Z. (2021). Comparative analysis of wavelet transform for time-frequency analysis and transient localization in structural health monitoring. SDHM Structural Durability and Health Monitoring, 15(1), 1–22. https://doi.org/10.32604/sdhm.2021.012751Stolojescu, C., Railean, I., Moga, S., & Isar, A. (2010). Comparison of wavelet families with application to WiMAX traffic forecasting. Proceedings of the International Conference on Optimisation of Electrical and Electronic Equipment, OPTIM, January 2014, 932–937. https://doi.org/10.1109/OPTIM.2010.5510403T. H. M., E.-F., & Abbey, C. (2009). On the compatibility of fault location approaches and distributed generationTitle. IEEE, 1–5. https://ieeexplore.ieee.org/abstract/document/5211209Tack, C. (2019). Artificial intelligence and machine learning | applications in real state. Musculoskeletal Science and Practice, 39, 164–169. https://doi.org/10.1016/j.msksp.2018.11.012Vijayapriya, T., & Kothari, D. P. (2011). Smart Grid: An Overview. Smart Grid and Renewable Energy, 02(04), 305–311. https://doi.org/10.4236/sgre.2011.24035Vita, V. (2016). Electricity distribution networks’ analysis with particular references to distributed generation and protection (Vol. 34, Issue 2019) [University of London Institutional Repository]. http://openaccess.city.ac.uk/1189/Zapata, C. J. (2011). Reliability of Electrical Power Systems. https://www.feis.unesp.br/Home/departamentos/engenhariaeletrica/lapsee/curso_2011_zapat a_2.pdfPublication08d9c032-a6d1-45d1-823b-9742cf178debvirtual::3412-108d9c032-a6d1-45d1-823b-9742cf178debvirtual::3412-1ORIGINALTG_1091664_1091717 .pdfTG_1091664_1091717 .pdfProyecto de Pregradoapplication/pdf4341705https://repositorio.ufps.edu.co/bitstreams/8d92bd81-1ba5-411f-a64c-8c7b2d9e8957/downloadf3eaaac361aeff28348a2edffd7e98c3MD51trueAnonymousREADLICENSElicense.txtlicense.txttext/plain; charset=utf-814828https://repositorio.ufps.edu.co/bitstreams/02f262a2-0405-4fd2-849c-373a3bf14c47/download2f9959eaf5b71fae44bbf9ec84150c7aMD52falseAnonymousREADTEXTTG_1091664_1091717 .pdf.txtTG_1091664_1091717 .pdf.txtExtracted texttext/plain134969https://repositorio.ufps.edu.co/bitstreams/7fae7c23-6351-4512-a3dc-32372e450bdb/download0456ae929fe74a966356b29c1192e5faMD53falseAnonymousREADTHUMBNAILTG_1091664_1091717 .pdf.jpgTG_1091664_1091717 .pdf.jpgGenerated Thumbnailimage/jpeg13430https://repositorio.ufps.edu.co/bitstreams/bcb60e88-ce41-4e52-ac80-daeec2e72596/download0dffdf88ad5ab909fcc43f188ee074bbMD54falseAnonymousREADufps/9193oai:repositorio.ufps.edu.co:ufps/91932025-11-25 08:43:59.91https://creativecommons.org/licenses/by-nc-sa/4.0/Derechos Reservados - Universidad Francisco de Paula Santander, 2024open.accesshttps://repositorio.ufps.edu.coRepositorio Universidad Francisco de Paula Santanderbdigital@metabiblioteca.comTEEgT0JSQSAoVEFMIFkgQ09NTyBTRSBERUZJTkUgTcOBUyBBREVMQU5URSkgU0UgT1RPUkdBIEJBSk8gTE9TIFRFUk1JTk9TIERFIEVTVEEgTElDRU5DSUEgUMOaQkxJQ0EgREUgQ1JFQVRJVkUgQ09NTU9OUyAo4oCcTFBDQ+KAnSBPIOKAnExJQ0VOQ0lB4oCdKS4gTEEgT0JSQSBFU1TDgSBQUk9URUdJREEgUE9SIERFUkVDSE9TIERFIEFVVE9SIFkvVSBPVFJBUyBMRVlFUyBBUExJQ0FCTEVTLiBRVUVEQSBQUk9ISUJJRE8gQ1VBTFFVSUVSIFVTTyBRVUUgU0UgSEFHQSBERSBMQSBPQlJBIFFVRSBOTyBDVUVOVEUgQ09OIExBIEFVVE9SSVpBQ0nDk04gUEVSVElORU5URSBERSBDT05GT1JNSURBRCBDT04gTE9TIFTDiVJNSU5PUyBERSBFU1RBIExJQ0VOQ0lBIFkgREUgTEEgTEVZIERFIERFUkVDSE8gREUgQVVUT1IuCgpNRURJQU5URSBFTCBFSkVSQ0lDSU8gREUgQ1VBTFFVSUVSQSBERSBMT1MgREVSRUNIT1MgUVVFIFNFIE9UT1JHQU4gRU4gRVNUQSBMSUNFTkNJQSwgVVNURUQgQUNFUFRBIFkgQUNVRVJEQSBRVUVEQVIgT0JMSUdBRE8gRU4gTE9TIFRFUk1JTk9TIFFVRSBTRSBTRcORQUxBTiBFTiBFTExBLiBFTCBMSUNFTkNJQU5URSBDT05DRURFIEEgVVNURUQgTE9TIERFUkVDSE9TIENPTlRFTklET1MgRU4gRVNUQSBMSUNFTkNJQSBDT05ESUNJT05BRE9TIEEgTEEgQUNFUFRBQ0nDk04gREUgU1VTIFRFUk1JTk9TIFkgQ09ORElDSU9ORVMuCjEuIERlZmluaWNpb25lcwoKYS4JT2JyYSBDb2xlY3RpdmEgZXMgdW5hIG9icmEsIHRhbCBjb21vIHVuYSBwdWJsaWNhY2nDs24gcGVyacOzZGljYSwgdW5hIGFudG9sb2fDrWEsIG8gdW5hIGVuY2ljbG9wZWRpYSwgZW4gbGEgcXVlIGxhIG9icmEgZW4gc3UgdG90YWxpZGFkLCBzaW4gbW9kaWZpY2FjacOzbiBhbGd1bmEsIGp1bnRvIGNvbiB1biBncnVwbyBkZSBvdHJhcyBjb250cmlidWNpb25lcyBxdWUgY29uc3RpdHV5ZW4gb2JyYXMgc2VwYXJhZGFzIGUgaW5kZXBlbmRpZW50ZXMgZW4gc8OtIG1pc21hcywgc2UgaW50ZWdyYW4gZW4gdW4gdG9kbyBjb2xlY3Rpdm8uIFVuYSBPYnJhIHF1ZSBjb25zdGl0dXllIHVuYSBvYnJhIGNvbGVjdGl2YSBubyBzZSBjb25zaWRlcmFyw6EgdW5hIE9icmEgRGVyaXZhZGEgKGNvbW8gc2UgZGVmaW5lIGFiYWpvKSBwYXJhIGxvcyBwcm9ww7NzaXRvcyBkZSBlc3RhIGxpY2VuY2lhLiBhcXVlbGxhIHByb2R1Y2lkYSBwb3IgdW4gZ3J1cG8gZGUgYXV0b3JlcywgZW4gcXVlIGxhIE9icmEgc2UgZW5jdWVudHJhIHNpbiBtb2RpZmljYWNpb25lcywganVudG8gY29uIHVuYSBjaWVydGEgY2FudGlkYWQgZGUgb3RyYXMgY29udHJpYnVjaW9uZXMsIHF1ZSBjb25zdGl0dXllbiBlbiBzw60gbWlzbW9zIHRyYWJham9zIHNlcGFyYWRvcyBlIGluZGVwZW5kaWVudGVzLCBxdWUgc29uIGludGVncmFkb3MgYWwgdG9kbyBjb2xlY3Rpdm8sIHRhbGVzIGNvbW8gcHVibGljYWNpb25lcyBwZXJpw7NkaWNhcywgYW50b2xvZ8OtYXMgbyBlbmNpY2xvcGVkaWFzLgoKYi4JT2JyYSBEZXJpdmFkYSBzaWduaWZpY2EgdW5hIG9icmEgYmFzYWRhIGVuIGxhIG9icmEgb2JqZXRvIGRlIGVzdGEgbGljZW5jaWEgbyBlbiDDqXN0YSB5IG90cmFzIG9icmFzIHByZWV4aXN0ZW50ZXMsIHRhbGVzIGNvbW8gdHJhZHVjY2lvbmVzLCBhcnJlZ2xvcyBtdXNpY2FsZXMsIGRyYW1hdGl6YWNpb25lcywg4oCcZmljY2lvbmFsaXphY2lvbmVz4oCdLCB2ZXJzaW9uZXMgcGFyYSBjaW5lLCDigJxncmFiYWNpb25lcyBkZSBzb25pZG/igJ0sIHJlcHJvZHVjY2lvbmVzIGRlIGFydGUsIHJlc8O6bWVuZXMsIGNvbmRlbnNhY2lvbmVzLCBvIGN1YWxxdWllciBvdHJhIGVuIGxhIHF1ZSBsYSBvYnJhIHB1ZWRhIHNlciB0cmFuc2Zvcm1hZGEsIGNhbWJpYWRhIG8gYWRhcHRhZGEsIGV4Y2VwdG8gYXF1ZWxsYXMgcXVlIGNvbnN0aXR1eWFuIHVuYSBvYnJhIGNvbGVjdGl2YSwgbGFzIHF1ZSBubyBzZXLDoW4gY29uc2lkZXJhZGFzIHVuYSBvYnJhIGRlcml2YWRhIHBhcmEgZWZlY3RvcyBkZSBlc3RhIGxpY2VuY2lhLiAoUGFyYSBldml0YXIgZHVkYXMsIGVuIGVsIGNhc28gZGUgcXVlIGxhIE9icmEgc2VhIHVuYSBjb21wb3NpY2nDs24gbXVzaWNhbCBvIHVuYSBncmFiYWNpw7NuIHNvbm9yYSwgcGFyYSBsb3MgZWZlY3RvcyBkZSBlc3RhIExpY2VuY2lhIGxhIHNpbmNyb25pemFjacOzbiB0ZW1wb3JhbCBkZSBsYSBPYnJhIGNvbiB1bmEgaW1hZ2VuIGVuIG1vdmltaWVudG8gc2UgY29uc2lkZXJhcsOhIHVuYSBPYnJhIERlcml2YWRhIHBhcmEgbG9zIGZpbmVzIGRlIGVzdGEgbGljZW5jaWEpLgoKYy4JTGljZW5jaWFudGUsIGVzIGVsIGluZGl2aWR1byBvIGxhIGVudGlkYWQgdGl0dWxhciBkZSBsb3MgZGVyZWNob3MgZGUgYXV0b3IgcXVlIG9mcmVjZSBsYSBPYnJhIGVuIGNvbmZvcm1pZGFkIGNvbiBsYXMgY29uZGljaW9uZXMgZGUgZXN0YSBMaWNlbmNpYS4KCmQuCUF1dG9yIG9yaWdpbmFsLCBlcyBlbCBpbmRpdmlkdW8gcXVlIGNyZcOzIGxhIE9icmEuCgplLglPYnJhLCBlcyBhcXVlbGxhIG9icmEgc3VzY2VwdGlibGUgZGUgcHJvdGVjY2nDs24gcG9yIGVsIHLDqWdpbWVuIGRlIERlcmVjaG8gZGUgQXV0b3IgeSBxdWUgZXMgb2ZyZWNpZGEgZW4gbG9zIHTDqXJtaW5vcyBkZSBlc3RhIGxpY2VuY2lhCgpmLglVc3RlZCwgZXMgZWwgaW5kaXZpZHVvIG8gbGEgZW50aWRhZCBxdWUgZWplcmNpdGEgbG9zIGRlcmVjaG9zIG90b3JnYWRvcyBhbCBhbXBhcm8gZGUgZXN0YSBMaWNlbmNpYSB5IHF1ZSBjb24gYW50ZXJpb3JpZGFkIG5vIGhhIHZpb2xhZG8gbGFzIGNvbmRpY2lvbmVzIGRlIGxhIG1pc21hIHJlc3BlY3RvIGEgbGEgT2JyYSwgbyBxdWUgaGF5YSBvYnRlbmlkbyBhdXRvcml6YWNpw7NuIGV4cHJlc2EgcG9yIHBhcnRlIGRlbCBMaWNlbmNpYW50ZSBwYXJhIGVqZXJjZXIgbG9zIGRlcmVjaG9zIGFsIGFtcGFybyBkZSBlc3RhIExpY2VuY2lhIHBlc2UgYSB1bmEgdmlvbGFjacOzbiBhbnRlcmlvci4KCjIuIERlcmVjaG9zIGRlIFVzb3MgSG9ucmFkb3MgeSBleGNlcGNpb25lcyBMZWdhbGVzLgpOYWRhIGVuIGVzdGEgTGljZW5jaWEgcG9kcsOhIHNlciBpbnRlcnByZXRhZG8gY29tbyB1bmEgZGlzbWludWNpw7NuLCBsaW1pdGFjacOzbiBvIHJlc3RyaWNjacOzbiBkZSBsb3MgZGVyZWNob3MgZGVyaXZhZG9zIGRlbCB1c28gaG9ucmFkbyB5IG90cmFzIGxpbWl0YWNpb25lcyBvIGV4Y2VwY2lvbmVzIGEgbG9zIGRlcmVjaG9zIGRlbCBhdXRvciBiYWpvIGVsIHLDqWdpbWVuIGxlZ2FsIHZpZ2VudGUgbyBkZXJpdmFkbyBkZSBjdWFscXVpZXIgb3RyYSBub3JtYSBxdWUgc2UgbGUgYXBsaXF1ZS4KCjMuIENvbmNlc2nDs24gZGUgbGEgTGljZW5jaWEuCkJham8gbG9zIHTDqXJtaW5vcyB5IGNvbmRpY2lvbmVzIGRlIGVzdGEgTGljZW5jaWEsIGVsIExpY2VuY2lhbnRlIG90b3JnYSBhIFVzdGVkIHVuYSBsaWNlbmNpYSBtdW5kaWFsLCBsaWJyZSBkZSByZWdhbMOtYXMsIG5vIGV4Y2x1c2l2YSB5IHBlcnBldHVhIChkdXJhbnRlIHRvZG8gZWwgcGVyw61vZG8gZGUgdmlnZW5jaWEgZGUgbG9zIGRlcmVjaG9zIGRlIGF1dG9yKSBwYXJhIGVqZXJjZXIgZXN0b3MgZGVyZWNob3Mgc29icmUgbGEgT2JyYSB0YWwgeSBjb21vIHNlIGluZGljYSBhIGNvbnRpbnVhY2nDs246CgphLglSZXByb2R1Y2lyIGxhIE9icmEsIGluY29ycG9yYXIgbGEgT2JyYSBlbiB1bmEgbyBtw6FzIE9icmFzIENvbGVjdGl2YXMsIHkgcmVwcm9kdWNpciBsYSBPYnJhIGluY29ycG9yYWRhIGVuIGxhcyBPYnJhcyBDb2xlY3RpdmFzLgoKYi4JRGlzdHJpYnVpciBjb3BpYXMgbyBmb25vZ3JhbWFzIGRlIGxhcyBPYnJhcywgZXhoaWJpcmxhcyBww7pibGljYW1lbnRlLCBlamVjdXRhcmxhcyBww7pibGljYW1lbnRlIHkvbyBwb25lcmxhcyBhIGRpc3Bvc2ljacOzbiBww7pibGljYSwgaW5jbHV5w6luZG9sYXMgY29tbyBpbmNvcnBvcmFkYXMgZW4gT2JyYXMgQ29sZWN0aXZhcywgc2Vnw7puIGNvcnJlc3BvbmRhLgoKYy4JRGlzdHJpYnVpciBjb3BpYXMgZGUgbGFzIE9icmFzIERlcml2YWRhcyBxdWUgc2UgZ2VuZXJlbiwgZXhoaWJpcmxhcyBww7pibGljYW1lbnRlLCBlamVjdXRhcmxhcyBww7pibGljYW1lbnRlIHkvbyBwb25lcmxhcyBhIGRpc3Bvc2ljacOzbiBww7pibGljYS4KTG9zIGRlcmVjaG9zIG1lbmNpb25hZG9zIGFudGVyaW9ybWVudGUgcHVlZGVuIHNlciBlamVyY2lkb3MgZW4gdG9kb3MgbG9zIG1lZGlvcyB5IGZvcm1hdG9zLCBhY3R1YWxtZW50ZSBjb25vY2lkb3MgbyBxdWUgc2UgaW52ZW50ZW4gZW4gZWwgZnV0dXJvLiBMb3MgZGVyZWNob3MgYW50ZXMgbWVuY2lvbmFkb3MgaW5jbHV5ZW4gZWwgZGVyZWNobyBhIHJlYWxpemFyIGRpY2hhcyBtb2RpZmljYWNpb25lcyBlbiBsYSBtZWRpZGEgcXVlIHNlYW4gdMOpY25pY2FtZW50ZSBuZWNlc2FyaWFzIHBhcmEgZWplcmNlciBsb3MgZGVyZWNob3MgZW4gb3RybyBtZWRpbyBvIGZvcm1hdG9zLCBwZXJvIGRlIG90cmEgbWFuZXJhIHVzdGVkIG5vIGVzdMOhIGF1dG9yaXphZG8gcGFyYSByZWFsaXphciBvYnJhcyBkZXJpdmFkYXMuIFRvZG9zIGxvcyBkZXJlY2hvcyBubyBvdG9yZ2Fkb3MgZXhwcmVzYW1lbnRlIHBvciBlbCBMaWNlbmNpYW50ZSBxdWVkYW4gcG9yIGVzdGUgbWVkaW8gcmVzZXJ2YWRvcywgaW5jbHV5ZW5kbyBwZXJvIHNpbiBsaW1pdGFyc2UgYSBhcXVlbGxvcyBxdWUgc2UgbWVuY2lvbmFuIGVuIGxhcyBzZWNjaW9uZXMgNChkKSB5IDQoZSkuCgo0LiBSZXN0cmljY2lvbmVzLgpMYSBsaWNlbmNpYSBvdG9yZ2FkYSBlbiBsYSBhbnRlcmlvciBTZWNjacOzbiAzIGVzdMOhIGV4cHJlc2FtZW50ZSBzdWpldGEgeSBsaW1pdGFkYSBwb3IgbGFzIHNpZ3VpZW50ZXMgcmVzdHJpY2Npb25lczoKCmEuCVVzdGVkIHB1ZWRlIGRpc3RyaWJ1aXIsIGV4aGliaXIgcMO6YmxpY2FtZW50ZSwgZWplY3V0YXIgcMO6YmxpY2FtZW50ZSwgbyBwb25lciBhIGRpc3Bvc2ljacOzbiBww7pibGljYSBsYSBPYnJhIHPDs2xvIGJham8gbGFzIGNvbmRpY2lvbmVzIGRlIGVzdGEgTGljZW5jaWEsIHkgVXN0ZWQgZGViZSBpbmNsdWlyIHVuYSBjb3BpYSBkZSBlc3RhIGxpY2VuY2lhIG8gZGVsIElkZW50aWZpY2Fkb3IgVW5pdmVyc2FsIGRlIFJlY3Vyc29zIGRlIGxhIG1pc21hIGNvbiBjYWRhIGNvcGlhIGRlIGxhIE9icmEgcXVlIGRpc3RyaWJ1eWEsIGV4aGliYSBww7pibGljYW1lbnRlLCBlamVjdXRlIHDDumJsaWNhbWVudGUgbyBwb25nYSBhIGRpc3Bvc2ljacOzbiBww7pibGljYS4gTm8gZXMgcG9zaWJsZSBvZnJlY2VyIG8gaW1wb25lciBuaW5ndW5hIGNvbmRpY2nDs24gc29icmUgbGEgT2JyYSBxdWUgYWx0ZXJlIG8gbGltaXRlIGxhcyBjb25kaWNpb25lcyBkZSBlc3RhIExpY2VuY2lhIG8gZWwgZWplcmNpY2lvIGRlIGxvcyBkZXJlY2hvcyBkZSBsb3MgZGVzdGluYXRhcmlvcyBvdG9yZ2Fkb3MgZW4gZXN0ZSBkb2N1bWVudG8uIE5vIGVzIHBvc2libGUgc3VibGljZW5jaWFyIGxhIE9icmEuIFVzdGVkIGRlYmUgbWFudGVuZXIgaW50YWN0b3MgdG9kb3MgbG9zIGF2aXNvcyBxdWUgaGFnYW4gcmVmZXJlbmNpYSBhIGVzdGEgTGljZW5jaWEgeSBhIGxhIGNsw6F1c3VsYSBkZSBsaW1pdGFjacOzbiBkZSBnYXJhbnTDrWFzLiBVc3RlZCBubyBwdWVkZSBkaXN0cmlidWlyLCBleGhpYmlyIHDDumJsaWNhbWVudGUsIGVqZWN1dGFyIHDDumJsaWNhbWVudGUsIG8gcG9uZXIgYSBkaXNwb3NpY2nDs24gcMO6YmxpY2EgbGEgT2JyYSBjb24gYWxndW5hIG1lZGlkYSB0ZWNub2zDs2dpY2EgcXVlIGNvbnRyb2xlIGVsIGFjY2VzbyBvIGxhIHV0aWxpemFjacOzbiBkZSBlbGxhIGRlIHVuYSBmb3JtYSBxdWUgc2VhIGluY29uc2lzdGVudGUgY29uIGxhcyBjb25kaWNpb25lcyBkZSBlc3RhIExpY2VuY2lhLiBMbyBhbnRlcmlvciBzZSBhcGxpY2EgYSBsYSBPYnJhIGluY29ycG9yYWRhIGEgdW5hIE9icmEgQ29sZWN0aXZhLCBwZXJvIGVzdG8gbm8gZXhpZ2UgcXVlIGxhIE9icmEgQ29sZWN0aXZhIGFwYXJ0ZSBkZSBsYSBvYnJhIG1pc21hIHF1ZWRlIHN1amV0YSBhIGxhcyBjb25kaWNpb25lcyBkZSBlc3RhIExpY2VuY2lhLiBTaSBVc3RlZCBjcmVhIHVuYSBPYnJhIENvbGVjdGl2YSwgcHJldmlvIGF2aXNvIGRlIGN1YWxxdWllciBMaWNlbmNpYW50ZSBkZWJlLCBlbiBsYSBtZWRpZGEgZGUgbG8gcG9zaWJsZSwgZWxpbWluYXIgZGUgbGEgT2JyYSBDb2xlY3RpdmEgY3VhbHF1aWVyIHJlZmVyZW5jaWEgYSBkaWNobyBMaWNlbmNpYW50ZSBvIGFsIEF1dG9yIE9yaWdpbmFsLCBzZWfDum4gbG8gc29saWNpdGFkbyBwb3IgZWwgTGljZW5jaWFudGUgeSBjb25mb3JtZSBsbyBleGlnZSBsYSBjbMOhdXN1bGEgNChjKS4KCmIuCVVzdGVkIG5vIHB1ZWRlIGVqZXJjZXIgbmluZ3VubyBkZSBsb3MgZGVyZWNob3MgcXVlIGxlIGhhbiBzaWRvIG90b3JnYWRvcyBlbiBsYSBTZWNjacOzbiAzIHByZWNlZGVudGUgZGUgbW9kbyBxdWUgZXN0w6luIHByaW5jaXBhbG1lbnRlIGRlc3RpbmFkb3MgbyBkaXJlY3RhbWVudGUgZGlyaWdpZG9zIGEgY29uc2VndWlyIHVuIHByb3ZlY2hvIGNvbWVyY2lhbCBvIHVuYSBjb21wZW5zYWNpw7NuIG1vbmV0YXJpYSBwcml2YWRhLiBFbCBpbnRlcmNhbWJpbyBkZSBsYSBPYnJhIHBvciBvdHJhcyBvYnJhcyBwcm90ZWdpZGFzIHBvciBkZXJlY2hvcyBkZSBhdXRvciwgeWEgc2VhIGEgdHJhdsOpcyBkZSB1biBzaXN0ZW1hIHBhcmEgY29tcGFydGlyIGFyY2hpdm9zIGRpZ2l0YWxlcyAoZGlnaXRhbCBmaWxlLXNoYXJpbmcpIG8gZGUgY3VhbHF1aWVyIG90cmEgbWFuZXJhIG5vIHNlcsOhIGNvbnNpZGVyYWRvIGNvbW8gZXN0YXIgZGVzdGluYWRvIHByaW5jaXBhbG1lbnRlIG8gZGlyaWdpZG8gZGlyZWN0YW1lbnRlIGEgY29uc2VndWlyIHVuIHByb3ZlY2hvIGNvbWVyY2lhbCBvIHVuYSBjb21wZW5zYWNpw7NuIG1vbmV0YXJpYSBwcml2YWRhLCBzaWVtcHJlIHF1ZSBubyBzZSByZWFsaWNlIHVuIHBhZ28gbWVkaWFudGUgdW5hIGNvbXBlbnNhY2nDs24gbW9uZXRhcmlhIGVuIHJlbGFjacOzbiBjb24gZWwgaW50ZXJjYW1iaW8gZGUgb2JyYXMgcHJvdGVnaWRhcyBwb3IgZWwgZGVyZWNobyBkZSBhdXRvci4KCmMuCVNpIHVzdGVkIGRpc3RyaWJ1eWUsIGV4aGliZSBww7pibGljYW1lbnRlLCBlamVjdXRhIHDDumJsaWNhbWVudGUgbyBlamVjdXRhIHDDumJsaWNhbWVudGUgZW4gZm9ybWEgZGlnaXRhbCBsYSBPYnJhIG8gY3VhbHF1aWVyIE9icmEgRGVyaXZhZGEgdSBPYnJhIENvbGVjdGl2YSwgVXN0ZWQgZGViZSBtYW50ZW5lciBpbnRhY3RhIHRvZGEgbGEgaW5mb3JtYWNpw7NuIGRlIGRlcmVjaG8gZGUgYXV0b3IgZGUgbGEgT2JyYSB5IHByb3BvcmNpb25hciwgZGUgZm9ybWEgcmF6b25hYmxlIHNlZ8O6biBlbCBtZWRpbyBvIG1hbmVyYSBxdWUgVXN0ZWQgZXN0w6kgdXRpbGl6YW5kbzogKGkpIGVsIG5vbWJyZSBkZWwgQXV0b3IgT3JpZ2luYWwgc2kgZXN0w6EgcHJvdmlzdG8gKG8gc2V1ZMOzbmltbywgc2kgZnVlcmUgYXBsaWNhYmxlKSwgeS9vIChpaSkgZWwgbm9tYnJlIGRlIGxhIHBhcnRlIG8gbGFzIHBhcnRlcyBxdWUgZWwgQXV0b3IgT3JpZ2luYWwgeS9vIGVsIExpY2VuY2lhbnRlIGh1YmllcmVuIGRlc2lnbmFkbyBwYXJhIGxhIGF0cmlidWNpw7NuICh2LmcuLCB1biBpbnN0aXR1dG8gcGF0cm9jaW5hZG9yLCBlZGl0b3JpYWwsIHB1YmxpY2FjacOzbikgZW4gbGEgaW5mb3JtYWNpw7NuIGRlIGxvcyBkZXJlY2hvcyBkZSBhdXRvciBkZWwgTGljZW5jaWFudGUsIHTDqXJtaW5vcyBkZSBzZXJ2aWNpb3MgbyBkZSBvdHJhcyBmb3JtYXMgcmF6b25hYmxlczsgZWwgdMOtdHVsbyBkZSBsYSBPYnJhIHNpIGVzdMOhIHByb3Zpc3RvOyBlbiBsYSBtZWRpZGEgZGUgbG8gcmF6b25hYmxlbWVudGUgZmFjdGlibGUgeSwgc2kgZXN0w6EgcHJvdmlzdG8sIGVsIElkZW50aWZpY2Fkb3IgVW5pZm9ybWUgZGUgUmVjdXJzb3MgKFVuaWZvcm0gUmVzb3VyY2UgSWRlbnRpZmllcikgcXVlIGVsIExpY2VuY2lhbnRlIGVzcGVjaWZpY2EgcGFyYSBzZXIgYXNvY2lhZG8gY29uIGxhIE9icmEsIHNhbHZvIHF1ZSB0YWwgVVJJIG5vIHNlIHJlZmllcmEgYSBsYSBub3RhIHNvYnJlIGxvcyBkZXJlY2hvcyBkZSBhdXRvciBvIGEgbGEgaW5mb3JtYWNpw7NuIHNvYnJlIGVsIGxpY2VuY2lhbWllbnRvIGRlIGxhIE9icmE7IHkgZW4gZWwgY2FzbyBkZSB1bmEgT2JyYSBEZXJpdmFkYSwgYXRyaWJ1aXIgZWwgY3LDqWRpdG8gaWRlbnRpZmljYW5kbyBlbCB1c28gZGUgbGEgT2JyYSBlbiBsYSBPYnJhIERlcml2YWRhICh2LmcuLCAiVHJhZHVjY2nDs24gRnJhbmNlc2EgZGUgbGEgT2JyYSBkZWwgQXV0b3IgT3JpZ2luYWwsIiBvICJHdWnDs24gQ2luZW1hdG9ncsOhZmljbyBiYXNhZG8gZW4gbGEgT2JyYSBvcmlnaW5hbCBkZWwgQXV0b3IgT3JpZ2luYWwiKS4gVGFsIGNyw6lkaXRvIHB1ZWRlIHNlciBpbXBsZW1lbnRhZG8gZGUgY3VhbHF1aWVyIGZvcm1hIHJhem9uYWJsZTsgZW4gZWwgY2Fzbywgc2luIGVtYmFyZ28sIGRlIE9icmFzIERlcml2YWRhcyB1IE9icmFzIENvbGVjdGl2YXMsIHRhbCBjcsOpZGl0byBhcGFyZWNlcsOhLCBjb21vIG3DrW5pbW8sIGRvbmRlIGFwYXJlY2UgZWwgY3LDqWRpdG8gZGUgY3VhbHF1aWVyIG90cm8gYXV0b3IgY29tcGFyYWJsZSB5IGRlIHVuYSBtYW5lcmEsIGFsIG1lbm9zLCB0YW4gZGVzdGFjYWRhIGNvbW8gZWwgY3LDqWRpdG8gZGUgb3RybyBhdXRvciBjb21wYXJhYmxlLgoKZC4JUGFyYSBldml0YXIgdG9kYSBjb25mdXNpw7NuLCBlbCBMaWNlbmNpYW50ZSBhY2xhcmEgcXVlLCBjdWFuZG8gbGEgb2JyYSBlcyB1bmEgY29tcG9zaWNpw7NuIG11c2ljYWw6CgppLglSZWdhbMOtYXMgcG9yIGludGVycHJldGFjacOzbiB5IGVqZWN1Y2nDs24gYmFqbyBsaWNlbmNpYXMgZ2VuZXJhbGVzLiBFbCBMaWNlbmNpYW50ZSBzZSByZXNlcnZhIGVsIGRlcmVjaG8gZXhjbHVzaXZvIGRlIGF1dG9yaXphciBsYSBlamVjdWNpw7NuIHDDumJsaWNhIG8gbGEgZWplY3VjacOzbiBww7pibGljYSBkaWdpdGFsIGRlIGxhIG9icmEgeSBkZSByZWNvbGVjdGFyLCBzZWEgaW5kaXZpZHVhbG1lbnRlIG8gYSB0cmF2w6lzIGRlIHVuYSBzb2NpZWRhZCBkZSBnZXN0acOzbiBjb2xlY3RpdmEgZGUgZGVyZWNob3MgZGUgYXV0b3IgeSBkZXJlY2hvcyBjb25leG9zIChwb3IgZWplbXBsbywgU0FZQ08pLCBsYXMgcmVnYWzDrWFzIHBvciBsYSBlamVjdWNpw7NuIHDDumJsaWNhIG8gcG9yIGxhIGVqZWN1Y2nDs24gcMO6YmxpY2EgZGlnaXRhbCBkZSBsYSBvYnJhIChwb3IgZWplbXBsbyBXZWJjYXN0KSBsaWNlbmNpYWRhIGJham8gbGljZW5jaWFzIGdlbmVyYWxlcywgc2kgbGEgaW50ZXJwcmV0YWNpw7NuIG8gZWplY3VjacOzbiBkZSBsYSBvYnJhIGVzdMOhIHByaW1vcmRpYWxtZW50ZSBvcmllbnRhZGEgcG9yIG8gZGlyaWdpZGEgYSBsYSBvYnRlbmNpw7NuIGRlIHVuYSB2ZW50YWphIGNvbWVyY2lhbCBvIHVuYSBjb21wZW5zYWNpw7NuIG1vbmV0YXJpYSBwcml2YWRhLgoKaWkuCVJlZ2Fsw61hcyBwb3IgRm9ub2dyYW1hcy4gRWwgTGljZW5jaWFudGUgc2UgcmVzZXJ2YSBlbCBkZXJlY2hvIGV4Y2x1c2l2byBkZSByZWNvbGVjdGFyLCBpbmRpdmlkdWFsbWVudGUgbyBhIHRyYXbDqXMgZGUgdW5hIHNvY2llZGFkIGRlIGdlc3Rpw7NuIGNvbGVjdGl2YSBkZSBkZXJlY2hvcyBkZSBhdXRvciB5IGRlcmVjaG9zIGNvbmV4b3MgKHBvciBlamVtcGxvLCBsb3MgY29uc2FncmFkb3MgcG9yIGxhIFNBWUNPKSwgdW5hIGFnZW5jaWEgZGUgZGVyZWNob3MgbXVzaWNhbGVzIG8gYWxnw7puIGFnZW50ZSBkZXNpZ25hZG8sIGxhcyByZWdhbMOtYXMgcG9yIGN1YWxxdWllciBmb25vZ3JhbWEgcXVlIFVzdGVkIGNyZWUgYSBwYXJ0aXIgZGUgbGEgb2JyYSAo4oCcdmVyc2nDs24gY292ZXLigJ0pIHkgZGlzdHJpYnV5YSwgZW4gbG9zIHTDqXJtaW5vcyBkZWwgcsOpZ2ltZW4gZGUgZGVyZWNob3MgZGUgYXV0b3IsIHNpIGxhIGNyZWFjacOzbiBvIGRpc3RyaWJ1Y2nDs24gZGUgZXNhIHZlcnNpw7NuIGNvdmVyIGVzdMOhIHByaW1vcmRpYWxtZW50ZSBkZXN0aW5hZGEgbyBkaXJpZ2lkYSBhIG9idGVuZXIgdW5hIHZlbnRhamEgY29tZXJjaWFsIG8gdW5hIGNvbXBlbnNhY2nDs24gbW9uZXRhcmlhIHByaXZhZGEuCgplLglHZXN0acOzbiBkZSBEZXJlY2hvcyBkZSBBdXRvciBzb2JyZSBJbnRlcnByZXRhY2lvbmVzIHkgRWplY3VjaW9uZXMgRGlnaXRhbGVzIChXZWJDYXN0aW5nKS4gUGFyYSBldml0YXIgdG9kYSBjb25mdXNpw7NuLCBlbCBMaWNlbmNpYW50ZSBhY2xhcmEgcXVlLCBjdWFuZG8gbGEgb2JyYSBzZWEgdW4gZm9ub2dyYW1hLCBlbCBMaWNlbmNpYW50ZSBzZSByZXNlcnZhIGVsIGRlcmVjaG8gZXhjbHVzaXZvIGRlIGF1dG9yaXphciBsYSBlamVjdWNpw7NuIHDDumJsaWNhIGRpZ2l0YWwgZGUgbGEgb2JyYSAocG9yIGVqZW1wbG8sIHdlYmNhc3QpIHkgZGUgcmVjb2xlY3RhciwgaW5kaXZpZHVhbG1lbnRlIG8gYSB0cmF2w6lzIGRlIHVuYSBzb2NpZWRhZCBkZSBnZXN0acOzbiBjb2xlY3RpdmEgZGUgZGVyZWNob3MgZGUgYXV0b3IgeSBkZXJlY2hvcyBjb25leG9zIChwb3IgZWplbXBsbywgQUNJTlBSTyksIGxhcyByZWdhbMOtYXMgcG9yIGxhIGVqZWN1Y2nDs24gcMO6YmxpY2EgZGlnaXRhbCBkZSBsYSBvYnJhIChwb3IgZWplbXBsbywgd2ViY2FzdCksIHN1amV0YSBhIGxhcyBkaXNwb3NpY2lvbmVzIGFwbGljYWJsZXMgZGVsIHLDqWdpbWVuIGRlIERlcmVjaG8gZGUgQXV0b3IsIHNpIGVzdGEgZWplY3VjacOzbiBww7pibGljYSBkaWdpdGFsIGVzdMOhIHByaW1vcmRpYWxtZW50ZSBkaXJpZ2lkYSBhIG9idGVuZXIgdW5hIHZlbnRhamEgY29tZXJjaWFsIG8gdW5hIGNvbXBlbnNhY2nDs24gbW9uZXRhcmlhIHByaXZhZGEuCgo1LiBSZXByZXNlbnRhY2lvbmVzLCBHYXJhbnTDrWFzIHkgTGltaXRhY2lvbmVzIGRlIFJlc3BvbnNhYmlsaWRhZC4KQSBNRU5PUyBRVUUgTEFTIFBBUlRFUyBMTyBBQ09SREFSQU4gREUgT1RSQSBGT1JNQSBQT1IgRVNDUklUTywgRUwgTElDRU5DSUFOVEUgT0ZSRUNFIExBIE9CUkEgKEVOIEVMIEVTVEFETyBFTiBFTCBRVUUgU0UgRU5DVUVOVFJBKSDigJxUQUwgQ1VBTOKAnSwgU0lOIEJSSU5EQVIgR0FSQU5Uw41BUyBERSBDTEFTRSBBTEdVTkEgUkVTUEVDVE8gREUgTEEgT0JSQSwgWUEgU0VBIEVYUFJFU0EsIElNUEzDjUNJVEEsIExFR0FMIE8gQ1VBTFFVSUVSQSBPVFJBLCBJTkNMVVlFTkRPLCBTSU4gTElNSVRBUlNFIEEgRUxMQVMsIEdBUkFOVMONQVMgREUgVElUVUxBUklEQUQsIENPTUVSQ0lBQklMSURBRCwgQURBUFRBQklMSURBRCBPIEFERUNVQUNJw5NOIEEgUFJPUMOTU0lUTyBERVRFUk1JTkFETywgQVVTRU5DSUEgREUgSU5GUkFDQ0nDk04sIERFIEFVU0VOQ0lBIERFIERFRkVDVE9TIExBVEVOVEVTIE8gREUgT1RSTyBUSVBPLCBPIExBIFBSRVNFTkNJQSBPIEFVU0VOQ0lBIERFIEVSUk9SRVMsIFNFQU4gTyBOTyBERVNDVUJSSUJMRVMgKFBVRURBTiBPIE5PIFNFUiBFU1RPUyBERVNDVUJJRVJUT1MpLiBBTEdVTkFTIEpVUklTRElDQ0lPTkVTIE5PIFBFUk1JVEVOIExBIEVYQ0xVU0nDk04gREUgR0FSQU5Uw41BUyBJTVBMw41DSVRBUywgRU4gQ1VZTyBDQVNPIEVTVEEgRVhDTFVTScOTTiBQVUVERSBOTyBBUExJQ0FSU0UgQSBVU1RFRC4KCjYuIExpbWl0YWNpw7NuIGRlIHJlc3BvbnNhYmlsaWRhZC4KQSBNRU5PUyBRVUUgTE8gRVhJSkEgRVhQUkVTQU1FTlRFIExBIExFWSBBUExJQ0FCTEUsIEVMIExJQ0VOQ0lBTlRFIE5PIFNFUsOBIFJFU1BPTlNBQkxFIEFOVEUgVVNURUQgUE9SIERBw5FPIEFMR1VOTywgU0VBIFBPUiBSRVNQT05TQUJJTElEQUQgRVhUUkFDT05UUkFDVFVBTCwgUFJFQ09OVFJBQ1RVQUwgTyBDT05UUkFDVFVBTCwgT0JKRVRJVkEgTyBTVUJKRVRJVkEsIFNFIFRSQVRFIERFIERBw5FPUyBNT1JBTEVTIE8gUEFUUklNT05JQUxFUywgRElSRUNUT1MgTyBJTkRJUkVDVE9TLCBQUkVWSVNUT1MgTyBJTVBSRVZJU1RPUyBQUk9EVUNJRE9TIFBPUiBFTCBVU08gREUgRVNUQSBMSUNFTkNJQSBPIERFIExBIE9CUkEsIEFVTiBDVUFORE8gRUwgTElDRU5DSUFOVEUgSEFZQSBTSURPIEFEVkVSVElETyBERSBMQSBQT1NJQklMSURBRCBERSBESUNIT1MgREHDkU9TLiBBTEdVTkFTIExFWUVTIE5PIFBFUk1JVEVOIExBIEVYQ0xVU0nDk04gREUgQ0lFUlRBIFJFU1BPTlNBQklMSURBRCwgRU4gQ1VZTyBDQVNPIEVTVEEgRVhDTFVTScOTTiBQVUVERSBOTyBBUExJQ0FSU0UgQSBVU1RFRC4KCjcuIFTDqXJtaW5vLgoKYS4JRXN0YSBMaWNlbmNpYSB5IGxvcyBkZXJlY2hvcyBvdG9yZ2Fkb3MgZW4gdmlydHVkIGRlIGVsbGEgdGVybWluYXLDoW4gYXV0b23DoXRpY2FtZW50ZSBzaSBVc3RlZCBpbmZyaW5nZSBhbGd1bmEgY29uZGljacOzbiBlc3RhYmxlY2lkYSBlbiBlbGxhLiBTaW4gZW1iYXJnbywgbG9zIGluZGl2aWR1b3MgbyBlbnRpZGFkZXMgcXVlIGhhbiByZWNpYmlkbyBPYnJhcyBEZXJpdmFkYXMgbyBDb2xlY3RpdmFzIGRlIFVzdGVkIGRlIGNvbmZvcm1pZGFkIGNvbiBlc3RhIExpY2VuY2lhLCBubyB2ZXLDoW4gdGVybWluYWRhcyBzdXMgbGljZW5jaWFzLCBzaWVtcHJlIHF1ZSBlc3RvcyBpbmRpdmlkdW9zIG8gZW50aWRhZGVzIHNpZ2FuIGN1bXBsaWVuZG8gw61udGVncmFtZW50ZSBsYXMgY29uZGljaW9uZXMgZGUgZXN0YXMgbGljZW5jaWFzLiBMYXMgU2VjY2lvbmVzIDEsIDIsIDUsIDYsIDcsIHkgOCBzdWJzaXN0aXLDoW4gYSBjdWFscXVpZXIgdGVybWluYWNpw7NuIGRlIGVzdGEgTGljZW5jaWEuCgpiLglTdWpldGEgYSBsYXMgY29uZGljaW9uZXMgeSB0w6lybWlub3MgYW50ZXJpb3JlcywgbGEgbGljZW5jaWEgb3RvcmdhZGEgYXF1w60gZXMgcGVycGV0dWEgKGR1cmFudGUgZWwgcGVyw61vZG8gZGUgdmlnZW5jaWEgZGUgbG9zIGRlcmVjaG9zIGRlIGF1dG9yIGRlIGxhIG9icmEpLiBObyBvYnN0YW50ZSBsbyBhbnRlcmlvciwgZWwgTGljZW5jaWFudGUgc2UgcmVzZXJ2YSBlbCBkZXJlY2hvIGEgcHVibGljYXIgeS9vIGVzdHJlbmFyIGxhIE9icmEgYmFqbyBjb25kaWNpb25lcyBkZSBsaWNlbmNpYSBkaWZlcmVudGVzIG8gYSBkZWphciBkZSBkaXN0cmlidWlybGEgZW4gbG9zIHTDqXJtaW5vcyBkZSBlc3RhIExpY2VuY2lhIGVuIGN1YWxxdWllciBtb21lbnRvOyBlbiBlbCBlbnRlbmRpZG8sIHNpbiBlbWJhcmdvLCBxdWUgZXNhIGVsZWNjacOzbiBubyBzZXJ2aXLDoSBwYXJhIHJldm9jYXIgZXN0YSBsaWNlbmNpYSBvIHF1ZSBkZWJhIHNlciBvdG9yZ2FkYSAsIGJham8gbG9zIHTDqXJtaW5vcyBkZSBlc3RhIGxpY2VuY2lhKSwgeSBlc3RhIGxpY2VuY2lhIGNvbnRpbnVhcsOhIGVuIHBsZW5vIHZpZ29yIHkgZWZlY3RvIGEgbWVub3MgcXVlIHNlYSB0ZXJtaW5hZGEgY29tbyBzZSBleHByZXNhIGF0csOhcy4gTGEgTGljZW5jaWEgcmV2b2NhZGEgY29udGludWFyw6Egc2llbmRvIHBsZW5hbWVudGUgdmlnZW50ZSB5IGVmZWN0aXZhIHNpIG5vIHNlIGxlIGRhIHTDqXJtaW5vIGVuIGxhcyBjb25kaWNpb25lcyBpbmRpY2FkYXMgYW50ZXJpb3JtZW50ZS4KCjguIFZhcmlvcy4KCmEuCUNhZGEgdmV6IHF1ZSBVc3RlZCBkaXN0cmlidXlhIG8gcG9uZ2EgYSBkaXNwb3NpY2nDs24gcMO6YmxpY2EgbGEgT2JyYSBvIHVuYSBPYnJhIENvbGVjdGl2YSwgZWwgTGljZW5jaWFudGUgb2ZyZWNlcsOhIGFsIGRlc3RpbmF0YXJpbyB1bmEgbGljZW5jaWEgZW4gbG9zIG1pc21vcyB0w6lybWlub3MgeSBjb25kaWNpb25lcyBxdWUgbGEgbGljZW5jaWEgb3RvcmdhZGEgYSBVc3RlZCBiYWpvIGVzdGEgTGljZW5jaWEuCgpiLglTaSBhbGd1bmEgZGlzcG9zaWNpw7NuIGRlIGVzdGEgTGljZW5jaWEgcmVzdWx0YSBpbnZhbGlkYWRhIG8gbm8gZXhpZ2libGUsIHNlZ8O6biBsYSBsZWdpc2xhY2nDs24gdmlnZW50ZSwgZXN0byBubyBhZmVjdGFyw6EgbmkgbGEgdmFsaWRleiBuaSBsYSBhcGxpY2FiaWxpZGFkIGRlbCByZXN0byBkZSBjb25kaWNpb25lcyBkZSBlc3RhIExpY2VuY2lhIHksIHNpbiBhY2Npw7NuIGFkaWNpb25hbCBwb3IgcGFydGUgZGUgbG9zIHN1amV0b3MgZGUgZXN0ZSBhY3VlcmRvLCBhcXXDqWxsYSBzZSBlbnRlbmRlcsOhIHJlZm9ybWFkYSBsbyBtw61uaW1vIG5lY2VzYXJpbyBwYXJhIGhhY2VyIHF1ZSBkaWNoYSBkaXNwb3NpY2nDs24gc2VhIHbDoWxpZGEgeSBleGlnaWJsZS4KCmMuCU5pbmfDum4gdMOpcm1pbm8gbyBkaXNwb3NpY2nDs24gZGUgZXN0YSBMaWNlbmNpYSBzZSBlc3RpbWFyw6EgcmVudW5jaWFkYSB5IG5pbmd1bmEgdmlvbGFjacOzbiBkZSBlbGxhIHNlcsOhIGNvbnNlbnRpZGEgYSBtZW5vcyBxdWUgZXNhIHJlbnVuY2lhIG8gY29uc2VudGltaWVudG8gc2VhIG90b3JnYWRvIHBvciBlc2NyaXRvIHkgZmlybWFkbyBwb3IgbGEgcGFydGUgcXVlIHJlbnVuY2llIG8gY29uc2llbnRhLgoKZC4JRXN0YSBMaWNlbmNpYSByZWZsZWphIGVsIGFjdWVyZG8gcGxlbm8gZW50cmUgbGFzIHBhcnRlcyByZXNwZWN0byBhIGxhIE9icmEgYXF1w60gbGljZW5jaWFkYS4gTm8gaGF5IGFycmVnbG9zLCBhY3VlcmRvcyBvIGRlY2xhcmFjaW9uZXMgcmVzcGVjdG8gYSBsYSBPYnJhIHF1ZSBubyBlc3TDqW4gZXNwZWNpZmljYWRvcyBlbiBlc3RlIGRvY3VtZW50by4gRWwgTGljZW5jaWFudGUgbm8gc2UgdmVyw6EgbGltaXRhZG8gcG9yIG5pbmd1bmEgZGlzcG9zaWNpw7NuIGFkaWNpb25hbCBxdWUgcHVlZGEgc3VyZ2lyIGVuIGFsZ3VuYSBjb211bmljYWNpw7NuIGVtYW5hZGEgZGUgVXN0ZWQuIEVzdGEgTGljZW5jaWEgbm8gcHVlZGUgc2VyIG1vZGlmaWNhZGEgc2luIGVsIGNvbnNlbnRpbWllbnRvIG11dHVvIHBvciBlc2NyaXRvIGRlbCBMaWNlbmNpYW50ZSB5IFVzdGVkLgo= |