Die digitale Zwillingsrevolution in Stromsystemen

Elektrische Netze durchlaufen die bedeutendste Transformation seit ihrer Gründung. Die massive Integration der erneuerbaren Erzeugung, die Stilllegung konventioneller Wärmekraftwerke und die zunehmende Komplexität dezentraler Energieressourcen haben traditionelle Modellierungs- und Simulationsmethoden an ihre Grenzen gebracht. Als Reaktion darauf hat eine Technologie, die ihren Ursprung in der Luft- und Raumfahrt und der Fertigung hat, eine wichtige Mission im Energiesektor gefunden: der digitale Zwilling. Nicht mehr ein Konzept, das auf Forschungslabors beschränkt ist, digitale Zwillinge werden jetzt von großen Versorgungsunternehmen und Systembetreibern eingesetzt, um Instabilität zu antizipieren, Steuerungsstrategien zu optimieren und die Lebensdauer alternder Anlagen zu verlängern. Dieser Artikel untersucht, wie digitale Zwillinge die Landschaft der Simulation und Verbesserung der Stabilität von Stromsystemen verändern, indem sie die Sichtbarkeit und Weitsicht bieten, die für ein belastbares, dekarbonisiertes Netz unerlässlich sind.

Was sind digitale Zwillinge im Stromsektor?

Ein digitaler Zwilling ist ein dynamischer, kontinuierlich aktualisierter digitaler Spiegel eines physischen Assets oder gesamten Systems, der durch Live-Daten von Sensoren, SCADA-Systemen und IoT-Geräten gespeist wird. Im Energiesektor repräsentiert ein digitaler Zwilling jede kritische Komponente - Generatoren, Transformatoren, Übertragungsleitungen, Leistungsschalter, Schutzrelais und Verbrauchernachfragemuster. Durch die Integration elektrischer, mechanischer und thermischer Eigenschaften entwickelt sich der Zwilling mit dem realen Netz und erfasst Alterungseffekte, Umweltbedingungen und Betriebslastprofile.

Die Grundlage eines digitalen Zwillings eines Energiesystems liegt in der physikbasierten Modellierung in Kombination mit Echtzeit-Datenassimilation. Zum Beispiel verwendet der Zwilling eines Synchrongenerators Differentialgleichungen, die die Rotordynamik, Statorströme und magnetischen Fluss beschreiben, während er auch Messdaten über Vibrationen, Wicklungstemperatur und Ausgangsspannung aufnimmt. Der Zwilling löst diese Gleichungen kontinuierlich und vergleicht berechnete Zustände mit Sensorwerten, um Anomalien zu erkennen oder zukünftiges Verhalten vorherzusagen. Dieser Prozess, genannt Zustandsschätzung, wird durch fortschrittliche Filtertechniken wie das unscented Kalman-Filter verfeinert, das Nichtlinearitäten behandelt, die in der Leistungselektronik und rotierenden Maschinen üblich sind.

Moderne digitale Zwillingsplattformen integrieren auch co-Simulation Frameworks, die es elektromagnetischen Transienten (EMT) Modellen ermöglichen, mit Phasor-Domänenmodellen in verschiedenen Zeitskalen zu interagieren. Dies ist wichtig für die Untersuchung von Phänomenen wie subsynchrone Resonanz zwischen Windparks und serienkompensierten Linien, bei denen traditionelle Single-Domänen-Simulatoren zu kurz kommen. Das Ergebnis ist eine virtuelle Umgebung, die das tatsächliche Gitter nicht nur im stationären Zustand, sondern durch jedes transiente Ereignis widerspiegelt - von einem Blitzschlag auf einen Übertragungsturm bis zur allmählichen Rampe der Sonnenleistung während eines bewölkten Tages.

Die Stabilitätsherausforderung in modernen Netzen

Die Stabilität des Stromsystems ist die Fähigkeit eines Stromnetzes, nach einer Störung in einen normalen Betriebszustand zurückzukehren. Instabilität kann sich auf verschiedene Weise manifestieren, oft mit kaskadierenden Folgen. Die am häufigsten analysierten Typen sind rotorwinkelstabilität, frequenzstabilität und spannungsstabilität.

  • Rotorwinkelstabilität betrifft die Fähigkeit von Synchronmaschinen, nach einem Fehler im Synchronismus zu bleiben. Wenn ein Kurzschluss auf einer Übertragungsleitung auftritt, fällt die elektrische Leistungsabgabe von nahe gelegenen Generatoren abrupt ab, während die mechanische Leistungsaufnahme konstant bleibt, was den Rotor beschleunigt. Wenn der Fehler nicht schnell genug behoben wird, kann der Generator den Synchronismus verlieren und auslösen, was möglicherweise zu einem weit verbreiteten Blackout führt. Die kritische Metrik hier ist die kritische Löschzeit - die maximale Dauer, die ein Fehler bestehen kann, ohne einen Synchronismusverlust zu verursachen. Mit erneuerbaren Systemen tragen Wechselrichter-basierte Ressourcen wenig zum Kurzschlussstrom bei, was das Fehlerverhalten verändert und den traditionellen Schutz herausfordert.
  • ]Frequenzstabilität bezieht sich auf das Gleichgewicht zwischen Erzeugung und Last nach einer großen Fehlanpassung, wie dem plötzlichen Verlust eines großen Kraftwerks. Mit dem Anstieg der erneuerbaren Energien hat die gesamte Rotationsträgheit des Systems dramatisch abgenommen. Zum Beispiel hat ein Netz mit 50% Wind und Sonne möglicherweise nur ein Drittel der Trägheit eines traditionellen thermischen Netzes, wodurch die Frequenz nach einer Kontingenz schneller und tiefer sinkt. Dies macht ] Rate der Frequenzänderung (RoCoF) ein kritischer Parameter. Digitale Zwillinge helfen zu modellieren, wie verschiedene Kombinationen von schnellen Frequenzgang von Batterien und Trägheit von Synchronkondensatoren einen Rückgang innerhalb sicherer Grenzen aufhalten können.
  • Spannungsstabilität bezieht sich auf die Fähigkeit, nach einer Kontingenz konstante Spannungen aufrechtzuerhalten. Spannungseinbruch tritt häufig auf, wenn Blindleistungsreserven erschöpft sind, was zu einem progressiven Abfall führt, der nicht allein durch Transformatorstufenschalter rückgängig gemacht werden kann. Dieses Phänomen ist besonders gefährlich in Ballungsräumen mit langen Kabeln und schwerer Last; die jüngsten Stromausfälle in Südaustralien und Brasilien wurden auf Spannungsinstabilität zurückgeführt, die durch plötzlichen Verlust der reaktiven Unterstützung ausgelöst wurde.

Herkömmliche Ansätze setzen auf Offline-Simulationen mit Worst-Case-Szenarien und vereinfachten Modellen. Während sie für die Planung effektiv sind, können sie die Echtzeitdynamik eines Netzes mit schwankender Trägheit und variablen Störungen nicht erfassen. Digitale Zwillinge bieten einen bahnbrechenden Vorteil: Sie ermöglichen es den Betreibern, nicht nur zu sehen, was passiert ist, sondern auch, was als nächstes passieren könnte - und handeln entsprechend.

Wie digitale Zwillinge das Verhalten des Netzes simulieren

High-Fidelity-Modellierung von physischen Assets

Moderne Stromnetze umfassen eine Vielzahl von Anlagen - von Kohlekraftwerken und Gasturbinen bis hin zu Photovoltaik-Wechselrichtern, Batteriespeichern und Ladegeräten für Elektrofahrzeuge. Ein digitaler Zwilling aggregiert diese heterogenen Modelle zu einer einheitlichen Simulationsumgebung. Jedes Asset wird mit der für seine Rolle erforderlichen Tiefe dargestellt. Beispielsweise kann ein Solarpark im Versorgungsmaßstab mit detaillierten Wechselrichter-Regelkreisen, maximaler Strompunkt-Tracking-Dynamik und bestrahlungsabhängiger Leistung modelliert werden, während eine Wohnlast statistisch aus Hunderten von Smart-Meter-Messwerten aggregiert werden könnte.

Dieser multiskalige Ansatz stellt sicher, dass Stabilitätsphänomene über verschiedene Zeitrahmen hinweg – von elektromagnetischen Transienten, die Millisekunden dauern, bis hin zu langfristigem Spannungsabfall über Minuten – gleichzeitig beobachtet werden können. Für kritische Anlagen wie große Leistungstransformatoren erfassen thermisch-hydraulische Modelle die Alterung von Öl und Papierisolation, während die Wicklungsverformung über die Frequenzganganalyse in den Zwilling zurückverfolgt wird. Durch die Kombination dieser detaillierten Physikmodelle mit Äquivalenten reduzierter Ordnung für weniger kritische Teile behält der Zwilling die Recheneffizienz bei, ohne die Genauigkeit dort zu opfern, wo es am wichtigsten ist.

Echtzeit-Datenintegration und Modellkalibrierung

Was einen digitalen Zwilling von herkömmlicher Simulationssoftware unterscheidet, ist seine Verbindung zu Betriebsdaten. Phasor-Messeinheiten (PMUs) und intelligente elektronische Geräte streamen synchronisierte Messungen von Spannungs- und Stromzeigern, Frequenz und Stromflüssen mit Abtastraten von 10 bis 120 Abtastraten pro Sekunde. Der digitale Zwilling nimmt diese Daten über sichere Protokolle auf - typischerweise IEEE C37.118 für Synchrophasoren - und richtet seinen internen Zustand mit dem tatsächlichen Gitter aus, indem er Zustandsschätzungsalgorithmen verwendet, die Messwerte mit Modellvorhersagen in Einklang bringen.

Kontinuierliche Modellkalibrierung ist ein wesentlicher Vorteil. Anhaltende Abweichungen zwischen gemessenen und berechneten Werten lösen Alarme aus und können eine automatische Neukalibrierung auslösen – Anpassung von Leitungsparametern, Aktualisierung von Lastmodellen oder Fehlfunktion des Flagging-Sensors. Dieser Prozess stellt sicher, dass der Zwilling akkurat bleibt, während sich das Netz entwickelt. Zum Beispiel ändern sich der Widerstand und die Reaktanz einer Übertragungsleitung mit der Umgebungstemperatur; der Zwilling kann diese Parameter basierend auf aktuellen Bedingungen aktualisieren und die Präzision der Stabilitätsspannenberechnungen verbessern. In fortgeschrittenen Anwendungen nimmt der Zwilling auch Wettervorhersagen, Marktpreise und Wartungspläne auf, um eine probabilistische Ansicht der Stabilitätsspannen für die nächsten Stunden zu erstellen.

Szenario-Tests und Contingency-Analyse

In einer digitalen Zwillingsumgebung können Ingenieure absichtlich Fehler wie einen dreiphasigen Kurzschluss, den Verlust eines großen Generators oder einen Cyberangriff auf ein Umspannwerk-Kommunikationssystem einführen und die Reaktion des virtuellen Netzes beobachten. Simulationen laufen schneller als in Echtzeit und ermöglichen die Erkundung von Hunderten von "Was-wäre-wenn" -Szenarien in Minuten. Diese Fähigkeit unterstützt die Sicherheitsbewertung von , die den Versorgungsunternehmen hilft, Schwachstellen zu identifizieren und Abhilfemaßnahmen zu bewerten, bevor sie eingesetzt werden.

Zum Beispiel kann ein Versorgungsunternehmen einen Eissturm simulieren, der gleichzeitig mehrere Feeder trennt und seinen Wiederherstellungsplan verfeinert. Oder es kann die Wirkung eines plötzlichen geomagnetisch induzierten Stromereignisses (GIC) bewerten, das Transformatorkerne sättigt. Durch die Ausführung von Monte-Carlo-Simulationen mit unterschiedlichen Fehlerorten, Dauern und Wetter quantifizieren Ingenieure die Wahrscheinlichkeit von kaskadierenden Ausfällen und priorisieren Investitionen in die Netzhärtung. Diese "digitale Generalprobe" wird bei großen Systembetreibern zur Standardpraxis für die Notfallanalyse von N-1-1.

Optimierung von Steuerungsstrategien mit virtuellem Prototyping

Adaptive Schutzsysteme

Schutzsysteme werden traditionell mit festen Einstellungen entwickelt, die aus Offline-Studien abgeleitet sind. Da sich die Netztopologie jedoch ändert - durch Umschalten, DER-Integration oder Inselung - können diese Einstellungen suboptimal werden, was zu Fehlkoordination oder Fehlerbehebung führt. Digitale Zwillinge ermöglichen einen adaptiven Schutz , indem sie Fehlerströme unter aktuellen Bedingungen simulieren und Relaiseinstellungen in nahezu Echtzeit empfehlen.

Ein virtuelles Relais, das in den Zwilling eingesetzt wird, kann gegen Tausende von Fehlerstellen und -typen getestet werden, wodurch sichergestellt wird, dass es unter allen plausiblen Szenarien selektiv und schnell arbeitet. In Verteilernetzen mit hoher Sonnendurchdringung berechnet der Zwilling die Auswirkungen von Wechselrichter-dominierten Fehlerströmen und aktualisiert gerichtete Überstromrelais entsprechend. Dies reduziert Störauslösungen, die insbesondere unter Bedingungen mit niedriger Last und hoher Generation zu größerer Instabilität eskalieren könnten.

Frequenz- und Spannungsregelung

Die Frequenz in engen Grenzen zu halten, ist für die Netzintegrität von entscheidender Bedeutung. Digitale Zwillinge helfen, die Reaktion verschiedener Ressourcen zu koordinieren: Trägheit von rotierenden Massen, schnelle Frequenzantwort von Batterien, Reglerwirkung von thermischen Einheiten und synthetische Trägheit von Windkraftanlagen. Durch Simulation eines plötzlichen Verlusts der Erzeugung - sagen wir eine 1000-MW-Kernanlage-Auslösung - können Betreiber testen, ob der kollektive Primärfrequenzgang ausreichend ist und die Einstellungen des Droops fein abstimmen. Der Zwilling kann auch Wechselwirkungen zwischen verschiedenen Regelkreisen modellieren, um unerwünschte Schwingungen zu vermeiden.

Ähnlich können Spannungsregelschleifen für STATCOMs, Synchronkondensatoren und Laststufenschalter (OLTCs) optimiert werden, indem Hunderte von Störungen über verschiedene Lastniveaus laufen. Der Zwilling identifiziert, welche Busspannungen wahrscheinlich unter die gesetzlichen Grenzwerte fallen werden und empfiehlt Anpassungen an Sollwerte oder Blindleistungspläne. Dies bietet den Betreibern eine alle paar Sekunden aktualisierte Sicherheitsbewertung der Spannung , die proaktive Aktionen wie das Schalten in Kondensatorbanken oder das Anpassen von Generatorspannungsreglern ermöglicht, bevor eine Krise auftritt.

AI-Driven Predictive Analytics

Der reiche Datenstrom des digitalen Zwillings ist eine ideale Grundlage für maschinelle Lernmodelle, die Stabilitätsränder vorhersagen. Rezidivierende neuronale Netze oder Algorithmen zur Gradientenerhöhung können auf simulierte transiente Stabilitätsergebnisse und Echtzeit-PMU-Daten trainiert werden, um die kritische Clearingzeit oder Spannungseinbruch-Näherungsindikatoren abzuschätzen. Der Zwilling bietet eine endlose Versorgung mit gekennzeichneten Trainingsdaten durch automatisierte Perturbationsstudien, und die resultierenden Modelle können als Frühwarnsysteme eingesetzt werden.

Dieser hybride Ansatz – die Kombination von physikbasierter Simulation mit datengesteuerter Inferenz – liefert eine Stabilitätsbewertung in schnellerer Zeit als die Echtzeit. Ein Deep Learning Surrogat kann das dynamische Verhalten eines 10.000-Bus-Systems in Millisekunden annähern, so dass Betreiber die Auswirkungen auf den Notfall fast sofort beurteilen können. Der Zwilling trainiert diese Modelle kontinuierlich neu, wenn neue Daten ankommen, wodurch Genauigkeit beim Ausbau des Netzes gewährleistet wird. Diese Technik wurde in Forschungsprojekten wie dem digitalen Zwilling von NREL für autonome Netzsteuerung demonstriert, bei dem verstärkende Lernagenten Twin-generierte Szenarien verwenden, um optimale Notfallsteuerungsrichtlinien zu entwickeln.

Predictive Maintenance und Asset Health

Über den Echtzeitbetrieb hinaus transformieren digitale Zwillinge das Asset Management. Durch den kontinuierlichen Vergleich der gemessenen Temperatur, der Ölfeuchtigkeit und der Teilentladungssignaturen eines Transformators mit seinem virtuellen Gegenstück erkennt der Zwilling subtile Abweichungen, die dem Ausfall vorausgehen. Predictive Algorithmen schätzen die verbleibende Nutzungsdauer kritischer Komponenten und ermöglichen so eine Wartung während Niedriglastperioden. Dies verhindert nicht nur plötzliche Ausfälle, die das Netz destabilisieren könnten, sondern verlängert auch die Lebensdauer teurer Infrastruktur - Einsparungen, die Millionen von Dollar pro Transformator erreichen können.

Zum Beispiel überwacht ein digitaler Zwilling eines Hochspannungskabelkreises die thermische Belastung durch Lastwechsel und empfiehlt Abklingen, bevor Schäden auftreten. Für Leistungsschalter akkumulierte der Zwillingsspurenverschleiß durch Unterbrechung von Fehlerströmen und prognostiziert den Kontaktersatzbedarf. Diese Erkenntnisse fließen direkt in die Stabilität ein: Ein gut gewarteter Schalter arbeitet während eines Fehlers eher korrekt und verhindert kaskadierende Ausfälle. Die digitalen Zwillingslösungen von Siemens Energy bieten diese Fähigkeit bereits für Gasturbinen und Umspannwerke und demonstrieren die industrielle Reife.

Real-World Implementierungen und Fallstudien

Mehrere Netzbetreiber und Forschungseinrichtungen haben digitale Zwillinge mit messbaren Ergebnissen eingesetzt. In Singapur haben die Energy Market Authority und die SP Group einen umfassenden digitalen Zwilling des nationalen Netzes aufgebaut, der Gebäudeenergiemanagementsysteme, Solarprognosen und Lademuster für Elektrofahrzeuge integriert, um eine groß angelegte DER-Einführung zu simulieren. Der Zwilling optimiert Inselstrategien in Notfällen und verkürzte die Analysezeit nach dem Ereignis um 70%.

In Europa werden im Rahmen des EU-finanzierten Projekts TwinERGY digitale Nachbildungen von Verteilungsnetzen erstellt, um Strategien zur Nachfragesteuerung und Flexibilitätsmärkte zu testen, ohne echte Kunden zu beeinträchtigen. Nordamerikanische Versorgungsunternehmen wie Hydro One verwenden digitale Zwillinge, um extreme Wetterereignisse - Eisstürme und Hurrikane - zu modellieren und das Vegetationsmanagement auf der Grundlage des Risikos für Übertragungsleitungen, die für die Spannungsstabilität von entscheidender Bedeutung sind, zu priorisieren. Dies hat zu einer messbaren Verringerung der sturmbedingten Ausfälle geführt.

General Electric bietet einen digitalen Zwilling für Gasturbinen, der Verbrennungsdynamik, Schaufeltemperaturen und Vibrationssignaturen repliziert und so „Was-wäre-wenn-Szenarien für Kraftstoffwechsel und Inselbetrieb ermöglicht. Das National Grid ESO in Großbritannien hat einen digitalen Zwilling für das gesamte System entwickelt, der das Zusammenspiel zwischen Übertragung, Verteilung und Verbraucheranlagen modelliert, um Netto-Null-Ziele zu planen. Diese Implementierungen bestätigen, dass digitale Zwillinge ein modernes Werkzeug sind, das in großem Maßstab eingesetzt wird.

Herausforderungen und Einschränkungen

Trotz der Vorteile erfordert die Einführung, dass man sich durch mehrere Herausforderungen bewegt. Datensicherheit und Datenschutz sind von größter Bedeutung – das Streamen granularer Betriebsdaten auf Cloud-Plattformen schafft neue Angriffsflächen. Robuste Verschlüsselung, Zugriffskontrollen und Datenanonymisierung sind nicht verhandelbar. Dienstprogramme übernehmen Zero-Trust-Architekturen und Luft-Gapped-Systeme für kritische Funktionen.

Modellgenauigkeit hängt von der Qualität der Assetparameter ab; vielen alternden Komponenten fehlen detaillierte digitale Aufzeichnungen. Kontinuierliche Kalibrierung hilft, erfordert aber eine erhebliche Metering-Infrastruktur. Ungenauigkeiten können irreführende Stabilitätsbewertungen hervorbringen. Die Industrie reagiert mit Online-Parameterschätzungen und Hybridmodellen, die Physik mit maschinellem Lernen kombinieren, um Lücken zu schließen.

Die rechentechnischen Anforderungen steigen mit der Modellkomplexität stark an. Die Simulation elektromagnetischer Transienten für Tausende von Bussen in Echtzeit kann Hochleistungsrechner oder spezialisierte Hardware wie FPGAs und GPUs erfordern. Techniken wie die Reduzierung der Modellaufträge und die Co-Simulation mit variablen Zeitschritten werden erforscht. Die Interoperabilität zwischen Anbietersystemen bleibt eine Hürde; Bemühungen wie das Common Information Model und Open-Source-Frameworks wie DPsim gehen dies an, aber die Fragmentierung besteht fort.

Organisationsbereitschaft ist eine nicht triviale Barriere. Kontrollraummitarbeiter müssen lernen, Doppelergebnissen zu vertrauen, und Ingenieure müssen von der Offline-deterministischen Analyse zu einer probabilistischen, kontinuierlichen Bewertung übergehen. Kultureller Wandel und Investitionen in IT / OT-Konvergenz sind für eine weit verbreitete Akzeptanz unerlässlich.

Zukünftige Richtungen

Mit Blick auf die Zukunft werden digitale Zwillinge zum Betriebssystem für zunehmend dezentrale und dekarbonisierte Netze werden. Da virtuelle Kraftwerke Millionen von Dachsolaranlagen, Hausbatterien und flexiblen Lasten zusammenführen, wird ein digitaler Zwilling für die Koordination ihres gemeinsamen Beitrags zur Stabilität unerlässlich sein. Das Konzept wird sich auf verbraucherseitige Zwillinge erstrecken, die das individuelle Gebäudeenergieverhalten widerspiegeln und Peer-to-Peer-Handel und automatisierte Nachfragereaktion ermöglichen.

Die Integration mit Wettervorhersagen, Marktsignalen und Satellitenbildern für die Vegetationsanalyse wird die Vorhersagefähigkeiten erweitern. Hochauflösende Wetterdaten können Winde antizipieren, die zu einem Galoppieren der Leiter führen, und der Zwilling kann das Risiko von Überschlägen berechnen und Rekonfigurationen vorschlagen. Mit zunehmender Reife des Quantencomputings können Optimierungsprobleme wie die groß angelegte dynamische Sicherheitsbewertung gelöst werden, die derzeit unlösbar sind, so dass der Zwilling Millionen von Szenarien in Sekundenschnelle erkunden kann.

Der digitale Zwilling wird sich von einem Simulationswerkzeug zu einer Echtzeit-Entscheidungsmaschine entwickeln, die autonom Steuerungsaktionen ausführt - Feeder-Rekonfiguration, unkritisches Lastabwurf - und dabei Stabilitätskriterien beibehält. Dieses Konzept des "Closing the loop" mit der Bezeichnung autonomer Netzbetrieb wird in Labors wie dem Grid APEX-Projekt des Pacific Northwest National Laboratory getestet. Der digitale Zwilling wird auch als Schnittstelle für Regulierungsbehörden und Marktbetreiber dienen, die eine transparente Sicht auf Systemgrenzen bieten und die Entwicklung von Echtzeitpreisen unterstützen, die die Stabilitätskosten widerspiegeln.

Schlussfolgerung

Digitale Zwillinge verändern den Betrieb und die Planung des Energiesystems. Durch die Überbrückung der physischen und digitalen Welt bieten sie die Transparenz und Weitsicht, die für das Management der heutigen komplexen Netze erforderlich sind. Ihre Fähigkeit, Fehler zu simulieren, Kontrollen zu optimieren und den Zustand von Anlagen vorherzusagen, macht sie für Versorgungsunternehmen unerlässlich, die es mit Zuverlässigkeit und Belastbarkeit ernst meinen. Mit der Erweiterung der Sensorbereitstellung und der zunehmenden KI wird der digitale Zwilling zum Herzstück des intelligenten Netzes - ständig lernen, sich anpassen und sicherstellen, dass die Lichter eingeschaltet bleiben. Der Übergang von der Offline-Analyse zu virtuellem Echtzeit-Prototyping ist nicht nur inkrementell; es ist ein grundlegender Wandel in der Art und Weise, wie wir die kritischste Infrastruktur der modernen Welt schützen.