电网大数据调研报告.docx
- 文档编号:5995639
- 上传时间:2023-01-02
- 格式:DOCX
- 页数:11
- 大小:118.98KB
电网大数据调研报告.docx
《电网大数据调研报告.docx》由会员分享,可在线阅读,更多相关《电网大数据调研报告.docx(11页珍藏版)》请在冰豆网上搜索。
电网大数据调研报告
电网大数据调研报告
目录
1电网大数据应用现状1
2利用电力负荷值实现智能电力现代化管理4
2.1数据现状与应用需求分析4
2.2应用场景成效6
3利用用电信息数据指导用户合理优化用电8
3.1数据现状与需求分析8
3.2应用场景成效12
4利用消费能耗数据进行节能减排13
5电网大数据发展趋势15
1电网大数据应用现状
智能电网的理念,是通过获取更多的我们如何用电、怎样用电的信息,来优化电的生产、分配以及消耗。
在本质上,智能电网是大数据在电力上的应用。
同样,智慧城市的互联设备,也会依靠大数据来确保其工作的有效性。
“十二五”期间,国家电网公司初步建成具有信息化、自动化、互动化特征的坚强智能电网。
把智能电网中产生的所有数据收集起来,数据突然间增加了许多倍,大量的半结构化和非结构化信息无法管理和存储,大数据增长速度惊人,每年以几何级数速度增长,需要有专业化的解决方案应对大数据挑战。
智能电网的实时运营要求快速处理海量数据、实时采集电表数据、在线实时分析决策,传统的数据仓库平台无法支持这些新形势下的需求,这一切制约了公司信息化从数字化向智能化的发展。
电力大数据是大数据理念、技术和方法在电力行业的实践,是大数据应用的重点领域之一,其涵盖了数据采集、存储、处理、分析到最后提供预测、评估等数据价值挖掘服务的全过程。
电力大数据将贯穿未来电力工业生产及管理等的各个环节,起到独特而巨大的作用。
目前,在智能电网大数据应用基础方面,已经完成了电力用户用电信息采集系统、营销业务应用系统、95598客户服务、用能服务管理平台、需求侧管理系统等系统和平台的建设,积累了大量的数据资源,业务数据从总量和种类上都已颇具规模,具备了良好的数据基础,并初步实现了企业级数据资源整合及共享利用。
在电力用户用电信息采集方面,建成智能电网用户用电信息采集系统,实现对电力系统范围内电力用户的“全覆盖、全采集、全费控”。
目前系统已在国内27个省级电力公司部署,累计安装智能电能表约3亿只,预计2016年智能电表的数量将增加一倍。
系统数据累计超过500T,国家电网范围采集系统每年数据增量超过200TB。
随着采集覆盖率的增加,智能电表、采集终端等设备的海量增长,计量设备的应用呈现出数量大、类型多、智能化、运行环境复杂的特点,对数据的采集和分析挖掘能力要求也越来越高。
对用电信息数据这样复杂的大规模数据集,用传统的数据处理方式存在一定困难,因此亟需应用大数据技术。
在电力客户服务方面,客户服务中心实现了95598业务支持系统、95598呼叫平台、95598智能互动平台、基础支撑平台的基础建设,该中心目前日均处理话务请求量约4.8万件,业务工单2.4万件;全网全业务集中以后,业务规模将达到现在的7.3倍。
在便捷居民缴费服务方面,智能电网一体化缴费管理平台整合现有的电网缴费系统,全面支撑电力公司、金融机构、非金融机构等多种渠道缴费,实现各类缴费渠道的统一规划、统一接入、统一管理。
根据一体化平台IT架构设计存储容量估算原则,结合2014年各省用电客户数,2014年底国家电网公司一体化缴费接入管理平台数据容量预计为49TB,2015年底数据容量预计为65TB。
智能电网电能服务管理平台向全社会提供规范、高效、专业的节能服务,促进国家节能减排目标的顺利实现,为推动国家经济发展方式转变做出重要贡献。
截至2014年,电能服务管理平台已完成国家电网总部及25个省级电力公司的系统部署工作。
按照系统规划,省级系统投运后数据容量将达到7TB。
目前智能电网大数据应用已经开展了较多的研究,并取得了一定的应用成果,主要集中在用户用电行为分析、线损多维度分析、计量装置在线监测与智能诊断、负荷特性与有序用电分析、经济趋势分析等多方面。
在用户用电行为分析方面,根据客户用电量、用电特性、业务办理、缴费信息、客户投诉记录等用电信息,研究用户的负荷特性及用电行为习惯,针对目标用户通过不同的服务渠道开展精准服务;在多维线损分析方面,通过配置线路及台区损耗模型,系统自动计算每日损耗,实现10kV输配电线路和台区线损的在线监测,及时发现线损异常,掌握现场供电情况,实现线损可视化图形展现分析;在计量装置在线监测与智能诊方面,通过用电信息采集系统、营销系统的数据共享和交互,并利用大数据分析技术进行计量与采集装置故障诊断、设备整体工况分析,实现计量装置异常分析、采集设备故障分析、各类事件分析和用电异常分析等功能,为考核采集设备和计量设备厂家提供评价统计数据;在负荷特性与有序用电分析方面,分析了用户负荷曲线特征中的峰谷出现位置、峰谷持续时长、尖峰负荷出现时点、波峰出现的次数等特性,并分析了专变和专线的移峰填谷潜力;在经济趋势分析方面,根据不同各地区、行业的历史电量走势,结合电量与负荷预测,分析不同产业的用电量在各地区的增涨情况、占比及变化情况,了解产业结构、产业链、产业转行升级、产业区域迁移,以及地方特色产业的发展情况,依据行业度电产值,分析电力弹性系数据、电力密集度、电力GDP,结合用电走势、工厂企业产能利用率、业扩报装,分析电力生产力,参考PMI指数发布各行业景气指数。
2利用电力负荷值实现智能电力现代化管理
近年来,国内电网负荷峰谷差不断增大,为满足尖峰负荷需要,发电侧、电网侧都投入了大量资金,造成社会资源浪费。
同时智能电能表推广应用及用电信息采集系统建设全面提速,积累了海量的用户负荷曲线数据,为负荷特性分析奠定了扎实基础。
电力负荷预测是电力调度、用电、规划等部门的重要工作之一,实质是对电力市场需求的预测,提高负荷预测技术水平,有利于电力调度管理,有利于合理安排电网规划建设,有利于提高电力系统的经济效益和社会效益。
如何通过大数据分析技术提升预测的及时性和准确性成为迫切需要解决的问题。
2.1数据现状与应用需求分析
用电信息采集系统经过多年的运行,已积累了各行业功率、电量、电压、电流类海量数据。
如:
用电信息采集系统每天采集各用户96点的电量数据和96点的负荷数据;数据表中存有近5年的数据量,数据量达到数十亿级。
根据用户类型不同,结合业务场景,数据采集范围进行分类。
但是,目前各类用电海量数据的价值尚未进行深入挖掘利用,在负荷预测方面尚未发挥基础数据作用,需要依托大数据技术提升数据价值。
借助于大数据技术强大的数据分析与模型预测能力,基于用户用电信息、电网负荷信息实时采集同步,结合国民经济增长速度、产业结构调整、消费水平、工业与居民电气化程度、电价政策、气候/气温变化等外部因素,构建用电负荷大数据分析模型,全数据集、全维度地运算、分析,预测各周期用电负荷曲线、负荷时间和空间分布等,可以为电力公司营销决策制定、电网规划、电能调配等提供信息支持。
Ø负荷预测分析所需的数据如下:
(1)调度负荷数据:
每15分钟存一个点,数据域为:
供电单位、数据日期、数据时间、有功负荷、无功负荷。
(2)用电客户档案信息
(3)用电客户功率曲线信息
(一)应用场景分析方法
电力负荷预测分析功能框架如下图所示:
图2-18电力负荷预测功能框架图
根据不同的预测目的和时间周期,负荷预测可分为超短期、短期和中长期的预报。
(1)超短期负荷预测:
指未来1h以内的负荷预测。
正常情况下一般不考虑气象条件的影响。
事实上,气象变化对负荷的影响,主要表现在温度变化上,由于温度变化是缓慢的,所以它对负荷的影响一般不会突变。
在安全监视状态下,需要5~10s或1~5min的预测值,预防性控制和紧急状态处理需要10min至1h的预测值。
(2)短期负荷预测:
指日负荷预测和周负荷预测,主要预测未来一日24小时和一周168小时负荷的变化。
分别用于安排日调度计划和周调度计划,包括确定机组起停、水火电协调、联络线交换功率、负荷经济分配、水库调度和设备检修等。
其特点之一是周期性强,1日或1周的负荷具有很强的规律性;其特点之二是天气影响很大,模型必须能够计及各种天气因素的影响;其特点之三是工作日、节假日重大事件的影响,必须与正常的负荷区分开。
对短期预测,需充分研究电网负荷变化规律,分析负荷变化相关因子,特别是天气因素、日类型等和短期负荷变化的关系。
(3)中期负荷预测:
指月至年的负荷预测,主要预测未来一年12个月负荷的变化,主要用于确定机组运行方式和设备大修计划等。
其特点之一是预测时间长,计算速度没有特殊要求;其特点之二是规律性强,一年12个月负荷具有很强的规律性(季节性、趋势性、周期性);其特点之三是气温、气候影响很大,模型必须能够计及这些因素的影响;其特点之四是用电量和预测区域负荷构成、工农业构成比例有关。
(4)长期负荷预测:
指未来3~5年甚至更长时间段内的负荷预测,主要是电网规划部门根据国民经济的发展和对电力负荷的需求,所作的电网改造和扩建工作的远景规划和电力市场的长期发展研究。
对中、长期负荷预测,要特别研究国民经济发展、国家政策等的影响。
负荷预测工作的关键在于收集大量的历史数据,并结合大数据处理技术——如Hadoop、流计算以及内存计算等,采用有效的并行实现的算法进行大量试验性研究,总结经验,不断修正模型和算法,以真正反映负荷变化规律,其基本过程包括海量数据导入及整理、海量负荷数据的预处理、建立负荷预测模型。
为保证诊断模型分析事件的准确性,除了对相关的档案、负荷和电能示值数据进行核查外,在分析中增加了很多关联判断,尽可能排除噪声数据对模型的影响。
所以,在大数据分析前时,需要组织专门的技术团队对负荷数据、电量数据从档案、合理性进行核查,并根据分析要求增加负荷和电量的统计维度和频度。
短期电力负荷数据量大、取样复杂,导致样本数据之间的差异比较大。
针对此类问题,应用可基于大数据分析模型,采用基于加权相似度和加权支持向量机的短期电力负荷预测算法。
中长期电力负荷预测主要针对预测周期为季度、半年、一年的电力负荷进行预测,根据历史用电情况,结合国家宏观政策影响等因素进行长期预测,与短期预测相比,相关因子相对较少,主要根据历史用电的趋势进行预测分析。
2.2应用场景成效
电力负荷预测是电力市场的重要组成部分,主要是在考虑系统运行特性、自然条件、社会条件和地区经济状况等重要因素影响的条件下,利用历史负荷值经过一系列的数学计算,在满足一定精度和速度的情况下,决定未来某特定时刻的负荷,对电力系统控制、运行和计划都很重要。
Ø短期负荷预测产生的成效包括:
(1)通过挖掘不同地区、不同时段、不同行业的用电特色,全面透析电网负荷情况;
(2)综合历史负荷情况、用户习惯、天气情况、设备情况等,实现对未来一小时、三小时、一天乃至一周的负荷预测;
(3)根据预设阀值,当预测值到达预警范围,立刻推送通知到相关人员,辅助优化供电调配,降低电网过载风险。
Ø中长期负荷预测产生的成效包括:
(1)挖掘各地区电网负荷随季节、政策的变化规律,并再此基础上结合政府规划、国民经济情况对未来一年到三年的电网负荷情况做出预测;
(2)预测未来一至三年电网负荷可能的变化,辅助峰谷电价、基建规划等的决策。
3利用用电信息数据指导用户合理优化用电
基于用电信息、电费信息及用户负荷等数据,利用分布式计算框架MapReduce、Spark框架、数据挖掘分析等技术,研究用户的负荷特性及用电行为习惯,构建用户用电影响模型,对用户不合理用电行为进行建议与信息推送,引导用户合理优化用电,提高能源利用率,降低用能费用,保障用户经济利益。
同时,也有利于电网削峰填谷,平稳运行,提升供电服务质量。
3.1数据现状与需求分析
用户用电数据之间存在关联性和相似性,数据中隐藏着用户的用电行为习惯,对这些用电数据进行基于大数据技术的分布式计算与数据挖掘分析,研究居民用户的生活习惯、用电习惯、电费、电价政策;研究企业用户的用能,用能与合同的关系等。
用户的用电数据受气象因素、节假日因素、周末因素、业扩报装因素等因素影响,根据单一用电影响因素以及多因素的重叠影响,构建用户用电意愿、业扩报装、环境因素用电量影响因素模型。
进而根据居民用户的用电行为习惯(峰谷电使用情况、阶梯电量使用情况、缴费习惯等)和企业用户的用电行为习惯(用电量情况、用电负荷情况、电费及缴纳情况、合同容量与超容情况),对不合理行为进行合理性用电建议并推送建议。
图2-19用电负荷预测业务流程图
(一)应用场景分析方法
Ø建立用电影响模型
对温度、湿度、节假日、周末等电量影响因素进行分析,根据单一用电影响因素以及多因素的重叠影响,搭建用电量因素影响模型,主要分析建立以下用电模型:
●温度对电量影响,分析温度变化和电量的关系;
●湿度对电量影响,分析湿度变化和电量的关系;
●季节对电量影响,分析不同季节和电量的关系;
●业扩报装对电量的影响;
●行业结构变化对电量的影响。
目前,省级各模型反应的电量影响关系达到上亿条。
Ø用户用电行为分析
主要分析目标用户的用电电量、电费、负荷特性、用电模型、产能利用利用率等数据。
利用MapReduce并行计算框架对这些数据进行处理,然后结合模型和算法进行分析。
全面展示用户用电行为,是生成用户用电合理建议书的前提。
企业用电习性依据企业所属行业、负荷特性、电量等信息分析企业的用电行为,并进行分类;分析企业的产能、产值及产能利用效率。
居民用电习性依据用户的用电量、电价政策等信息分析用户的基础特征及用电行为分析;分析各地区城网、农网的居民用户的用电基数;分析居民的电器化率及电器使用情况等。
下面以居民用户为例进行分析。
●用电量
用电量分析项主要通过用户电量分析用电行为。
居民用户分析电量走势、峰谷电量、阶梯电量、季节电量、电表示数。
✧电量走势
通过对用户采集电量计算,展示任一时间段内用户日、周、月用电量的走势。
可从中分析任一时间段内用户各时间点用电量的变化情况。
电量走势是用户电量分析的基础,从中分析用户用电量和变化情况。
✧峰谷电量
根据电量走势和峰谷段电量划分统计用户日、月、年的峰谷电量构成。
展示用户任一时间段内的峰谷电量走势。
可从中分析任一时间段内用户峰谷用电量的大小和占比。
对于居民用户,峰谷电量是分析居民使用峰谷用电是否合理和使用峰谷电价的经济效益的主要基础数据。
✧阶梯电量
根据电量走势和阶梯电量各阶梯的划分统计用户月、年的阶梯电量构成。
展示用户任一时间段内的按阶梯电量走势。
是分析居民使用阶梯电量的经济合理性和提醒用户阶梯电量使用情况的基础。
✧季节电量
季节电量主要是根据月用电量数据和一年四季月份的划分计算得出。
展示用户多年中每年四个季节用电量的走势和占比。
是分析用户季节用电量的变化和合理性的基础。
按照一年四季月份的划分对12个月数据分类:
3、4、5月总的用电量作为春季用电量,6、7、8月总的用电量作为夏季用电量,9、10、11月总的用电量作为秋季用电量,12、1、2月总的用电量作为冬季用电量。
✧电表示数
电表示数是用户电表采集的原始数据,是电量数据计算的基础。
展示用户电表的日、月电表示数和电表倍率。
从中可分析用户电表采集准确率和异常情况。
●节假日对用电量影响分析
建立节假日对用户用电电量影响模型。
根据用户节假日电量模型分析节假日对用户用电量的影响。
该模型主要根据用户用电量走势和节假日用电量的关系计算,分析用户用电量受节假日的影响率。
模型展示某年所有节假日的电量影响模型,可反映节假日对企业生产、居民生活的影响。
●生成用电合理建议书
(1)企业用户
通过用户用电行为分析结合用户所属市县所属行业的整体能耗情况、平均用电量、负荷特性、峰谷能耗比以及产能利用率,分析用户的能耗水平、产能利用水平、峰谷用能等用电合理性,生成针对该用户的用电合理性建议书。
建议书将提出电量分析建议项、负荷分析建议项、产能利用率分析建议项、温度对负荷影响分析建议项等内容。
(2)居民用户
根据用户用电行为分析以及和同地区居民用电情况的比较分析生成针对该用户的用电合理性建议书。
其中包含:
✧峰谷电量分析建议项
峰谷电量分析建议项主要是通过用户总用电量、电量峰谷比、用电基数等电量数据分析用户用电合理性。
总用电量:
分析用户近12月总用电量和同行业用户平均用电量。
电量峰谷比:
分析近12月用户电量峰谷比和所属行业电量峰谷比。
并进行比较分析该用户用电峰谷比是否合理,如不合理建议用户合理安排峰谷段用电。
用电基数:
分析用户近12月平均用电基数和该地区居民平均用电基数,并进行比较分析用户用电基数是否合理。
如用户用电基数过高建议用户节约用电。
✧阶梯电量分析建议项
阶梯电量分析建议项主要是通过用户阶梯电量、各阶梯电量占比等电量数据分析用户用电合理性。
阶梯电量:
分析用户前一年各阶梯的用电量,如用户电量超过第一阶梯,建议用户节约用电。
阶梯占比:
分析用户前一年各阶梯电量的占比情况。
✧季节电量分析建议项
季节电量分析建议项主要是通过用户季节电量、季节用电影响等电量数据分析用户用电合理性。
季节电量:
分析用户前一年四季各季节的用电量。
阶梯占比:
通过用户前一年夏冬季节电量占比情况,分析季节对用户用电的影响是否明显。
如明显提醒用户。
●合理性用电建议与推送
将用户用电合理建议书的分析结果及合理用电建议通过微信、短信、门户网站等渠道向用户推送。
提醒客户有可能存在的设备缺陷;指导用户合理签订购售电合同、选择电价政策、生产活动安排、错峰用电,降低用户的生产、用能成本,促进用户利益最大化、促进节能降耗。
3.2应用场景成效
通过分析和研究用户用电行为,建立用户用电影响模型,对不合理用电行为进行合理性用电建议,引导企业用户企业合理安排生产,引导居民用户进行用电习惯调整,以达到节能减排和优化电网运行的目的。
4利用消费能耗数据进行节能减排
PecanStreetInc.是一个由大学、技术公司和公用事业提供商组成的非赢利性组织,他们协作在智能电网技术领域进行测试、试运行和商业化运营工作。
对他们来说,“智能电网”一词定义了公用事业行业进行电网系统改造所做的工作,其中包括采用高级计量系统、家庭能源管理系统(HEMS)、传感器、太阳能光伏(PV)系统、智能家电、电动汽车以及互联网服务等,以帮助消费者提高能源效率。
当前,PecanStreet已经通过德克萨斯州奥斯丁市Mueller社区200多个家庭中的传感器系统,收集了近两年的能耗数据。
PecanStreet的主要目的是推动在消费者能源管理领域发现新的产品、服务和经济机会。
他们的研究将可以向人们提供管理和减少其能耗的知识和工具,使其家庭生活更舒适。
此外,公用事业公司将能够利用此类数据更好地管理电网,并投资进行更佳的基础设施改造工作。
PecanStreet研究的核心是一种终端设备到云的架构,能够捕获多个来源的数据,并进行存储以供分析和可视化之用。
他们通过一些系统收集电力数据,这些系统能够每隔六秒测量一次流过六到八个电路的电量。
还通过使用无线网关的公用事业量表收集燃气和水的数据。
此外,社区中旧机场塔台上的无线电收集器可通过高可靠性公用事业网络,将Landis+Gyr*高级智能量表中的数据传送到德克萨斯大学超级计算机设施和他们的数据库中。
他们记录消费者的行为,如修改其家庭中的环境控制方式,或者调整其能源信息查看方式等。
还计划收集来自高级恒温器、家庭自动化系统、家庭安保系统、运动探测器以及新能源技术(如太阳能板和电动汽车充电站)的数据。
在此项目中,了解消费者如何对待他们收集的数据非常关键。
因此,在研究中,有些参与者可以通过基于Web的门户或智能手机应用访问其数据。
在两年的时间里,他们捕捉了大量数据(总共有超过80GB的信息);预计在计划实施期间数据量将增加到1TB。
虽然1TB可能看起来不是很多,但作为单个数据点,这实际是一个巨大的数量。
每个数据点都代表一个唯一事件,因此对此类数据的处理极其复杂。
大数据带来的挑战是整合这一来自多个分散来源的稳定非结构化数据流,并将其传输至德克萨斯大学,以进行分析和可视化处理工作。
他们正在第三代数据库架构上尝试找出存储和分析如此大量数据的方式。
在第一个月过后,他们认识到他们的MySQL*方法无法应付复杂的查询,例如“电冰箱在24小时内的总体使用情况如何,是否有机会实施公用事业需求响应或调峰方案?
”因此,他们迁移到了其他数据库架构,现在正在评估一个EMCGreenplum*大数据解决方案。
Greenplum提供了一种集成式大数据分析系统;该系统采用了大量并行处理(MPP)架构,没有专有硬件的复杂性和约束;所用的Hadoop*产品可帮助他们利用针对结构化和非结构化数据的模块化解决方案处理和分析他们的数据。
除了寻求合适的大数据分析方法,他们面临的最大挑战之一是收集的数据的完整性。
数据系统中的无效信道或者居民宽带连接中断会提供不可靠的值。
通过生成已知完好数据的合格数据集来解决此问题。
他们将这些数据标记为极高质量,并指引研究人员使用这些数据。
包括英特尔在内的参与PecanStreet组织的机构将使用智能电网项目作为其新产品概念的开发平台,在此基础之上进行开拓创新。
利用大数据分析,可以更好地了解人们的能源消费方式及其希望的能源管理方式。
此外,他们可以向公用事业公司提供洞察,帮助他们在电网改造领域进行最佳投资。
5电网大数据发展趋势
随着我国智能电网建设速度不断加快,电力大数据的作用和优势日也益突出。
面对海量的电力数据,综合电网营销数据、配网数据、调度数据等多环节业务的综合数据挖掘,其成果将对电力系统故障诊断、电力调度、负荷预测、安全性评估等几个方面做出非常大的贡献。
通过良好的大数据管理,可切实提高电力生产、营销及电网运维等方面的管理水平。
未来在实时采集用电侧用户电能信息的情况下,可针对特定区域、特定用电群体、甚至是特定电器开展实时用电数据、阶段用电数据、累计用电数据开展海量数据数据价值挖掘,从而预测用户用电需求,预制合理的供电计划,支撑需求侧管理;并通过大数据分析技术分析用户用电行为,重塑用户用电习惯,推动节电,支撑节能减排;根据各区域用电数据分析,整合配供电资源,确定最优用户业扩方案,支撑用电方案优化制定;分析用电用户对于电价敏感度,为分时电价业务开展做准备。
同时,电力大数据相关技术的深化应用,还将对各级政府、事业单位及其他商业团体带来越来越大的价值,如根据特定行业用户用电数据进行分析可衡量该行业发展情况,支撑行业发展分析;根据对特定区域内用户用电数据分析,可衡量该地区经济情况,支撑地区经济发展分析;根据不同用户的用电习惯,分析用户经济能力,从而支撑如家电厂商、房地产商等开展业务推广或调整业务发展方向。
大数据时代为智能电网带来了新的发展机遇,开创了智能电网的新纪元,同时也提出了新的挑战。
在电力行业内开展的电力大数据研究中,大多都是将现有Hadoop、storm、内存库等大数据技术单独应用,而对技术的融合创新研究尚未取得特别多的成果,这一方面的研究应用仍然是一大难题。
从长远来看,作为中国社会发展的晴雨表,电力数据以其与经济发展紧密而广泛的联系,将会呈现出无以伦比的正外部性,对我国经济社会发展以至人类社会进步也将形成更为强大的推动力。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 电网 数据 调研 报告
![提示](https://static.bdocx.com/images/bang_tan.gif)