Académique Documents
Professionnel Documents
Culture Documents
(1)
Vnorm(t): Valor Normalizado; Vcc(t): Valor original; Vmax
e Vmin: valores mximo e mnimo da srie a ser
normalizada.
Foram testadas vrias configuraes de Mapas sendo que a
configurao com a melhor distribuio dos agrupamentos e
melhor definio das caractersticas foi obtida com 4
clusters ou um mapa com 4 neurnios (2 x 2). Utilizou-se o
programa MatLab (newsom) com uma topologia grid,
mtodo de clculo da distncia pela norma do vetor
(distncia Euclidiana), taxa de aprendizagem decrescente
durante o processo de agrupamento (de 0,9 a 0,01) e
vizinhana igual a zero ao final do processo (apenas um
neurnio para cada agrupamento). A fase de sintonia teve
uma varredura com 10.000 ciclos.
Ao final do processo obteve-se ativao de 03 (trs)
neurnios, sendo um deles ativado exclusivamente com
elementos oriundos de dias com Horrio de Vero - HV e os
outros dois com dias Fora do Horrio de Vero - FHV. Um
com mdia de temperatura mxima de 25C outro grupo de
dias mais quente com mdia de 30C. Foram, dessa forma,
identificadas 03 curvas tpicas:
Domingos (curvas tpicas)
0.00
0.20
0.40
0.60
0.80
1.00
1.20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
HV
FHV-25C
FHV-30C
Ilustrao 4 - Curvas tpicas de Domingos / Kohonen
Tabela 1
Curvas tpicas - Domingos
hora 1 2 3 4 5 6 7 8 9 10 11 12
HV 0.474 0.324 0.218 0.148 0.119 0.111 0.044 0.000 0.092 0.176 0.237 0.269
FHV - 25C 0.311 0.198 0.126 0.084 0.065 0.068 0.018 0.000 0.103 0.181 0.221 0.246
FHV - 30C 0.431 0.292 0.209 0.155 0.126 0.103 0.000 0.037 0.132 0.197 0.232 0.252
hora 13 14 15 16 17 18 19 20 21 22 23 24
HV 0.275 0.264 0.255 0.268 0.302 0.368 0.465 0.624 1.000 0.970 0.860 0.638
FHV - 25C 0.247 0.222 0.209 0.225 0.297 0.529 1.000 0.920 0.802 0.707 0.559 0.374
FHV - 30C 0.272 0.258 0.256 0.275 0.317 0.418 0.843 1.000 0.922 0.844 0.717 0.524
(FC) - HV 1.446
(FC) - FHV 25C 1.558 Valor carga(i)= Valor Tipico(i)*Valor Mximo*(1-1/FC)+Vmximo/FC
(FC) - FHV 30C 1.492
Avaliao da recuperao do valor em MW
(desnormalizao)
Uma vez que se obtm a projeo de um valor de consumo
mximo para um determinado dia, utiliza-se uma dessas
curvas tpicas para compor a srie horria. Existem duas
maneiras de fazer essa composio:
A primeira utilizando-se os valores mximo e mnimo
projetado para aquele dia. Outro mtodo utilizar apenas o
Mximo e um Fator de Converso FC obtido pela razo
Valor Mximo / Valor Mnimo da srie.
No nosso exerccio, utilizamos essa segunda opo dado que
a projeo utilizada fornecia apenas a previso do Mximo.
Avaliao do erro
O erro mdio medido, tendo por base a srie de domingos
utilizada variou de 1% para srie recompostas com Mx-
Min e de 2% para sries recompostas com FC. O grfico a
seguir mostra a recuperao de uma determinada srie de
domingo e a tabela anexa mostra o erro hora a hora.
Comparao entre a srie original e as duas sries recuperadas
0
5000
10000
15000
20000
25000
30000
35000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Exemplo Valor Original
Curva recomposta com FC
Curva recomposta c/ Max-Min
Ilustrao 5 - Comparao entre real e recomposio por FC.
V - AGRUPAMENTO POR FUZZY C-MEANS
Partindo da mesma base de dados normalizada dos
domingos e da mesma quantidade de Clusters (quatro),
obtiveram-se as seguintes curvas tpicas para os domingos:
Curvas tpicas Domingos - (FCM)
0.00
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
1.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
hora
HV-01(30C)
HV-02 (28C)
FHV-01(28C)
FHV-02 (25C)
HV
Ilustrao 6 - Curvas tpica de domingos por FCM
Tabela 2 - Valores tpicos para os domingos (FCM)
Curvas tpicas - Domingos (FCM)
ms 1 2 3 4 5 6 7 8 9 10 11 12
HV-01(30C) 0.508 0.342 0.234 0.162 0.132 0.122 0.062 0.000 0.084 0.171 0.223 0.247
HV-02 (28C) 0.429 0.287 0.184 0.141 0.113 0.105 0.006 0.000 0.107 0.190 0.253 0.271
FHV-01(28C) 0.383 0.265 0.184 0.134 0.111 0.093 0.000 0.036 0.139 0.204 0.245 0.263
FHV-02 (25C) 0.294 0.191 0.119 0.077 0.060 0.062 0.029 0.000 0.097 0.171 0.215 0.235
ms 13 14 15 16 17 18 19 20 21 22 23 24
HV-01(30C) 0.250 0.249 0.248 0.260 0.286 0.353 0.428 0.561 0.985 1.000 0.889 0.670
HV-02 (28C) 0.281 0.271 0.255 0.272 0.312 0.386 0.527 0.796 1.000 0.923 0.796 0.573
FHV-01(28C) 0.272 0.261 0.256 0.274 0.319 0.448 0.954 1.000 0.898 0.810 0.670 0.461
FHV-02 (25C) 0.238 0.217 0.205 0.219 0.291 0.550 1.000 0.881 0.782 0.684 0.543 0.347
(FC) HV-01 = 1.422780206 (FC) FHV-01 = 1.507793936
(FC) HV-02 = 1.465389733 (FC) FHV-02 = 1.568531645
VI COMPARAO ENTRE OS AGRUPAMENTOS
Diferente do mapa de Kohonen, onde 94% das ativaes de
sries HV deram-se no mesmo neurnio, com FCM houve
uma separao em dois grupos com a caracterstica de
pertencerem a HV e com temperaturas mdias das mximas
de 28C e um maior achatamento do perodo de ponta em
um grupo com mdia mais quente durante o dia e um
achatamento no mnimo. O agrupamento Kohonen se
aproximou mais do cluster fuzzy (VH-FCM02) com mdia
de 28C. Analisando o parmetro temperatura no se pode
4
concluir a causa dessa diferena, nem to pouco se tentar
explicar levando em conta os dias dentro do perodo de
horrio de vero, pois ambos os grupos tem dias em todos os
meses do Horrio de Vero. Contudo, mesmo assim o erro
ao adotar-se um nico padro muito baixo, como j foi
visto anteriormente.
Comparao das C. Tpicas obtidas - Horrio de Vero
por M. Kohonen e por FCM
0.00
0.20
0.40
0.60
0.80
1.00
1.20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Kohon-HV
HV-FCM02
HV-FCM04
Ilustrao 7 - Curvas tpicas de HV por Kohonen e FCM
J as curvas fora do horrio de vero tiveram uma
sobreposio grande, tanto por Kohonen quanto por FCM.
Comparao das C. Tpicas obtidas - Fora do H. de Vero
por M. Kohonen e por FCM
0.00
0.20
0.40
0.60
0.80
1.00
1.20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
FHV-Kohon-I
FHV-Kohon-II
FHV-FCM01
FHV-FCM03
VII CURVAS TPICAS DOS DEMAIS DIAS
Segundas-feiras
Curvas Tpicas (segunda-feira)
0.00
0.20
0.40
0.60
0.80
1.00
1.20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
HV
FHV (ameno)
FHV (mdio)
FHV (quente)
Ilustrao 8 - Curvas tpicas das segundas obtidas com FCM
Tabela 3 - Valores tpicos de segundas (FCM)
segundas 1 2 3 4 5 6 7 8 9 10 11 12
HV 0.214 0.095 0.024 0.000 0.014 0.100 0.258 0.400 0.616 0.760 0.834 0.826
FHV (ameno) 0.110 0.043 0.009 0.000 0.022 0.109 0.274 0.375 0.522 0.608 0.668 0.668
FHV (mdio) 0.143 0.054 0.014 0.000 0.023 0.119 0.281 0.407 0.597 0.711 0.779 0.770
FHV (quente) 0.167 0.066 0.020 0.000 0.018 0.105 0.222 0.407 0.667 0.799 0.884 0.867
13 14 15 16 17 18 19 20 21 22 23 24
HV 0.787 0.845 0.885 0.890 0.874 0.775 0.658 0.715 1.000 0.944 0.853 0.617
FHV (ameno) 0.631 0.658 0.682 0.690 0.720 0.769 1.000 0.910 0.821 0.750 0.622 0.438
FHV (mdio) 0.733 0.771 0.809 0.812 0.820 0.767 1.000 0.981 0.881 0.830 0.718 0.503
FHV (quente) 0.828 0.890 0.936 0.940 0.911 0.762 0.925 1.000 0.914 0.902 0.806 0.591
Dias teis
H.Vero (quentes x amenos)
0.00
0.20
0.40
0.60
0.80
1.00
1.20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
amenos
quentes
Ilustrao 9 - Dias teis - Horrio de vero
Tabela 4 - Valores tpicos, desvio padro e varincia.
Dias teis - Horrio de Vero
Dias amenos 1 2 3 4 5 6 7 8 9 10 11 12
Mediana 0.243 0.103 0.026 0.000 0.007 0.079 0.211 0.347 0.547 0.658 0.729 0.688
Desv.Padro 0.048 0.024 0.013 0.008 0.007 0.024 0.068 0.091 0.085 0.074 0.061 0.055
Variancia 0.002 0.001 0.000 0.000 0.000 0.001 0.005 0.008 0.007 0.005 0.004 0.003
mx 0.385 0.175 0.066 0.025 0.027 0.150 0.414 0.620 0.803 0.879 0.913 0.852
min 0.100 0.030 -0.013 -0.025 -0.014 0.008 0.007 0.074 0.291 0.437 0.544 0.524
Dias amenos 13 14 15 16 17 18 19 20 21 22 23 24
Mediana 0.652 0.711 0.749 0.753 0.754 0.686 0.652 0.730 1.000 0.881 0.787 0.531
Desv.Padro 0.036 0.039 0.049 0.051 0.054 0.051 0.069 0.090 0.000 0.037 0.048 0.061
Variancia 0.001 0.002 0.002 0.003 0.003 0.003 0.005 0.008 0.000 0.001 0.002 0.004
mx 0.760 0.829 0.895 0.907 0.915 0.839 0.860 1.000 1.000 0.992 0.931 0.714
min 0.544 0.593 0.603 0.600 0.594 0.534 0.444 0.459 1.000 0.771 0.643 0.347
Fora H. Vero (comparao de curvas tipicas)
0.00
0.20
0.40
0.60
0.80
1.00
1.20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
+ quentes
quentes - 31%
amenos - 59%
Ilustrao 10 - Dias teis - FHV
Tabela 5 - Valores tpicos - dias teis
Srie tpica de dias teis - Fora do Horrio de Vero - FHV
FHV 1 2 3 4 5 6 7 8 9 10 11 12
Dias amenos 0.166 0.062 0.014 0.000 0.016 0.101 0.268 0.366 0.516 0.600 0.652 0.638
quentes 0.211 0.083 0.021 0.000 0.016 0.107 0.250 0.390 0.592 0.695 0.761 0.746
Dias + quentes 0.251 0.106 0.031 0.000 0.008 0.092 0.207 0.389 0.649 0.783 0.865 0.835
FHV 13 14 15 16 17 18 19 20 21 22 23 24
Dias amenos 0.593 0.627 0.659 0.662 0.683 0.741 1.000 0.891 0.774 0.717 0.589 0.377
Dias quentes 0.700 0.741 0.784 0.785 0.792 0.725 1.000 0.993 0.861 0.808 0.672 0.452
Dias + quentes 0.780 0.854 0.917 0.911 0.886 0.712 0.825 1.000 0.891 0.875 0.752 0.530
Sbados
Comparao entre as curvas de sbado
0.00
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
1.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
HV
FHV - ameno
FHV - quente
Ilustrao 11 Curvas tpicas de sbados
Tabela 6 - Valores tpicos de sbados
Curva tpica de um sbado
1 2 3 4 5 6 7 8 9 10 11 12
HV 0.3713 0.1845 0.0745 0.0189 0.0000 0.0228 0.0249 0.0879 0.2643 0.3873 0.4456 0.4245
FHV-ameno 0.246 0.117 0.036 0.003 0.000 0.028 0.045 0.118 0.269 0.357 0.390 0.365
FHV-quente 0.299 0.157 0.087 0.043 0.027 0.032 0.000 0.127 0.290 0.390 0.426 0.402
13 14 15 16 17 18 19 20 21 22 23 24
HV 0.3963 0.3830 0.3631 0.3553 0.3505 0.3639 0.4265 0.6302 1.0000 0.8620 0.6949 0.4666
FHV-ameno 0.342 0.335 0.324 0.322 0.338 0.524 1.000 0.934 0.779 0.628 0.484 0.286
FHV-quente 0.381 0.382 0.365 0.357 0.358 0.401 0.823 1.000 0.855 0.709 0.558 0.355
CONSIDERAES FINAIS:
O planejamento dirio do despacho das usinas hidreltricas
e unidades termeltricas da rede bsica, administrada pelo
ONS, requer uma previso do movimento de consumo ao
longo do dia e esse estudo torna-se altamente complexo
devido a multiplicidade de consumidores com os mais
diversos perfis. A modelagem matemtica, por esse motivo
torna-se extremamente complexa. O uso de tcnicas de
identificao de agrupamentos tendo como fonte de
informao as sries histricas um importante recurso para
esse trabalho.
Neste artigo mostramos o uso de duas tcnicas
desenvolvidas com aplicao de inteligncia computacional
(redes neurais e nmeros fuzzy) e que se mostraram eficazes
na identificao dos diversos perfis de consumo.
O mtodo aplicado neste estudo ser avaliado por
especialistas do ONS com objetivo de aferir sua validade,
uma vez que ainda no h modelos definitivos que
pudessem servir de paradigma para este estudo.
5
No entanto, comparando-se os dados reais do passado com
os valores obtidos pelas curvas tpicas, pudemos verificar
um o erro muito pequeno e aceitvel, uma vez que o plano
de despacho continuamente ajustado durante o dia e que
qualquer discrepncia poderia ser ajustada.
Pelo fato de ter-se utilizado apenas a temperatura mxima
do dia e no outros fatores climticos, como chuva/umidade
e luminosidade (hora do nascente e do poente) muitas
explicaes sobre os clusters no foram totalmente
consistentes.
Como desdobramento futuro desse projeto, imagina-se obter
associar essas informaes e avaliar se os agrupamentos
ficariam mais bem caracterizados.
Uma vez obtido um padro que pudesse ser atualizado
continuamente possvel simular vrias curvas de carga
baseadas nos principais parmetros que influenciam essas
curvas tpicas.
REFERNCIAS BIBLIOGRFICAS:
[1] Bezdek, C. J. and Pal, S. K. (1992). Fuzzy Models for
Pattern Recognition, IEEE Press, New York.
[2] Bezdek, J. (1981). Pattern Recognition with Fuzzy
Objective Function Algorithms, Plenum Press, New
York
[3] Cardoso, G. C. (2003). Modelo de previso baseado em
agrupamento e base de regras nebulosas, Dissertao de
Mestrado, Unicamp.
[4] Cardoso, Giselle Cristina. Modelo de previso baseado
em agrupamento e base de regras nebulosas / Giselle
Cristina Cardoso.--Campinas, SP: [s.n.], 2003.
[5] Klir, G. J. and Yuan, B. (1995). Fuzzy Sets and Fuzzy
Logic Theory and Applications, Prentice Hall.
[6] Kohonen, T. (1982). Self-organized formation of
topologically correct feature maps, Biological
Cyberneticys 43: 5969.
[7] Last, M., Klein, Y. and Kandel, A. (2001). Knowlegde
discovery in time series databases, IEEE Transactions
on Systems, Man and Cybernetics - Part B: Cybernetics
31(1): 160169.
[8] Lima, W. S. and Ohishi, T. (1999). Mapas auto-
organizveis no-paramtricos para analise da
influencia climtica em curvas de carga, Seminrio
Nacional de Produo e Transmisso de Energia
Eltrica 14: 3562.
[9] Magalhes, Marina Horota. Redes Neurais, metodologias
de agrupamento e combinao de previsores aplicados
previso de vazes naturais. Dissertao de Mestrado
Unicampi Campinas, SP 2004
[10] Salgado, Ricardo Menezes Clustering Bus Load
Curves,
http://ieeexplore.ieee.org/iel5/9620/30397/01397652.pd
f?isnumber=&arnumber=1397652
[10] Zadeh,L. A., 1965, Fuzzy sets, Information and
Control., vol. 8, pp.338-353.
6
ANEXO:
O que Mapa de Kohonen ?
Um Mapa Kohonen inspirado na forma como se supe que redes neurais naturais aprendem; e
O modelo originou-se a partir das pesquisas anteriores de Teuvo Kohonen em Anlise de
Componentes Principais e Quantizao de Vetores.
Para fundamentar uma aplicao na prtica de Mapas de Kohonen como um mecanismo para o
aprendizado auto-organizado de padres e seu posterior uso para classificao de padres, importante
analisarmos a capacidade representacional e a forma de representao da informao em um Mapa Auto-
Organizado - SOM.
Na prtica, um Mapa de Kohonen toma um conjunto de dados em um espao de dados V VV V qualquer e os
representa de forma discretizada atravs de um neurnio (e eventualmente sua vizinhana) no espao de
um Mapa Auto-Organizado A AA A. Esta transformao de um espao de representao para outro
denominada mapeamento , podendo ser representada por:
( ) ( ) ( )
: V , A x V x A (2)
A condio para que este mapeamento seja uma boa representao do espao vetorial que:
( )
min ,
r X
W X W X r A = (3)
Onde W um vetor de pesos da rede A AA A.
Este mapeamento est ilustrado na figura abaixo.
O espao vetorial V VV V um espao qualquer com a dimensionalidade do nmero de variveis de um padro X XX X
desse espao. O vetor de pesos w
s
do neurnio vencedor se S SS S A AA A e representa uma aproximao da
funo de mapeamento f que associa pontos do espao vetorial V VV V a neurnios em A AA A. w
s
o erro dessa
aproximao representado no espao vetorial V.
7
O Algoritmo Fuzzy C-Means (FCM)
O algoritmo de agrupamento de dados nebuloso fuzzy c-means (Bezdek, 1981) baseia-se em um modelo no linear de
otimizao que agrupa dados com caractersticas similares de acordo com um procedimento iterativo de minimizao de
uma funo objetivo que representa um critrio de partio, ponderado pelos graus de pertinncia dos dados aos
respectivos grupos.
O algoritmo FCM utiliza as seguintes notaes. Seja um conjunto finito de padres P = {p
1
; p
2
; ... ; p
N
}
s
onde
s
um espao Euclideano s-dimensional; c o nmero de grupos, com 2 c N; U = [
ij
] e a matriz de pertinncia,
onde
ij
, 1 i c e 1 j N denota o grau de pertinncia do padro p
j
ao grupo i. Uma c-partio de P e definida por:
[ ]
1 1
| 0,1 , , ; 1, ;0 ,
c N
fc ij ij ij i
i j
M U i j j N
= =
= = < <
`
)
(4)
O algoritmo FCM procura agrupar os dados minimizando a seguinte funo:
( )
2
1 1
, , ,1
N c
m
m ij ij fc
j i
J U V d U M m
= =
< >
(5)
Sendo d
ij
= ||p
j
v
i
||
A
a distncia entre pj e vi dada por uma norma induzida por um produto interno, isto , ||x||
A
=
x
T
Ax, com A uma matriz s x s definida positiva; V = {v
1
;v
2
; ...;v
c
} um conjunto de centros de grupo em que v
i
denominado o i-simo grupo; e m o fator que define o grau de nebulosidade da partio nebulosa do sistema. A
seguir, os passos bsicos do algoritmo FCM:
Algoritmo 1 FCM
Dado P, escolher o nmero de grupos 1 < c < N, o parmetro m > 1, o critrio de parada > 0 e o nmero mximo de
iteraes lmax.
1. Inicializar U
(0)
e o contador de iteraes l = 1.
2. Calcular os c centros de grupos
( ) ( ) ( )
{ } 1 2
, ,...,
l l l
c
v v v U
(l)
, com a equao:
( )
( )
( )
1
1
, 1, 2,...,
m
N
ij j
j l
i m
N
ij
j
p
v i c
=
=
= =
3. Utilizando
( ) l
i
v , atualizar U
(l-1)
, com seguinte procedimento:
Para j = 1 at N
Se ||p
j
( ) l
i
v ||
2
> 0
1
1
2 1
2
1
m
c
j i
l
ij
k
j k
p v
p v
=
| |
|
=
|
|
\
Se ||p
j
( ) l
i
v ||
2
= 0
l
ij
= 1; 1 i c
4. Calcular
( ) ( ) ( ) ( ) 1 1
,
max
l l l l
i j ij ij
U U
= =
Se > ou l < lmax
l = l + 1 e voltar ao passo 2
Seno parar.
8
Detalhamento do erro na recomposio de uma curva tpica
1 2 3 4 5 6 7 8 9 10 11 12
Exemplo Valor Original 24783 23569 22526 22097 21831 21715 20584 20663 21418 21988 22208 22426
Valor CurvaTipica- recomposta 0.47 0.32 0.22 0.15 0.12 0.11 0.04 0.00 0.09 0.18 0.24 0.27
Curva recomposta com FC 24,185 22,849 21,905 21,286 21,024 20,951 20,363 19,968 20,789 21,533 22,073 22,359
Curva recomposta c/ Max-Min 24,509 23,266 22,387 21,811 21,567 21,500 20,952 20,584 21,348 22,041 22,543 22,810
erro(Max-Min) 0.8% 0.6% 0.6% 0.3% 0.6% 0.6% 0.5% 0.9% 0.2% 0.2% 0.1% 0.8% 0.9%
erro-FC 1.1% 1.2% 1.5% 1.4% 1.8% 1.8% 1.8% 0.5% 1.7% 1.5% 1.0% 0.3% 0.1%
Erros V.Tpico x DesNormalizados
seq. Max-Min FC
180 1 0.8% 1.8%
130 2 0.5% 1.3%
79 3 0.8% 1.1%
24 4 1.0% 1.4%
78 5 0.3% 0.9%
138 6 0.4% 0.4%
35 7 0.7% 1.3%
189 8 0.8% 0.9%
81 9 0.4% 0.4%
22 10 0.9% 1.0%
Erro = erro quadrtico mdio percentual
Cluster obtidos para dias teis:
Presena de informao (total 815 padres) Temp mx. mdia ( C)
85% 9% 15% 1% 81% 88% 19% 9% ameno quente m. quente
1 1 1 1
2% 2% 98% 59% 1% 0% 99% 31% ameno quente
0 0 0 0
0 1 0 1
clulas clulas
Fora Horrio de Vero tem trs grupos bem marcados No perodo do Horrio de Vero identificamosdois grupos mais relevantes:
(0,0) com 59% das ativaes. Clima ameno. (1,1) - com 89% das ativaes, caracterizam-se por serem dias quentes.
(1,0) com 31% das ativaes. Dias quentes. (0,1) - com 9% das ativaes, caracterizam-se por serem dias amenos para vero.
(1,1) com 9% das ativaes. Dias mais quentes.
31.2 25.6 25.0 27.8
HV Fora HV Fora
25.9 28.5 29.1 30.6
HV Fora HV Fora
Fora HV Fora HV
HV Fora HV Fora
177 6 330 1
22 4 223 52