• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于最優(yōu)權(quán)系數(shù)的風電功率組合預測方法

    2016-06-08 07:11:58陳道君李磊楊楠林燕貞國網(wǎng)湖南省電力公司電力科學研究院湖南長沙0007國網(wǎng)江蘇省電力公司徐州供電公司江蘇徐州000新能源微電網(wǎng)湖北省協(xié)同創(chuàng)新中心三峽大學湖北宜昌00武漢大學電氣工程學院湖北武漢007
    電網(wǎng)與清潔能源 2016年4期
    關(guān)鍵詞:組合預測

    陳道君,李磊,楊楠,林燕貞(.國網(wǎng)湖南省電力公司電力科學研究院,湖南長沙 0007;.國網(wǎng)江蘇省電力公司徐州供電公司,江蘇徐州 000;.新能源微電網(wǎng)湖北省協(xié)同創(chuàng)新中心(三峽大學),湖北宜昌 00;.武漢大學電氣工程學院,湖北武漢 007)

    ?

    基于最優(yōu)權(quán)系數(shù)的風電功率組合預測方法

    陳道君1,李磊2,楊楠3,林燕貞4
    (1.國網(wǎng)湖南省電力公司電力科學研究院,湖南長沙410007;2.國網(wǎng)江蘇省電力公司徐州供電公司,江蘇徐州221000;3.新能源微電網(wǎng)湖北省協(xié)同創(chuàng)新中心(三峽大學),湖北宜昌443002;4.武漢大學電氣工程學院,湖北武漢430072)

    摘要:風電功率的短期預測對于電力系統(tǒng)的安全穩(wěn)定運行具有重要意義。提出了一種基于最優(yōu)權(quán)系數(shù)的風電功率短期預測組合方法,該方法將ARIMA時間序列、BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡和支持向量回歸機這4種單一預測模型進行綜合,并根據(jù)預測誤差信息矩陣,以誤差平方和最小為原則得到組合預測模型中的最優(yōu)權(quán)系數(shù),以此構(gòu)成組合預測模型,該模型能夠有效地綜合各單一預測模型的優(yōu)勢,降低預測風險。仿真實例表明:所提組合預測模型預測精度高,能夠方便快速地確定最優(yōu)權(quán)重系數(shù)值,降低預測誤差。

    關(guān)鍵詞:風電功率;組合預測;最優(yōu)權(quán)系數(shù);誤差信息矩陣

    Project SuPPorted bY the Nationa1 Science and Techno1ogY SuPPort Program(2013BAA02B01);the Nationa1 Natura1 Science Foundation of China(51207113).

    KEY W0RDS:wind Power;combination forecasting;oPtima1 weight coefficient;error information matrix

    目前常用的風電功率短期預測方法主要包括統(tǒng)計方法和物理方法。物理方法綜合考慮地形、水平高度和粗糙度等信息,利用物理方程建模進行預測,該方法需要準確有效的數(shù)值天氣預報(numerica1 weather Prediction,NWP)數(shù)據(jù),而無需大量的長期觀測數(shù)據(jù)[1]。統(tǒng)計方法則是通過對預測對象自身歷史數(shù)據(jù)的數(shù)學統(tǒng)計分析進行預測,所需數(shù)據(jù)單一、量大,對突變信息處理不好[2]。統(tǒng)計方法中應用較多的有持續(xù)預測法[3]、時間序列分析法[4-5]、人工神經(jīng)網(wǎng)絡法[6-9]、支持向量機法[10-11]、卡爾曼濾波法[12-14]、空間相關(guān)性法[14-16]等算法。持續(xù)預測法方法簡單但預測誤差較大;傳統(tǒng)的時間序列分析法發(fā)展較成熟,在數(shù)據(jù)無劇烈波動時預測效果良好,但難以準確挖掘數(shù)據(jù)本身的特征規(guī)律,對數(shù)據(jù)本身的依賴性較強,預測結(jié)果與參數(shù)設置密切相關(guān);人工神經(jīng)網(wǎng)絡法具有較好的自學習、自組織和自適應能力,可以解決復雜的非線性問題,但是需要大量的訓練樣本,其目標函數(shù)非常復雜,且學習時間過長;支持向量機在形式上類似于前向型人工神經(jīng)網(wǎng)絡,也避免了人工神經(jīng)網(wǎng)絡法過度依賴于經(jīng)驗的啟發(fā)模式,常被用于解決線性分類和非線性回歸問題,但是對于非線性問題沒有通用的解決方案,核函數(shù)難以選擇;卡爾曼濾波法應用于預測時具有穩(wěn)定、無偏的特點,實現(xiàn)過程中不斷預測和修正,無需存儲大量數(shù)據(jù),常用于風功率的在線監(jiān)測,但難以統(tǒng)計噪聲的特性。

    綜上所述,單一算法都有著自身的優(yōu)勢和局限性,因此亟需一種比較全面的方法,既能結(jié)合大眾算法的優(yōu)勢點,又能盡可能地避免其劣勢,所以提出了一種基于最優(yōu)權(quán)系數(shù)的風電功率短期預測的組合方法。該方法以各項單一預測方法為基礎,計算得出各個單一預測方法的結(jié)果誤差,然后根據(jù)誤差平方和最小來確定組合預測模型的最優(yōu)權(quán)系數(shù),最后通過加權(quán)綜合建立組合預測模型。實例分析表明,組合預測模型不僅提高了預測的準確性,還增強了預測結(jié)果的穩(wěn)定性,為風電功率短期預測提供了一條新的途徑。

    1 單一預測模型

    1.1時間序列分析法

    時間序列預測通過采集大量的歷史數(shù)據(jù),經(jīng)過模型辨識、參數(shù)估計和模型檢驗3個步驟,確定時間序列預測模型,達到預測的目的。本文采用自回歸求和滑動平均(auto regressive integrated moving average,ARIMA)的時間序列模型對風功率進行預測。

    首先建立時間序列預測模型,需對歷史風功率數(shù)據(jù)進行平穩(wěn)性檢驗,判斷數(shù)據(jù)值之間是否存在相關(guān)性。采用游程檢驗法[17]檢驗數(shù)據(jù)序列的平穩(wěn)性,若不滿足則作差分運算得到平穩(wěn)序列后再建模;采用Box-jenkins法對時間序列所屬類別進行判斷,而后估計模型中的參數(shù)(包括滑動平均系數(shù)和自回歸系數(shù)),從低到高逐個對模型階數(shù)進行擬合、檢驗,確定模型的最終階數(shù)。最終的預測模型為:

    式中:Pt為t時刻的功率;p、q為模型的階數(shù);φ1,φ2,…,φp,θ1,θ2,…,θp為模型的參數(shù);et為模型的預測誤差。

    1.2BP神經(jīng)網(wǎng)絡

    BP神經(jīng)網(wǎng)絡(back ProPagation NNs,BPNN)是一種前饋式的網(wǎng)絡,其主要有3層:輸入層、隱含層和輸出層,其拓撲結(jié)構(gòu)如圖1所示。BP神經(jīng)網(wǎng)絡的特點是:不同層神經(jīng)元之間沒有反饋連接,各層內(nèi)部神經(jīng)元之間也沒有任何連接,僅僅是相鄰層神經(jīng)元之間有單向的連接。

    圖1 BP神經(jīng)網(wǎng)絡結(jié)構(gòu)圖Fig. 1 The structure of BPNN

    BP神經(jīng)網(wǎng)絡的學習過程主要有以下4個步驟[18]:1)輸入數(shù)據(jù)從輸入層經(jīng)隱含層向輸出層傳播,傳遞到隱含層節(jié)點上時通過激活函數(shù)的變換,然后由輸出節(jié)點輸出;2)網(wǎng)絡的實際輸出與真實值之間的誤差不滿足精度要求時,從輸出層經(jīng)隱含層向輸入層逐層調(diào)整各層連接的闕值與權(quán)值;3)步驟1)與步驟2)反復交替進行對網(wǎng)絡進行訓練;4)網(wǎng)絡的實際輸出與真實值間的誤差趨向收斂的過程,即網(wǎng)絡的全局誤差趨向于極小值。

    以圖1為例介紹BP學習算法。

    對于輸出層,有

    對于隱含層,有

    式中:i為時刻;l為輸出層節(jié)點個數(shù);m為隱含層節(jié)點個數(shù);χ為輸入向量值。w,v分別為隱含層與輸出層、輸入層與隱含層之間的連接權(quán)值。f(·)為隱含層神經(jīng)元的激活函數(shù),常采用S函數(shù)。

    神經(jīng)網(wǎng)絡的誤差與權(quán)值調(diào)整采用梯度下降法。

    1.3RBF神經(jīng)網(wǎng)絡

    RBF神經(jīng)網(wǎng)絡(radia1 basis function neura1 network,RBFNN)同BP神經(jīng)網(wǎng)絡類似,是一種3層結(jié)構(gòu)的前饋式神經(jīng)網(wǎng)絡,所不同的是在隱含層使用RBF作為“基”,不需要通過加權(quán)即可把輸入信號映射到隱含層。隱含層到輸出層之間是一種線性映射,即輸出數(shù)據(jù)是由隱含層神經(jīng)元輸出后線性加權(quán)。綜上所述,RBF神經(jīng)網(wǎng)絡從輸入到輸出是非線性的映射,而神經(jīng)網(wǎng)絡的輸出對可調(diào)節(jié)參數(shù)來說又是線性的,這樣,網(wǎng)絡的權(quán)值就可由線性方程組直接求解,從而極大地增加了學習速率并且避免陷入局部極小值的問題[19]。其網(wǎng)絡結(jié)構(gòu)如圖2所示。

    圖2 RBF神經(jīng)網(wǎng)絡結(jié)構(gòu)Fig. 2 The structure of RBFNN

    對于RBF神經(jīng)網(wǎng)絡需確定徑向基函數(shù)的中心,通常采用的是自組織選取中心法。自組織選取中心法由兩部分組成:1)自組織學習,即學習隱含層中徑向基函數(shù)的中心和方差的階數(shù);2)有監(jiān)督學習階段,即確定輸出層權(quán)值。當隱含層基函數(shù)中心及闕值確定后,隱含層的輸出為:

    式中:Xk為第k個輸入樣本;t為徑向基的中心;σi為第i個非線性變換的方差。

    對于輸出層則有:

    式中:m為隱含層節(jié)點個數(shù);w為隱含層與輸出層之間權(quán)值。

    1.4SVR預測方法

    支持向量回歸機(SVR)以結(jié)構(gòu)風險化最小為原則構(gòu)建損失函數(shù),不僅考慮了訓練樣本的復雜性,而且還考慮了數(shù)據(jù)曲線的擬合性,并具有很好的泛化能力。通過求解式中目標函數(shù)的極小化問題即可確定其回歸函數(shù)。

    式中:C為懲罰因子,用于平衡支持向量回歸機不可分離點數(shù)和復雜性;為松弛因子;ε為不敏感損失系數(shù)。

    引入拉格朗日乘子,把式(6)含約束條件的凸二次優(yōu)化問題轉(zhuǎn)換為對偶問題進行求解。

    式中:K(xi,xj)為核函數(shù);ai和為拉格朗日乘子。

    求解式(7)得到最優(yōu)解:

    通過最優(yōu)解進一步計算ω和b:

    得到回歸函數(shù)為:

    2 風電功率的組合預測模型

    2.1組合預測概念

    1969年Bates和Granger共同提出了組合預測的方法,即將2種或2種以上無偏的單一預測模型進行組合,其結(jié)果要優(yōu)于每個單一預測模型。組合預測方法結(jié)合了多種單一預測模型的有效信息,以加權(quán)的形式得出組合預測模型[20]。在不同的條件下,不同的預測方法,其預測效果不盡相同,預測的穩(wěn)定性也存在著差異。因此,單一地使用某一種預測方法往往有較大的偏差,并且伴隨著不穩(wěn)定性[21]。組合預測按照適當?shù)臋?quán)系數(shù)做加權(quán)處理,結(jié)合不同的單一預測的結(jié)果,以期達到更高預測精度和可靠性的目的[22]。

    2.2基于最優(yōu)權(quán)系數(shù)的組合預測

    設y(i)為所測得的第i時刻的風電功率值,i=1,2,…,n,使用m種單一預測方法分別對風電功率進行預測,則yj(i)為第j種預測方法在i時刻的預測值。定義在時刻i采用第j種預測方法所得誤差為[23]:

    組合預測誤差的矩陣E為:

    設組合預測模型中的權(quán)系數(shù)向量為L=(l1,l2,…,lm)T,l1+l2+…+lm=1,組合預測模型的具體表達式如下:

    組合預測模型在時刻i的誤差為:

    則組合預測模型的誤差平方和表達式為[24]:

    以誤差平方和最小為目標求解組合預測模型中的權(quán)系數(shù),即求解式(16)的優(yōu)化問題。

    對于式(16)所示的優(yōu)化模型,利用拉格朗日乘子法進行求解,分別對L和拉格朗日乘子λ*求導可得:

    結(jié)合式(17)和式(18),求得最優(yōu)權(quán)系數(shù)表達式:

    式中:L*為最優(yōu)權(quán)系數(shù)向量。

    3 算例分析

    以湖北某風電場連續(xù)9d的實測風電功率數(shù)據(jù)為例進行分析,數(shù)據(jù)測量時間尺度為1 h,共218個數(shù)據(jù)點,其中前192個數(shù)據(jù)構(gòu)成訓練樣本集,后24個數(shù)據(jù)作為測試樣本集。預測步長取1,對其進行連續(xù)6步的滾動預測。該風電場共有額定功率750 kW的風力發(fā)電機41臺,假設風電場風向不變風速均勻,且不考慮風電場中的尾流效應,則整個風電場的有功輸出為單臺風力發(fā)電機的有功出力乘以發(fā)電機臺數(shù)。風電場實測風電功率數(shù)據(jù)如圖3所示。

    圖3 實測風電功率數(shù)據(jù)Fig. 3 Measured wind power data

    利用ARiMA模型對風電功率預測時,需對風電功率序列的平穩(wěn)性進行檢測。圖4所示為192個點的風電功率采樣點序列和前40個自相關(guān)函數(shù)值。由圖4可知,采樣點的自相關(guān)函數(shù)值不能快速衰減到零,采樣點序列平穩(wěn)性較差,需對其進行一階差分變換,得到如圖5所示的序列和前40個自相關(guān)函數(shù)值。由圖5可知,一階差分后采樣點序列的自相關(guān)函數(shù)值能夠較快地衰減到零,表明變換后的采樣點序列已經(jīng)平穩(wěn)。

    圖4 風電功率訓練樣本和前40個自相關(guān)系數(shù)Fig. 4 Wind power training sample and the first 40 auto correlation coefficients

    圖5 一階差分后風電功率采樣點和前40個自相關(guān)系數(shù)Fig. 5 Wind power sampling point after the first order difference and the first 40 auto correlation coefficients

    根據(jù)以上平穩(wěn)化處理,初步可知模型為ARIMA (p,1,q),然后進一步對(p,q)=(0,1,2,3,4)的各種階數(shù)組合按照低階到高階的順序依次進行擬合和檢驗,并考慮平穩(wěn)性和可逆性條件,最終確定模型為ARIMA(2,1,4),則下一時刻的預測值主要由最近的2個歷史值和4個殘差值確定。因此,可以把BP神經(jīng)網(wǎng)絡和RBF神經(jīng)網(wǎng)絡模型的輸入變量個數(shù)確定為6。按照RMSE最小化原則,通過多次試驗,確定BP神經(jīng)網(wǎng)絡模型的隱含層節(jié)點數(shù)為9。使用K-均值聚類方法確定RBF神經(jīng)網(wǎng)絡模型的聚類中心個數(shù)為18。對于支持向量回歸機模型,選用RBF核函數(shù)。不同單一預測模型的結(jié)果如表1所示。

    表1 4種單一預測方法預測結(jié)果Tab. 1 Forecasting results by 4 single forecasting methods

    將表1中的所得預測數(shù)據(jù)根據(jù)式(11)和式(12)計算可得到組合預測模型的誤差矩陣E:

    把組合預測模型的誤差矩陣E代入式(19)計算求得到組合預測模型的最優(yōu)權(quán)系數(shù)向量L*:

    結(jié)合式(13)和式(19),即可得到組合預測模型,其具體的數(shù)學表達式為:

    式中:y1、y2、y3、y4分別代表ARIMA、BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡和支持向量回歸機單一模型的預測結(jié)果。表2為組合預測模型的預測結(jié)果。

    表2 組合預測方法的預測結(jié)果Tab. 2 Forecasting results by the combined forecasting method

    為評價組合預測模型的預測效果,本文采用平均絕對誤差(mean abso1ute error,MAE)和平均絕對百分比誤差(mean abso1ute Percentage error,MAPE)作為其評價指標。eMAE、eMAPE的表達式如下。

    式中:y(i)為實測風電功率;A(i)為預測風電功率;n為測試樣本集的個數(shù);i為測試樣本的序列編號。

    4種單一預測方法和組合預測方法預測結(jié)果的預測指標見表3,預測結(jié)果的相對百分比誤差(re1ative Percentage error,RPE)的分布情況如表4所示。

    表3 4種單一預測模型和組合預測模型的預測指標Tab. 3 Indexes of 4 single forecasting models and the combined forecasting model

    由表4可知,ARIMA模型的平均絕對誤差和平均絕對百分比誤差在5種預測方法中都是最大的,預測效果最差。而組合預測方法的平均絕對誤差和平均絕對百分比誤差在5種預測方法中是最小的。上述結(jié)果表明,組合預測方法在結(jié)和各單一預測結(jié)果的基礎上,可有效減小預測誤差。

    表4 4種單項預測結(jié)果和組合預測結(jié)果RPE的分布情況Tab. 4 The distribution of RPE in 4 single forecasting results and the combination forecasting results

    進一步分析表5的數(shù)據(jù)可知,在所預測的點中,BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡和支持向量回歸機這3種方法各有20、20和21個點的相對百分比誤差小于30%,預測穩(wěn)定性大致相當。ARIMA模型全部預測點的相對百分比誤差都大于5%,預測穩(wěn)定性較差,且有6個預測點的結(jié)果大于30%。組合預測方法同其他4種單一預測方法相比,相對百分比誤差小于5%的預測點數(shù)最多,分別比ARIMA、BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡和支持向量回歸機的結(jié)果多9、4、7和6個,且有87.5%的預測點的相對百分比誤差小于30%。因此,與其他單項預測方法相比,組合預測方法的預測穩(wěn)定性更好。

    為進一步驗證所提組合預測模型的可靠性,選取風電場另一時間段內(nèi)連續(xù)的實測風電功率數(shù)據(jù)進行分析,將該組數(shù)據(jù)下各單一預測模型的預測結(jié)果代入組合預測模型的表達式(20)中,得到最終預測數(shù)據(jù),結(jié)果如表5所示。

    該組數(shù)據(jù)下4種單一預測方法和組合預測方法預測結(jié)果的預測指標見表6。

    由表6可以看出,所建立的組合預測模型在不同數(shù)據(jù)情況下與其他單一預測模型相比精度更高,驗證了組合預測模型的可靠性。

    通過上述對比分析可以得出,組合預測方法比單一預測方法預測精度更高,并且預測結(jié)果更穩(wěn)定,能更好地滿足工程實際需求。

    4 結(jié)論

    本文基于實測數(shù)據(jù),分別利用ARIMA時間序列、BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡和支持向量回歸機這4種預測模型對風功率進行預測,為有效地結(jié)合各單一預測模型的優(yōu)勢,以誤差平方和最小為原則構(gòu)建了組合預測模型,最終算例仿真結(jié)果表明:

    表5 單一預測及組合預測結(jié)果Tab. 5 Forecasting results of single forecasting methods and the combined forecasting method

    表6 單一預測模型和組合預測模型的預測指標Tab. 6 Indexes of the single forecasting model and combined forecasting model

    1)組合預測模型結(jié)合了各種單一預測模型的有效信息,與其他單一預測模型的性能指標相比,組合預測模型精度更高。

    2)較其他單項預測方法相比,組合預測方法的相對百分比誤差更小,預測穩(wěn)定性更高。

    參考文獻

    [1]田詩語.風電場風速和風電功率短期預測研究[D].武漢:武漢大學,2011.

    [2]ALEXANDRE C,ANTONIO C,JORGE N,et a1. A review on the Young historY of the wind Power short-term Predic-tion[J]. Renewab1e and Sustainab1e EnergY Reviews,2008,12(6):1725-1744.

    [3]楊秀媛,肖洋,陳樹勇.風電場風速和發(fā)電功率預測研究[J].中國電機工程學報,2005,25(11):1-5. YANG XiuYuan,XIAO Yang,CHEN ShuYong. Wind sPeed and generated Power forecasting in wind farm[J]. Proceedings of the CSEE,2005,25(11):1-5(in Chinese).

    [4]丁明,張立軍,吳義純.基于時間序列分析的風電場風速預測模型[J].電力自動化設備,2005,25(8):32-34. DING Ming,ZHANG Lijun,WU Yichun. Wind sPeed forecast mode1 for wind farms based on time series ana1-Ysis[J]. E1ectric Power Automation EquiPment,2005,25 (8):32-34(in Chinese).

    [5]TORRES J L,GARCIA A,DE BLAS M,et a1. Forecast of hour1Y average wind sPeed with ARMA mode1s in navarre(SPain)[J]. So1ar EnergY,2005,79(1):65-77.

    [6]EKONOMOU L,LAZAROU S,CHATZARAKIS G E,et a1. Estimation of wind turbines oPtima1 number and Produced Power in a wind farm using an artificia1 neura1 network mode1[J]. Simu1ation Mode11ing Practice and TheorY,2012,21(1):21-25.

    [7]CATALAO J P S,POUSINHO H M I,MENDES V M F. Short-term wind Power forecasting in Portuga1 bY neura1 networks and wave1et transform[J]. Renewab1e EnergY,2011,36(4):1245-1251.

    [8]劉瑞葉,黃磊.基于動態(tài)神經(jīng)網(wǎng)絡的風電場輸出功率預測[J].電力系統(tǒng)自動化,2012,36(11):12-22,37. LIU RuiYe,HUANG Lei. Wind Power forecasting based on dYnamic neura1 network[J]. Automation of Power E1ectric SYstems,2012,36(11):12-22(in Chinese).

    [9]彭懷午,劉方銳,楊曉峰.基于人工神經(jīng)網(wǎng)絡的風電場短期功率預測[J].太陽能學報,2011,32(8):1245-1250. PENG Huaiwu,LIU Fangrui,YANG Xiaofeng. Short term wind Power forecasting based on artificia1 neura1 network[J]. Acta Energiae So1aris Sinica,2011,32(8):1245-1250(in Chinese).

    [10]丁志勇,楊蘋,楊曦,等.基于連續(xù)時間段聚類的支持向量機風電功率預測方法[J].電力系統(tǒng)自動化,2012,36(14):131-135,149. DING ZhiYong,YANG Ping,YANG Xi,et a1. Wind Power Prediction method based on sequentia1 time c1ustering suPPort vector machine[J]. Automation of Power E1ectric SYstems,2012,36(14):131-135,149 (in Chinese).

    [11]SHI Jie,YANG YongPing,WANG Peng. Genetic a1gorithm-Piecewise suPPort vector machine mode1 for short term wind Power Prediction[C]. 8th Wor1d Congress on Inte11igent Contro1 and Automation. Jinan,China:IEEE,2010:4927-4931.

    [12]LIU Yongqian,SHI Jie,YANG YongPing,et a1. Piecewise suPPort vector machine mode1 for short-term wind-Power Prediction[J]. Internationa1 Journa1 of Green EnergY,2009,6(5):479-489.

    [13]潘迪夫,劉輝,李燕飛.基于時間序列分析和卡爾曼濾波算法的風電場風速預測優(yōu)化模型[J].電網(wǎng)技術(shù),2008,32(7):82-86. PAN Difu,LIU Hui,LI Yanfei. A wind sPeed forecasting oPtimization mode1 for wind farms based ontime series ana1Ysis and ka1man fi1ter a1gorithm[J]. Power SYstem Techno1ogY,2008,32(7):82-86(in Chinese).

    [14]趙攀,戴義平,夏俊榮,等.卡爾曼濾波修正的風電場短期功率預測模型[J].西安交通大學學報(自然科學版),2011,45(5):47-51. ZHAO Pan,DAI YiPing,XIA Junrong,et a1. A ka1man fi1ter based correction mode1 for short-term wind Power Prediction[J]. Journa1 of Xi’an Jiao Tong UniversitY(Natura1 Science Edition),2011,45(5):47-51(in Chinese).

    [15]LOUKA P,GALANIS G,SIEBERT N,et a1. ImProvements in wind sPeed forecasts for wind Power Prediction PurPoses using ka1man fi1tering[J]. Journa1 of Wind Engineering and Industria1 AerodYnamics,2008,96(12):2348-2362.

    [16]BARBOUNIS T G,THEOCHARIS J B A. Loca11Y recurrent neura1 networks for wind sPeed Prediction using sPatia1 corre1ation[J]. Information Sciences,2007,177 (24):5775-5797.

    [17]ALEXIADISMC,DOKOPOULOSPS,SAHSAMANOGLOU H S. Wind sPeed and Power forecasting based on sPatia1 corre1ation mode1s[J]. IEEE Transactions on EnergY Conversion,1999,14(3):836-842.

    [18]DAMOUSIS I G,ALEXIADIS M C,THEOCHARIS J B A. FuzzY mode1 for wind sPeed Prediction and Power generation in wind Parks using sPatia1 corre1ation[J]. IEEE Transactions on EnergY Conversion,2004,19(2):352-361.

    [19]WANG Jian,WU Wei,ZURADA J M. ComPutationa1 ProPerties and convergence ana1Ysis of BPNN for cYc1ic and a1most cYc1ic 1earning with Pena1tY[J]. Neura1 Networks,2012,33(9):127-135.

    [20]韓力群.人工神經(jīng)網(wǎng)絡教程[M].北京:北京郵電大學出版社,2006.

    [21]BATES J M,GRANGER C W J. The combination of forecasts[J]. OPerationa1 Research Quarter1Y,1969,20 (4):451-468.

    [22]CHATFIELD C. Mode1 uncertaintY and forecast accuracY[J]. Journa1 of Forecasting,1996,15(7):495-508.

    [23]TANG Xiaowo,ZHOU Zongfang,SHI Y. The error bounds of combined forecasting[J]. Mathematica1 and ComPuter Mode1ing,2002,36(9):997-1005.

    [24]鄭瀟.風電場短期功率組合預測理論與模型研究[D].武漢:武漢大學,2011.

    Combination Forecasting Method of Wind Power Based on 0ptimal Weight Coefficient

    CHEN Daojun1,LI Lei2,YANG Nan3,LIN Yanzhen4
    (1. Research Institute of State Grid Hunan E1ectric Power CorPoration,Changsha 410007,Hunan,China;2. Xuzhou Power SuPP1Y ComPanY,State Grid Jiangsu E1ectric Power CorPoration,Xuzhou 221000,Jiangsu,China;3. Hubei Micro-Grid Engineering Techno1ogY Research Center(China Three Gorges UniversitY),Yichang 443002,Hubei,China;4. Schoo1 of E1ectrica1 Engineering,Wuhan UniversitY,Wuhan 430072,Hubei,China)

    ABSTRACT:Short term forecasting of wind Power is of great significance for the safe and stab1e oPeration of Power sYstem. This PaPer Presents a new method for Predicting the wind Power based on the oPtima1 weight coefficient,which sYnthesizes the ARIMA time series,BP neura1 network,RBF neura1 network and suPPort vector regression. According to the forecasting error information matrix,the oPtima1 weight coefficient in the combination forecasting mode1 is obtained bY using the PrinciP1e of minimizing the error square. The method can effective1Y sYnthesize the advantages of each sing1e forecasting mode1,and reduce the risk of forecasting. Simu1ations of the rea1 case suggest that the ProPosed combination forecasting mode1 has a high accuracY,which can quick1Y determine the oPtima1 weight coefficient and reduce the Prediction error.

    文章編號:1674-3814(2016)04-0099-07中圖分類號:TK89

    文獻標志碼:A

    基金項目:國家科技支撐項目(2013BAA02B01);國家自然科學基金(51207113)。

    收稿日期:2015-11-15。

    作者簡介:

    陳道君(1986—),男,博士,工程師,主要從事電力系統(tǒng)運行與控制、新能源并網(wǎng)等方向的研究;

    楊楠(1987—),男,博士,講師,碩士生導師,主要從事電力系統(tǒng)運行與控制,新能源發(fā)電等方面的研究。

    (編輯徐花榮)

    猜你喜歡
    組合預測
    正向權(quán)重組合預測機制下的農(nóng)產(chǎn)品冷鏈物流需求量預測
    新常態(tài)下陜西小康社會建設進程測度
    基于EMD與果蠅參數(shù)尋優(yōu)的LSSVM的機場能耗預測
    計算機時代(2017年4期)2017-04-26 12:27:10
    RCH模型非線性組合預測方法研究
    基于組合預測模型污水處理水質(zhì)預測的研究
    組合預測法在汽車預測中的應用
    中國市場(2016年19期)2016-06-06 05:11:02
    零售業(yè)商品需求預測體系設計與實證檢驗
    基于多步變權(quán)組合法的我國國內(nèi)旅游人數(shù)預測
    改進的變權(quán)組合業(yè)務量預測應用方法
    移動通信(2014年22期)2014-12-26 03:57:07
    卷煙需求組合預測分析
    久久婷婷青草| 在线亚洲精品国产二区图片欧美 | 成人毛片a级毛片在线播放| 日韩一本色道免费dvd| 一区二区三区精品91| 亚洲综合色惰| 一二三四中文在线观看免费高清| 五月天丁香电影| 特大巨黑吊av在线直播| 免费黄频网站在线观看国产| 亚洲,欧美,日韩| 精品国产露脸久久av麻豆| 亚洲av欧美aⅴ国产| 免费播放大片免费观看视频在线观看| 黄色怎么调成土黄色| av卡一久久| 狂野欧美激情性bbbbbb| 亚洲人成网站高清观看| 黑丝袜美女国产一区| 最黄视频免费看| 伦理电影免费视频| 人妻少妇偷人精品九色| 亚洲图色成人| 久久久久国产网址| 亚洲精品久久久久久婷婷小说| 最新中文字幕久久久久| 蜜桃亚洲精品一区二区三区| 国产成人a区在线观看| 欧美区成人在线视频| 搡女人真爽免费视频火全软件| 视频中文字幕在线观看| 国产成人aa在线观看| 久久国产精品男人的天堂亚洲 | 国产高清有码在线观看视频| 亚洲不卡免费看| 精品少妇黑人巨大在线播放| 精品人妻视频免费看| 成人18禁高潮啪啪吃奶动态图 | 久久影院123| 亚洲欧美一区二区三区国产| 亚洲精华国产精华液的使用体验| 在线观看免费日韩欧美大片 | 国产精品人妻久久久影院| 性色avwww在线观看| 久久精品国产亚洲av天美| 少妇高潮的动态图| 黄片wwwwww| 最近中文字幕高清免费大全6| 国产69精品久久久久777片| 久久亚洲国产成人精品v| 亚洲精品自拍成人| 日韩成人av中文字幕在线观看| 国产乱来视频区| 在线观看人妻少妇| 成人毛片a级毛片在线播放| 有码 亚洲区| 久久久久网色| 国产精品国产av在线观看| 亚洲av日韩在线播放| 一本—道久久a久久精品蜜桃钙片| 能在线免费看毛片的网站| 内地一区二区视频在线| av福利片在线观看| 亚洲精品日韩av片在线观看| 高清不卡的av网站| 国产 一区 欧美 日韩| 精品国产一区二区三区久久久樱花 | 久久热精品热| 有码 亚洲区| 在线免费十八禁| 男女无遮挡免费网站观看| 身体一侧抽搐| 久久影院123| a级毛色黄片| 国产精品一二三区在线看| 人人妻人人看人人澡| 中文字幕av成人在线电影| 欧美精品国产亚洲| 日韩 亚洲 欧美在线| 小蜜桃在线观看免费完整版高清| 永久免费av网站大全| 有码 亚洲区| 免费黄色在线免费观看| 日韩,欧美,国产一区二区三区| 午夜福利在线在线| 色视频在线一区二区三区| 人妻系列 视频| 中文资源天堂在线| 搡女人真爽免费视频火全软件| 97热精品久久久久久| 少妇精品久久久久久久| 午夜福利网站1000一区二区三区| 国产精品精品国产色婷婷| 欧美3d第一页| 看免费成人av毛片| 国产成人免费观看mmmm| 乱系列少妇在线播放| 国产精品人妻久久久久久| 亚洲精品久久久久久婷婷小说| 欧美一区二区亚洲| 丝瓜视频免费看黄片| .国产精品久久| 亚洲av.av天堂| 最近手机中文字幕大全| 国产亚洲av片在线观看秒播厂| 亚洲国产高清在线一区二区三| 七月丁香在线播放| 乱系列少妇在线播放| 欧美日本视频| 亚洲高清免费不卡视频| 99热这里只有是精品50| 蜜臀久久99精品久久宅男| 天堂8中文在线网| 欧美3d第一页| 99精国产麻豆久久婷婷| 搡老乐熟女国产| 一级av片app| av视频免费观看在线观看| 2022亚洲国产成人精品| 天天躁日日操中文字幕| 精品一品国产午夜福利视频| 婷婷色综合大香蕉| 国产老妇伦熟女老妇高清| 午夜视频国产福利| 又大又黄又爽视频免费| 国产 精品1| av视频免费观看在线观看| 免费高清在线观看视频在线观看| 久久 成人 亚洲| 99久久人妻综合| 高清午夜精品一区二区三区| 国产精品三级大全| 亚洲国产成人一精品久久久| 男女免费视频国产| 黄色怎么调成土黄色| 国产爽快片一区二区三区| 国产精品一区二区在线观看99| 久久av网站| 国产白丝娇喘喷水9色精品| 2022亚洲国产成人精品| 国产视频首页在线观看| 国产精品国产三级国产专区5o| 十八禁网站网址无遮挡 | 亚洲国产精品一区三区| 老师上课跳d突然被开到最大视频| 1000部很黄的大片| 亚洲国产精品一区三区| av在线老鸭窝| 亚洲欧美日韩无卡精品| 亚洲精品国产av成人精品| 久久婷婷青草| 少妇丰满av| 亚洲欧美清纯卡通| 一个人看视频在线观看www免费| 少妇人妻久久综合中文| 熟女人妻精品中文字幕| 亚洲中文av在线| 十分钟在线观看高清视频www | 亚洲国产成人一精品久久久| 久久久亚洲精品成人影院| 亚洲内射少妇av| 国产亚洲一区二区精品| 亚洲国产高清在线一区二区三| 男女国产视频网站| 九九爱精品视频在线观看| 免费观看av网站的网址| 国产高清国产精品国产三级 | 啦啦啦在线观看免费高清www| 亚洲欧美日韩另类电影网站 | 国产精品一区二区在线不卡| 99热这里只有精品一区| 亚洲av欧美aⅴ国产| 久久99热这里只频精品6学生| 99久久人妻综合| 日韩欧美 国产精品| 久久人人爽av亚洲精品天堂 | 黑人猛操日本美女一级片| 欧美 日韩 精品 国产| 夜夜看夜夜爽夜夜摸| 欧美少妇被猛烈插入视频| 久久久久国产精品人妻一区二区| 青春草视频在线免费观看| 成人毛片60女人毛片免费| 久久综合国产亚洲精品| 国产成人精品一,二区| 日日啪夜夜撸| 日本一二三区视频观看| 看免费成人av毛片| 欧美精品国产亚洲| 亚洲美女搞黄在线观看| 亚洲激情五月婷婷啪啪| 国产精品久久久久久av不卡| 亚洲欧美成人精品一区二区| 国产成人免费观看mmmm| 亚洲成人一二三区av| 国产av码专区亚洲av| 青春草亚洲视频在线观看| 午夜精品国产一区二区电影| 亚洲精品自拍成人| 美女cb高潮喷水在线观看| 亚洲精华国产精华液的使用体验| 成人国产av品久久久| 美女主播在线视频| 精品人妻熟女av久视频| 最近中文字幕2019免费版| 免费av中文字幕在线| 99热这里只有精品一区| 国产精品成人在线| 亚洲国产色片| 成人免费观看视频高清| 777米奇影视久久| 男人和女人高潮做爰伦理| 午夜免费男女啪啪视频观看| 亚州av有码| 亚洲av综合色区一区| 美女脱内裤让男人舔精品视频| 亚洲内射少妇av| 91精品国产九色| av.在线天堂| 色视频在线一区二区三区| 极品少妇高潮喷水抽搐| 午夜日本视频在线| 亚洲四区av| 人妻一区二区av| 亚洲精品色激情综合| 99热全是精品| 亚洲欧美精品自产自拍| 欧美zozozo另类| 黄色欧美视频在线观看| 视频区图区小说| 亚洲精品第二区| 久久久久久久久久人人人人人人| 人人妻人人添人人爽欧美一区卜 | 男女下面进入的视频免费午夜| 精品人妻熟女av久视频| 制服丝袜香蕉在线| 亚洲aⅴ乱码一区二区在线播放| 精品一品国产午夜福利视频| 久久久久视频综合| 久久久久久人妻| 亚洲av国产av综合av卡| 日韩亚洲欧美综合| 大陆偷拍与自拍| 一级毛片久久久久久久久女| 久久久欧美国产精品| 丰满人妻一区二区三区视频av| 免费看av在线观看网站| 日韩人妻高清精品专区| 国产精品久久久久成人av| 亚洲久久久国产精品| 又粗又硬又长又爽又黄的视频| 欧美极品一区二区三区四区| 久久99蜜桃精品久久| 国产精品嫩草影院av在线观看| 看免费成人av毛片| 观看美女的网站| 成人综合一区亚洲| 亚洲av男天堂| 国产爽快片一区二区三区| 亚洲精品久久久久久婷婷小说| 久久影院123| 久久久久久久国产电影| 汤姆久久久久久久影院中文字幕| 亚洲,一卡二卡三卡| 久久久久久久久久久丰满| 国产午夜精品久久久久久一区二区三区| 亚洲四区av| 国产黄片美女视频| 女人十人毛片免费观看3o分钟| 人人妻人人看人人澡| 亚洲精品色激情综合| 免费黄网站久久成人精品| 国产黄色免费在线视频| 精品人妻熟女av久视频| 亚洲精品aⅴ在线观看| 欧美日韩国产mv在线观看视频 | 婷婷色综合www| 国产在线视频一区二区| 久久综合国产亚洲精品| 日韩成人伦理影院| 激情五月婷婷亚洲| 国产伦精品一区二区三区四那| av免费在线看不卡| 高清在线视频一区二区三区| 一区二区av电影网| 成年av动漫网址| 国产黄频视频在线观看| 99热全是精品| 午夜日本视频在线| 久久精品夜色国产| 国产永久视频网站| 水蜜桃什么品种好| 中文天堂在线官网| 国产亚洲精品久久久com| 精品酒店卫生间| 青青草视频在线视频观看| 日韩一区二区视频免费看| 97超视频在线观看视频| 免费黄频网站在线观看国产| 又大又黄又爽视频免费| 亚洲人成网站在线播| 日本av免费视频播放| 黄色视频在线播放观看不卡| 日本黄大片高清| 久久午夜福利片| 欧美激情极品国产一区二区三区 | 成人亚洲精品一区在线观看 | 国产精品国产av在线观看| 在线观看三级黄色| 国产成人精品一,二区| 久久久久久伊人网av| 纯流量卡能插随身wifi吗| 汤姆久久久久久久影院中文字幕| 免费在线观看成人毛片| 男人舔奶头视频| 国产淫片久久久久久久久| 99精国产麻豆久久婷婷| 插阴视频在线观看视频| 欧美日韩综合久久久久久| 啦啦啦中文免费视频观看日本| 欧美老熟妇乱子伦牲交| 一级二级三级毛片免费看| av视频免费观看在线观看| 一级片'在线观看视频| 久久久a久久爽久久v久久| 一区二区av电影网| 国产乱人偷精品视频| 亚洲欧洲国产日韩| 久久久久久人妻| 婷婷色综合大香蕉| 中文字幕免费在线视频6| 街头女战士在线观看网站| 最近的中文字幕免费完整| 身体一侧抽搐| 亚洲欧美中文字幕日韩二区| 午夜福利网站1000一区二区三区| a 毛片基地| 国产免费一级a男人的天堂| 国产在视频线精品| 视频中文字幕在线观看| 久久毛片免费看一区二区三区| 久久人人爽人人爽人人片va| 日韩电影二区| 一级毛片电影观看| kizo精华| 天堂8中文在线网| 日日摸夜夜添夜夜添av毛片| 久久综合国产亚洲精品| 亚洲欧美日韩东京热| 偷拍熟女少妇极品色| 中文资源天堂在线| 日本av手机在线免费观看| 在线播放无遮挡| 91久久精品国产一区二区三区| 国产伦精品一区二区三区四那| 2018国产大陆天天弄谢| 少妇的逼水好多| 精品久久国产蜜桃| 国产av一区二区精品久久 | 国产日韩欧美亚洲二区| 十分钟在线观看高清视频www | 欧美高清成人免费视频www| 有码 亚洲区| 精品一品国产午夜福利视频| 国产视频首页在线观看| 欧美+日韩+精品| 黄色怎么调成土黄色| 亚洲在久久综合| 嫩草影院新地址| 亚洲在久久综合| 嫩草影院新地址| 日本黄色日本黄色录像| 欧美zozozo另类| 大香蕉久久网| 六月丁香七月| 99视频精品全部免费 在线| 欧美成人一区二区免费高清观看| 日本免费在线观看一区| 夜夜骑夜夜射夜夜干| 99视频精品全部免费 在线| 亚洲综合精品二区| 人妻夜夜爽99麻豆av| 在线免费十八禁| 在线观看av片永久免费下载| 建设人人有责人人尽责人人享有的 | 少妇人妻久久综合中文| 精品人妻一区二区三区麻豆| 一本—道久久a久久精品蜜桃钙片| 国产日韩欧美亚洲二区| 国产成人精品婷婷| 国产又色又爽无遮挡免| 免费大片18禁| 亚洲久久久国产精品| 成人18禁高潮啪啪吃奶动态图 | 亚洲欧美一区二区三区国产| 亚洲精品视频女| 人妻系列 视频| 黄片无遮挡物在线观看| 欧美日韩亚洲高清精品| 日本wwww免费看| 国产在线一区二区三区精| 国产成人免费观看mmmm| 欧美一级a爱片免费观看看| 国产精品免费大片| 国产伦理片在线播放av一区| av在线播放精品| 黄色一级大片看看| 亚洲高清免费不卡视频| 制服丝袜香蕉在线| 午夜激情福利司机影院| 免费观看a级毛片全部| 欧美日韩亚洲高清精品| 日日撸夜夜添| 在线观看免费视频网站a站| 国产视频首页在线观看| 久久鲁丝午夜福利片| 六月丁香七月| 人妻夜夜爽99麻豆av| 狂野欧美白嫩少妇大欣赏| 亚洲精品久久久久久婷婷小说| 妹子高潮喷水视频| 九九久久精品国产亚洲av麻豆| 观看免费一级毛片| 欧美国产精品一级二级三级 | 日本av免费视频播放| 中文字幕制服av| 日本wwww免费看| tube8黄色片| 日本猛色少妇xxxxx猛交久久| 国产av一区二区精品久久 | 80岁老熟妇乱子伦牲交| 久久综合国产亚洲精品| 亚洲av二区三区四区| 春色校园在线视频观看| 天天躁夜夜躁狠狠久久av| 国产亚洲一区二区精品| 亚洲美女视频黄频| 久久久久久久亚洲中文字幕| 国国产精品蜜臀av免费| 欧美+日韩+精品| 美女福利国产在线 | 最黄视频免费看| 亚洲国产精品国产精品| 日韩av免费高清视频| 中文资源天堂在线| 嫩草影院入口| 日韩欧美 国产精品| 建设人人有责人人尽责人人享有的 | 日本爱情动作片www.在线观看| 亚洲色图av天堂| 国产精品久久久久成人av| 久久久亚洲精品成人影院| 免费看av在线观看网站| 亚洲综合色惰| 国产av一区二区精品久久 | 久久久欧美国产精品| 久久99热这里只频精品6学生| 夫妻性生交免费视频一级片| 黄色视频在线播放观看不卡| 日本色播在线视频| tube8黄色片| 精品一区在线观看国产| 色综合色国产| 久久久色成人| 久久99精品国语久久久| 老熟女久久久| 亚洲国产欧美人成| 免费大片黄手机在线观看| 亚洲精品国产av成人精品| 在线观看av片永久免费下载| 女的被弄到高潮叫床怎么办| 日韩大片免费观看网站| 久热这里只有精品99| 青春草亚洲视频在线观看| 十分钟在线观看高清视频www | 涩涩av久久男人的天堂| 欧美另类一区| 看免费成人av毛片| 一区二区三区乱码不卡18| 天天躁夜夜躁狠狠久久av| 国产v大片淫在线免费观看| 久久久久久久久大av| 一级毛片aaaaaa免费看小| 少妇裸体淫交视频免费看高清| 久久久久久久久久久免费av| 亚洲欧美中文字幕日韩二区| 日本色播在线视频| 一级爰片在线观看| 99九九线精品视频在线观看视频| 伦理电影大哥的女人| 中文字幕精品免费在线观看视频 | 久久久久久久久久久丰满| 日本猛色少妇xxxxx猛交久久| 99re6热这里在线精品视频| 一级毛片我不卡| 亚洲精品亚洲一区二区| 成年av动漫网址| 欧美精品国产亚洲| 亚洲精品一二三| 国产成人a∨麻豆精品| 亚洲av日韩在线播放| 啦啦啦啦在线视频资源| 色婷婷av一区二区三区视频| 亚洲av中文字字幕乱码综合| 高清不卡的av网站| 91久久精品电影网| 极品教师在线视频| 一级片'在线观看视频| 久久精品国产亚洲av涩爱| 午夜老司机福利剧场| 亚洲精品日韩在线中文字幕| 久久精品国产a三级三级三级| 国产亚洲午夜精品一区二区久久| 亚洲欧美日韩东京热| 亚洲av免费高清在线观看| 91aial.com中文字幕在线观看| 97在线人人人人妻| 成人影院久久| 欧美最新免费一区二区三区| 国产中年淑女户外野战色| 视频区图区小说| 秋霞伦理黄片| 国产精品久久久久久av不卡| 男女啪啪激烈高潮av片| 直男gayav资源| 91久久精品国产一区二区三区| 一个人看的www免费观看视频| 水蜜桃什么品种好| 草草在线视频免费看| 精品一品国产午夜福利视频| 国产免费视频播放在线视频| 日韩欧美 国产精品| 在线亚洲精品国产二区图片欧美 | 18禁裸乳无遮挡动漫免费视频| 尾随美女入室| 国产亚洲精品久久久com| 国产一区二区三区av在线| av在线老鸭窝| 亚洲精品久久午夜乱码| 国产精品一区二区性色av| 男人狂女人下面高潮的视频| 国产男人的电影天堂91| 不卡视频在线观看欧美| 亚洲国产色片| 亚洲av成人精品一二三区| 秋霞伦理黄片| 好男人视频免费观看在线| 日韩av在线免费看完整版不卡| 熟妇人妻不卡中文字幕| 97在线视频观看| 亚洲成色77777| 少妇熟女欧美另类| 丰满人妻一区二区三区视频av| 高清视频免费观看一区二区| 婷婷色综合www| 成人黄色视频免费在线看| 免费少妇av软件| 欧美zozozo另类| 在线观看av片永久免费下载| 国产精品蜜桃在线观看| 亚洲国产欧美人成| 欧美日韩综合久久久久久| 天堂俺去俺来也www色官网| 各种免费的搞黄视频| 一个人看视频在线观看www免费| 女性被躁到高潮视频| 黄片wwwwww| 国产av一区二区精品久久 | www.av在线官网国产| 国产精品99久久99久久久不卡 | 久久久亚洲精品成人影院| 直男gayav资源| 大片电影免费在线观看免费| 成人高潮视频无遮挡免费网站| 乱系列少妇在线播放| 亚洲av成人精品一二三区| 亚洲精品一二三| 99久国产av精品国产电影| 高清欧美精品videossex| av免费观看日本| 久久精品熟女亚洲av麻豆精品| 国产精品久久久久久av不卡| 国产亚洲5aaaaa淫片| tube8黄色片| 久久6这里有精品| 久久久亚洲精品成人影院| 国产大屁股一区二区在线视频| 偷拍熟女少妇极品色| 亚洲国产高清在线一区二区三| 欧美日韩亚洲高清精品| 激情五月婷婷亚洲| 亚洲国产高清在线一区二区三| 欧美日韩亚洲高清精品| 亚洲精品国产成人久久av| 全区人妻精品视频| 在线亚洲精品国产二区图片欧美 | 黄片wwwwww| 午夜免费男女啪啪视频观看| 精品久久久精品久久久| 亚洲天堂av无毛| 久久久精品免费免费高清| 欧美日韩国产mv在线观看视频 | 亚洲av成人精品一区久久| 国产免费视频播放在线视频| av在线观看视频网站免费| 大又大粗又爽又黄少妇毛片口| 天天躁日日操中文字幕| av播播在线观看一区| 日韩一区二区视频免费看| 亚洲va在线va天堂va国产| 黄片wwwwww| 久久亚洲国产成人精品v| 精品一区二区三区视频在线| 亚洲av成人精品一二三区| 欧美+日韩+精品|