• <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 ?

    基于支持向量機的變壓器故障診斷方法①

    2017-06-07 08:24:04施竹君王寶華
    計算機系統(tǒng)應用 2017年5期
    關鍵詞:故障診斷變壓器故障

    施竹君,王寶華

    (南京理工大學 自動化學院,南京 210094)

    基于支持向量機的變壓器故障診斷方法①

    施竹君,王寶華

    (南京理工大學 自動化學院,南京 210094)

    為了提高變壓器故障診斷的準確率,提出了一種支持向量機(SVM)和改進布谷鳥算法(WCS)及最速下降法相結合的電力變壓器故障診斷方法.引入一種新的慣性權重,解決布谷鳥算法在迭代后期收斂速度下降的問題.利用最速下降法與改進的布谷鳥算法相結合的算法進行SVM參數(shù)的尋優(yōu),克服了基本的SVM模型容易陷入局部最優(yōu)的缺陷,從而得到具有最佳參數(shù)的支持向量機分類模型,利用LIBSVM工具箱在MATLAB軟件平臺上訓練支持向量機,用訓練良好的支持向量機診斷110kV甘棠變電所#1主變壓器故障情況.通過實例驗證分析表明,采用該算法可以準確、有效地對變壓器進行故障診斷;相較于粒子群算法(PSO)、遺傳算法(GA)、網(wǎng)格搜索算法(GS)等算法,該方法具有更高的診斷準確率.

    支持向量機;布谷鳥算法;最速下降法;故障診斷;分類模型

    電力變壓器安全穩(wěn)定地運行是整個電網(wǎng)穩(wěn)定的基礎.若設備出現(xiàn)故障,一般會使設備停止運行,并會造成巨大的經(jīng)濟損失[1].所以為了預防變壓器發(fā)生故障,必須對其進行故障診斷研究,從而降低故障發(fā)生的概率,并及時采取措施,對變壓器進行維修或更換.

    如今,油中溶解氣體分析法(DGA)已普遍應用于油浸電力變壓器的故障診斷.通過大量研究表示,基于DGA的電力變壓器故障診斷技術主要分為傳統(tǒng)診斷方法和智能診斷方法兩種[2-6].其中傳統(tǒng)的診斷方法主要有關鍵氣體法、三比值編碼法、立方圖法、大衛(wèi)三角法、ETRA法等;近些年,BP神經(jīng)網(wǎng)絡理論、信息融合技術、灰色關聯(lián)理論、模糊數(shù)學理論以及支持向量機等[7-14]可用于變壓器的故障診斷.

    支持向量機算法在解決小樣本問題的同時,能解決高維和非線性等問題,因此廣泛應用于故障診斷領域中.在電力變壓器故障診斷領域,董明等[15]學者首先將支持向量機引入電力變壓器故障診斷中,將鄰近搜索聚類應用于分層決策,來修正支持向量分類器參數(shù)難于選擇帶來的誤差,提高了診斷的正確性.文獻[16]提出自適應參數(shù)優(yōu)化的模糊支持向量機增量算法的電力變壓器故障診斷.文獻[17]將有向無環(huán)圖支持向量機成功應用于故障診斷中,取得了一定的效果.文獻[18]提出將蟻群算法用于支持向量機模型參數(shù)的尋優(yōu).支持向量機不僅算法簡單而且具有較好的魯棒性,但也較易陷入全局最優(yōu).

    本文通過引入一種新的慣性權重對布谷鳥算法進行改進,隨后提出了一種最速下降法與改進的布谷鳥算法相融合的算法(SDWCS),改善布谷鳥算法在運算后期收斂速度過慢的缺點.并將油色譜數(shù)據(jù)(DGA)各氣體含量的比值作為評估標準,利用新算法對SVM模型的懲罰參數(shù)c和核函數(shù)參數(shù)g進行全局尋優(yōu),利用優(yōu)化得到的SVM模型進行變壓器故障診斷,通過實例進行分析驗證.與粒子群算法(PSO)、遺傳算法(GA)、網(wǎng)格搜索算法(GS)相比,本文所提出的方法診斷準確率較高.

    1 支持向量機

    支持向量機在數(shù)據(jù)分類問題中,其考慮尋找一個滿足分類要求的超平面,并且使訓練集中的點距離分類面盡可能的遠.分類線方程為對它進行歸一化,使對線性可分樣本集滿足:

    最優(yōu)分類面的問題可以描述為以下的被約束優(yōu)化問題:

    可以通過拉格朗日(Lagrange)乘子方法解決.拉格朗日算子為:

    分別對參數(shù)w和b求導,并令其等于零得

    由式(4)得到

    使用拉格朗日優(yōu)化方法,根據(jù)沃爾夫(Wolef)的對偶理論[19]可以把上述分類問題轉化為如下的對偶問題,把式(5)帶入式(3)中得:

    最后得到的最優(yōu)分類函數(shù)是

    然而當存在少量樣本無法用線性方法分開時,此時需要引入一個松弛變量

    式(2)的約束條件變?yōu)槿缦滦问?

    于是得到下面的優(yōu)化問題:

    構造拉格朗日方程,最后得到如下的對偶拉格朗日算子:

    其中,c>0稱為懲罰參數(shù).

    然而,當存在非線性問題時,即對于給定的樣本點不能用一個超平面分離時,上面提到的線性分類方法將不再適用,此時,在高維空間,需要將低維的非線性問題轉化為線性可分問題,及使用核函數(shù)將所有樣本點映射到高維空間[16].

    根據(jù)希爾伯特—施密特(Hibert-Schmidt)原理,只要核函數(shù)滿足莫塞爾(Mercer)條件[20]:對任意給定函數(shù)g(x),當有限時,就對應某一空間的內積此時,其優(yōu)化問題變?yōu)槿缦滦问?

    而分類決策函數(shù)變?yōu)?

    目前常用的核函數(shù)有以下三種[21]:多項式核函數(shù)、高斯(Gauss)徑向基核函數(shù)(RBF)及Sigmoid核函數(shù).本文采用RBF核函數(shù):

    其中,g>0稱為核參數(shù).

    由此可知,SVM模型的關鍵在于懲罰參數(shù)c和核參數(shù)g的選定,本文通過SDWCS算法對參數(shù)c和g進行全局尋優(yōu),從而得到最好的c和g.

    2 改進的布谷鳥算法

    2.1布谷鳥算法

    布谷鳥搜索算法[22](cuckoo search,CS)是由YANG等提出的一種新型元啟發(fā)式搜索

    算法.其思想主要基于兩個策略:布谷鳥的巢寄生性和萊維飛行(L’evy flights)機制.

    布谷鳥算法是模擬布谷鳥隨機產(chǎn)卵的行為.為了簡化描述CS算法,可以用下面的三條規(guī)律[23]:

    ①每只布谷鳥每次只下一個蛋,并且隨機選擇一個鳥巢進行孵化;

    ②在這些鳥巢中,產(chǎn)出最優(yōu)鳥蛋的鳥巢將被保留到下一代;

    ③鳥巢的數(shù)量是固定的,并且設鳥巢的主人發(fā)現(xiàn)鳥巢中含有外來蛋的概率為pa,則滿足如果發(fā)現(xiàn)外來蛋,鳥巢主人將蛋丟出,或者重新建立一個鳥巢.

    根據(jù)以上3條規(guī)律,布谷鳥搜索鳥巢位置的更新公式如下:

    其中,u和v均服從正態(tài)分布:

    式中,G是標準的Gamma函數(shù).

    2.2 改進的布谷鳥算法(WCS)

    在標準的布谷鳥算法中,布谷鳥的飛行路徑是隨機的,不利于算法的迭代.針對這一問題,通過引入一種非線性慣性權重并對CS算法進行改進,加快其后期收斂速度[24].考慮到較小的慣性權重可以減小搜索步長,迭代逐漸收斂到極值點,但過小的慣性權重會使算法一旦進入局部極值點鄰域內很難跳出,使全局尋優(yōu)難度增加;較大的慣性權重可以使算法不易

    陷入局部最小,從而能收斂到全局最優(yōu)值.改進后的布谷鳥算法位置更新表達式如下:

    其中:

    3 基于改進的布谷鳥算法與最速下降法結合(SDWCS)的故障診斷

    3.1 SDWCS算法

    最速下降法作為最簡單和最古老的優(yōu)化算法之一,具有直觀有效等優(yōu)點,目前許多有效的優(yōu)化算法均建立在該算法的基礎之上.為了改進布谷鳥搜索算法的缺點,利用最速下降法進修正[25],其步驟如下:

    通過改進的布谷鳥搜索算法保留得到鳥類孵出上代的最優(yōu)解,并利用最速下降法進行迭代,不斷修正最優(yōu)鳥巢的位置,最終獲得最優(yōu)解.

    3.2 基于SDWCS優(yōu)化的SVM故障診斷模型

    基于SDWCS和SVM的故障診斷算法的流程圖如圖1所示.

    圖1 流程圖

    4 變壓器故障診斷實例分析及比較

    4.1 實例分析

    本模型選用LIBSVM作為訓練和測試工具,選用RBF核函數(shù)作為核函數(shù),將氣體相對含量(H2、CH4、C2H6、C2H4、C2H2、總烴、CO、CO2)作為輸入,各故障類型(包括變壓器正常狀態(tài)和其他4種變壓器故障:低能放電、高能放電、中低溫過熱故障以及高溫過熱故障)所對應的編碼(1、2、3、4、5)作為輸出.

    考慮到變壓器的容量、型號等因素的影響,本文收集了大量的變壓器油色譜數(shù)據(jù)(GDA),從中整理了200組樣本.從樣本中抽取每個狀態(tài)樣本各30組數(shù)據(jù)作為訓練集,其余50組數(shù)據(jù)作為測試集,變壓器故障樣本統(tǒng)計如表1所示.

    表1 變壓器故障診斷樣本統(tǒng)計

    本文設定SVM的參數(shù)c和RBF核函數(shù)的參數(shù)g取值范圍;設置鳥巢總數(shù)n=25,發(fā)現(xiàn)外來鳥的概率pa=0.25,最大迭代次數(shù)為100次.圖 2為SDWCSSVM模型進行參數(shù)優(yōu)化的適應度曲線,得到的最優(yōu)參數(shù)為:c=2.1045,g=2.4586.從圖 2中可以看出,適應度曲線在前5個周期內收斂速度較快,隨后逐漸趨于平緩,最終趨與一條直線,實現(xiàn)了參數(shù)的優(yōu)化.

    圖2 SDWCS算法適應度曲線

    由圖3可知,在50組訓練樣本中,有2組樣本(分別為1組正常狀態(tài)和1組高溫過熱故障)出現(xiàn)了診斷錯誤,其訓練集和測試集的診斷準確率分別為87.3333%和96%,由此結論可知,該方法可有效地用于電力變壓器故障診斷.

    圖3 變壓器故障診斷測試樣本對比圖

    4.2 比較結果

    為便于比較,在采用相同的訓練集及測試集樣本的情況下,分別采用粒子群算法(PSO)、遺傳算法(GA)、網(wǎng)格搜索算法(GS)對變壓器進行故障診斷.

    圖4、6、8分別分別代表 PSO、GA、GS算法的尋優(yōu)過程.圖5、7、9分別為其對應的變壓器故障樣本結果對比圖.

    圖4 PSO算法適應度曲

    圖5 PSO算法測試樣本對比圖

    由圖4、5中可以看出,適應度曲線在第40代時趨于平緩,最終收斂,其訓練集及測試集準確率分別為86.6667%和94%.

    圖6 GA算法適應度曲線

    圖7 GA算法測試樣本對比圖

    由圖6和圖7可以看出,適應度曲線在第20代時趨于平緩,最終趨于一條直線,訓練集和測試集的樣本準確率分別為86.6667%和92%.

    由圖8和9看出,GS算法的訓練集與測試集準確率分別為86.6667%和94%.

    圖8 GS算法尋優(yōu)圖

    圖9 GS算法測試樣本對比圖

    通過比較幾種算法,發(fā)現(xiàn)SDWCS算法的收斂速度最快,在第5代就收斂到最優(yōu)鳥巢,并且變壓器故障診斷測試樣本的準確率最高.

    4.3 故障預測

    110kV甘棠變電所#1主變壓器(40000kVA)于2012年12月投運,投運后設備一直很正常,直到2016年4月6日,色譜周期檢測中總烴含量突然明顯升高,總烴含量由2016年1月15號的9.4uL/L變?yōu)?46.9uL/L,見表2,遠遠超過注意值.

    表2 110kV甘棠變電所#1主變油色譜數(shù)據(jù)

    采用訓練良好的支持向量機對110kV甘棠變電所#1主變壓器的故障進行預測,診斷結果為中低溫過熱故障.

    檢修單位對該臺變壓器在停電狀態(tài)下,分別測量了繞組的直流電阻、介質損和吸收比,無異常,說明故障點不在電氣回路和主絕緣部位,打開鐵芯接地,測量鐵芯對地電阻,結果為0.由此判斷該設備存在鐵芯接地故障,是中低溫過熱所致.由此證明,采用SDWCS算法優(yōu)化支持向量機的判斷結果與實際相符.

    5 結論

    為避免布谷鳥搜索算法在后期搜索速度過慢和搜索精度過低的缺陷,本文提出了一種最速下降法與改進的布谷鳥算法結合的算法(SDWCS),并且通過引入一類非線性慣性權重,加快了算法的收斂速度,使其更容易收斂到全局最優(yōu).再將其與支持向量機相結合,形成SDWCS—SVM模型,并運用于電力變壓器的故障診斷與預測.從分析實例可以看出,SDWCS算法具有較好的收斂速度與準確率.

    1陳樹勇,宋書芳,李蘭欣,等.智能電網(wǎng)技術綜述.電網(wǎng)技術, 2009,33(8):1–7.

    2 Muthanna KT,Sarkar K,Waldner K.Transformer insulation lfe asessment.IEEE Trans.on Power Delivery,2006,21(1): 150–156.

    3 Singh J,Sood YR,Jarial RK,et al.Condition monitoring of power transformers—bibliography survey.IEEE Electrical Insulation Magazine,2008,24(3):11–25.

    4 Tang WH,Goulermas JY,Wu QH,et al.A probabilistic classifier for transformer dissolved gas analysis with a particle swarm optimizer.IEEE Trans.on Power Delivery, 2008,23(2):751–759.

    5 IEEE Standard C57.104—2008 IEEE guide for the interpretation of gases generated in oil-immersed transformers,2008.

    6任靜,黃家棟.基于免疫RBF神經(jīng)網(wǎng)絡的變壓器故障診斷.電力系統(tǒng)保護與控制,2010,38(11):6–9.

    7 Zhang Y,Ding X,Liu Y,et al.An artificial neural network approach to transformer fault diagnosis.IEEE Trans.on Power Delivery,1996,11(4):1836–1841.

    8蔡紅梅,陳劍勇,蘇浩益.基于灰云模型的電力變壓器故障診斷.電力系統(tǒng)保護與控制,2012,40(12):151–155.

    9劉同杰,劉志剛,韓志偉.自適應模糊支持向量機中鄰近增量算法在變壓器故障診斷的應用.電力系統(tǒng)保護與控制, 2010,38(17):47–52.

    10尚勇,閆春江,嚴章.基于信息融合的大型油浸電力變壓器故障診斷.中國電機工程學報,2002,22(7):115–118.

    11 Naresh R,Sharma V,Vashisth M.An integrated neural fuzzy approach for fault diagnosis of transformers.IEEE Trans.on Power Delivery,2008,23(4):2017–2024.

    12 Fei SW,Sun Y.Forecasting dissolved gases content in power transformer oil based on support vector machine with genetic algorithm.Electrical Power Systems Research,2008, 78(3):507–514.

    13 Wu HY,Hsc CY,Lee TF,et al.Improved SVM and ANN in incipient fault diagnosis of power transformers using clonal selection algorithms.International Journal of Innovative Computing Information and Control,2009,5(7):1959–1974.

    14趙文清,李慶良,王德文.基于多模型的變壓器故障組合診斷研究.高電壓技術,2013,39(2):302–309.

    15董明,孟源源,徐響,等.基于支持向最機及油中溶解氣體分析的大型電力變壓器故障診斷模型研究.中國電機工程學報,2003,23(7):88–92.

    16董秀成,陶加貴,王海濱,等.適應模糊支持向量機增量算法在變壓器故障診斷中的應用.電力自動化設備,2010,30 (11):48–52.

    17 Zhao W,Wang L.Fault diagnosis of power transformer based on DDAG-SVM.2010 IITA Internation Conference on Nanotechnology and Computer Engineering,CNCE 2010.2010.819–824.

    18 Niu W,Xu L,Hu S.Fault diagnosis methed for power transformer based on ant colony-SVM classifier.2nd International Conference on Computer and Automation Engineering,ICCAE 2010.2010.629–631.

    19 Vapnik VN.The nature of statistical learning theory.New York,USA.Springer-Verlag.1998.1–17.

    20 Mangasarian OL.Mathematical programming in machine learning.Nonlinear optimization in and Applications.New York.Springer.1996.283–295.

    21 Burges CJC.Atutorial on support vector machines for pattern recognition.Data Mining and Knowledge Discovery,1998, 2(2):121–167.

    22 YANG X S,DEB S.Cuckoo search via L’evy flights.Proc. of World Congress on Nature&Biologically Inspired Computing.IEEE Publications.USA.2009.210–214.

    23戴臻.布谷鳥算法優(yōu)化支持向量機的網(wǎng)絡熱點話題預測.計算機應用軟件,2014,31(4):330–333.

    24 Fan SKS,Chiu YY.A decreasing inertia weight particle swarm optimizer.Engineering Optimization,2007,39(2): 203–228.

    25屠立峰,包騰飛,唐琪,趙斌.基于SDCS-SVM的大壩安全監(jiān)測模型.三峽大學學報,2015,37(2):6–9.

    Method for Fault Diagnosis of Transformer Based on Support Vector Machine

    SHI Zhu-Jun,WANG Bao-Hua

    (School ofAutomation,Nanjing University of Science and Technology,Nanjing 210094,China)

    We propose a fault diagnosis method based on the modified cuckoo search algorithm(WCS),steepest descent method and support vector machine(SVM)to improve the accuracy of transformer fault diagnosis.A new inertia weight is also proposed and applied to solve the problem that the convergence rate of cuckoo search algorithm decreases in final iterations.SVM parameters are optimized by the algorithm which is combined with improved cuckoo search algorithm and steepest descent method,overcoming the defects that SVM model is easy to fall into local optimum.Support vector machine is trained on the MATLAB platform using LIBSVM toolbox,and the well-trained SVM will be adopted to diagnose the#1 transformer fault for 110kV Gantang substation.Study of practical cases indicate that,with this method, transformer faults can be diagnosed effectively and accurately,and the accuracy is higher than that using particle swarm optimization(PSO)、genetic algorithm(GA)and grid search(GS).

    support vector machine;cuckoo search algorithm;steepest descent;fault diagnosis;classification model

    2016-08-01;收到修改稿時間:2016-08-31

    10.15888/j.cnki.csa.005697

    猜你喜歡
    故障診斷變壓器故障
    理想變壓器的“三個不變”與“三個變”
    故障一點通
    開關電源中高頻變壓器的設計
    奔馳R320車ABS、ESP故障燈異常點亮
    一種不停電更換變壓器的帶電作業(yè)法
    變壓器免維護吸濕器的開發(fā)與應用
    因果圖定性分析法及其在故障診斷中的應用
    故障一點通
    江淮車故障3例
    基于LCD和排列熵的滾動軸承故障診斷
    飞空精品影院首页| 久久精品国产亚洲av香蕉五月 | 午夜福利在线免费观看网站| 日本av免费视频播放| 777米奇影视久久| 亚洲欧美一区二区三区久久| av天堂在线播放| 国产伦理片在线播放av一区| 桃红色精品国产亚洲av| 精品一区二区三区av网在线观看 | 国产成人精品在线电影| 国产成人免费观看mmmm| 99九九在线精品视频| 久久久久久久国产电影| 亚洲精品美女久久av网站| 久久久久国内视频| 成人三级做爰电影| www日本在线高清视频| 亚洲国产成人一精品久久久| 亚洲av电影在线进入| 一区在线观看完整版| 久久影院123| 少妇 在线观看| 在线观看免费视频网站a站| 51午夜福利影视在线观看| 精品久久久久久电影网| 午夜日韩欧美国产| 欧美精品亚洲一区二区| 久久国产精品影院| 亚洲三区欧美一区| 亚洲精品成人av观看孕妇| 国产精品一区二区精品视频观看| 亚洲精品成人av观看孕妇| 欧美成人午夜精品| 少妇 在线观看| 丰满饥渴人妻一区二区三| 在线观看免费视频日本深夜| 久久久久久免费高清国产稀缺| 激情视频va一区二区三区| 老熟妇仑乱视频hdxx| 国产亚洲精品第一综合不卡| 在线观看一区二区三区激情| 国产精品自产拍在线观看55亚洲 | 窝窝影院91人妻| 婷婷成人精品国产| 一本一本久久a久久精品综合妖精| 欧美日韩亚洲高清精品| 19禁男女啪啪无遮挡网站| 国产熟女午夜一区二区三区| 亚洲中文日韩欧美视频| 国产精品麻豆人妻色哟哟久久| 日韩视频一区二区在线观看| 亚洲第一欧美日韩一区二区三区 | 国产精品.久久久| 久9热在线精品视频| 国产亚洲午夜精品一区二区久久| 成人特级黄色片久久久久久久 | 国产亚洲欧美精品永久| 女同久久另类99精品国产91| 精品人妻熟女毛片av久久网站| 亚洲熟女精品中文字幕| 大片免费播放器 马上看| 嫩草影视91久久| 性高湖久久久久久久久免费观看| 亚洲国产av新网站| av电影中文网址| 波多野结衣av一区二区av| 肉色欧美久久久久久久蜜桃| √禁漫天堂资源中文www| 成年版毛片免费区| 人妻一区二区av| 香蕉国产在线看| 怎么达到女性高潮| 精品亚洲乱码少妇综合久久| 久久中文字幕一级| 人妻久久中文字幕网| 国产老妇伦熟女老妇高清| 亚洲国产看品久久| 两性夫妻黄色片| xxxhd国产人妻xxx| 午夜免费成人在线视频| 夜夜爽天天搞| 国产精品一区二区免费欧美| 久久精品国产a三级三级三级| 国产成人精品在线电影| 国产激情久久老熟女| 欧美精品亚洲一区二区| 一二三四社区在线视频社区8| 国产欧美日韩一区二区精品| 午夜福利影视在线免费观看| 久久天堂一区二区三区四区| 中文欧美无线码| 精品国产乱子伦一区二区三区| 热re99久久精品国产66热6| 国产精品二区激情视频| 日韩一卡2卡3卡4卡2021年| 在线观看舔阴道视频| 女人高潮潮喷娇喘18禁视频| 亚洲av欧美aⅴ国产| 成人影院久久| 亚洲全国av大片| 久久国产精品大桥未久av| 亚洲精品乱久久久久久| 在线观看免费视频日本深夜| 90打野战视频偷拍视频| 自拍欧美九色日韩亚洲蝌蚪91| 国产精品国产高清国产av | 久久精品91无色码中文字幕| 91大片在线观看| 另类精品久久| 大香蕉久久网| 操美女的视频在线观看| 一二三四在线观看免费中文在| 免费在线观看完整版高清| 青草久久国产| 在线观看舔阴道视频| 巨乳人妻的诱惑在线观看| 亚洲国产欧美一区二区综合| 免费在线观看日本一区| 欧美精品高潮呻吟av久久| 欧美精品一区二区大全| 一级毛片女人18水好多| 午夜福利视频在线观看免费| 免费看十八禁软件| 午夜福利视频精品| 欧美精品高潮呻吟av久久| 电影成人av| 9色porny在线观看| 亚洲美女黄片视频| 91国产中文字幕| 91精品国产国语对白视频| 女人高潮潮喷娇喘18禁视频| 丝袜人妻中文字幕| 亚洲av片天天在线观看| 80岁老熟妇乱子伦牲交| 国产麻豆69| 欧美 亚洲 国产 日韩一| 成年动漫av网址| 高清毛片免费观看视频网站 | 免费在线观看黄色视频的| 欧美日韩国产mv在线观看视频| 亚洲国产毛片av蜜桃av| 久久精品亚洲av国产电影网| 一本大道久久a久久精品| 午夜福利乱码中文字幕| 日本一区二区免费在线视频| 欧美日韩精品网址| 日韩熟女老妇一区二区性免费视频| 夜夜夜夜夜久久久久| 欧美激情久久久久久爽电影 | 亚洲国产欧美网| 国产在线观看jvid| 久9热在线精品视频| 丰满少妇做爰视频| 亚洲成人国产一区在线观看| 国产97色在线日韩免费| 天堂俺去俺来也www色官网| 一二三四社区在线视频社区8| 日本vs欧美在线观看视频| 五月天丁香电影| 亚洲第一青青草原| 久久久久视频综合| 久久久久久人人人人人| 中亚洲国语对白在线视频| 亚洲欧美日韩高清在线视频 | 一本一本久久a久久精品综合妖精| 免费在线观看黄色视频的| 不卡av一区二区三区| 亚洲视频免费观看视频| 国产成人免费观看mmmm| 亚洲熟女毛片儿| 欧美日韩中文字幕国产精品一区二区三区 | 日本一区二区免费在线视频| 一级a爱视频在线免费观看| 99在线人妻在线中文字幕 | 我要看黄色一级片免费的| 午夜福利一区二区在线看| 国产av又大| 日日摸夜夜添夜夜添小说| 少妇 在线观看| 国产成+人综合+亚洲专区| 精品人妻在线不人妻| 久久久国产成人免费| 午夜福利影视在线免费观看| 亚洲精品美女久久av网站| 精品久久蜜臀av无| 久久久久久久国产电影| 最新的欧美精品一区二区| 91老司机精品| 国产又色又爽无遮挡免费看| 国产欧美日韩一区二区精品| 一二三四在线观看免费中文在| 亚洲精品国产精品久久久不卡| 中文字幕色久视频| 狠狠精品人妻久久久久久综合| 丝袜美腿诱惑在线| av国产精品久久久久影院| 亚洲欧美色中文字幕在线| 欧美亚洲 丝袜 人妻 在线| 亚洲欧美一区二区三区久久| 免费在线观看完整版高清| e午夜精品久久久久久久| 国产精品99久久99久久久不卡| 黄色视频不卡| 午夜激情久久久久久久| 亚洲少妇的诱惑av| 欧美精品一区二区免费开放| 国产精品久久久久久精品电影小说| 亚洲精品美女久久久久99蜜臀| 女人精品久久久久毛片| 久久久久久久国产电影| 国产精品偷伦视频观看了| 久久精品国产综合久久久| 国产一卡二卡三卡精品| 熟女少妇亚洲综合色aaa.| 免费在线观看影片大全网站| 视频在线观看一区二区三区| 91九色精品人成在线观看| 久久天堂一区二区三区四区| 一级片'在线观看视频| 悠悠久久av| 日本a在线网址| 午夜免费鲁丝| 热99久久久久精品小说推荐| 亚洲国产欧美在线一区| 黑人巨大精品欧美一区二区蜜桃| 如日韩欧美国产精品一区二区三区| av不卡在线播放| 亚洲精品美女久久av网站| 国产男女内射视频| 国产精品麻豆人妻色哟哟久久| 制服诱惑二区| 一级a爱视频在线免费观看| 日韩视频一区二区在线观看| 窝窝影院91人妻| 久久精品国产亚洲av香蕉五月 | 女人爽到高潮嗷嗷叫在线视频| 免费在线观看完整版高清| 可以免费在线观看a视频的电影网站| 国产无遮挡羞羞视频在线观看| 亚洲精品中文字幕一二三四区 | 亚洲精品中文字幕一二三四区 | 大型av网站在线播放| 91精品国产国语对白视频| 他把我摸到了高潮在线观看 | 久久毛片免费看一区二区三区| 国产麻豆69| 天堂俺去俺来也www色官网| 18禁美女被吸乳视频| 精品少妇久久久久久888优播| 免费少妇av软件| 国产国语露脸激情在线看| 黑人巨大精品欧美一区二区mp4| 久久国产精品大桥未久av| 两个人看的免费小视频| 他把我摸到了高潮在线观看 | 亚洲第一青青草原| 高清在线国产一区| 精品视频人人做人人爽| 大码成人一级视频| 免费看a级黄色片| 制服诱惑二区| 激情视频va一区二区三区| 久久99一区二区三区| 亚洲中文日韩欧美视频| 日本黄色日本黄色录像| 精品第一国产精品| 久久狼人影院| av又黄又爽大尺度在线免费看| 久久久久久久国产电影| 亚洲一卡2卡3卡4卡5卡精品中文| 动漫黄色视频在线观看| 汤姆久久久久久久影院中文字幕| 欧美日韩精品网址| 欧美在线一区亚洲| 咕卡用的链子| 90打野战视频偷拍视频| 午夜免费鲁丝| 国产91精品成人一区二区三区 | 欧美黑人欧美精品刺激| 免费av中文字幕在线| 91成人精品电影| 欧美人与性动交α欧美精品济南到| 久热爱精品视频在线9| 香蕉丝袜av| 啦啦啦视频在线资源免费观看| 久久久欧美国产精品| 成年女人毛片免费观看观看9 | 男女无遮挡免费网站观看| 亚洲人成伊人成综合网2020| 日韩制服丝袜自拍偷拍| 国产精品美女特级片免费视频播放器 | 日韩欧美免费精品| 香蕉久久夜色| 亚洲九九香蕉| 精品卡一卡二卡四卡免费| 天堂动漫精品| 人人妻人人添人人爽欧美一区卜| 日韩欧美三级三区| 美女扒开内裤让男人捅视频| 日韩视频在线欧美| 老司机午夜十八禁免费视频| 国产在线一区二区三区精| 一区在线观看完整版| 午夜两性在线视频| 久久久久国内视频| 欧美成人午夜精品| 欧美亚洲 丝袜 人妻 在线| 亚洲色图av天堂| 成在线人永久免费视频| 亚洲成人手机| videosex国产| 亚洲成人手机| 国产一区二区三区在线臀色熟女 | 亚洲欧洲精品一区二区精品久久久| 久久国产精品男人的天堂亚洲| av片东京热男人的天堂| 三上悠亚av全集在线观看| 成人手机av| 一边摸一边做爽爽视频免费| 久久精品91无色码中文字幕| 精品少妇一区二区三区视频日本电影| 久久精品成人免费网站| 国产日韩欧美视频二区| 最近最新免费中文字幕在线| 国产老妇伦熟女老妇高清| 免费观看av网站的网址| 超碰成人久久| 国产成人精品无人区| 一本大道久久a久久精品| 黑丝袜美女国产一区| 国产1区2区3区精品| 国产欧美日韩精品亚洲av| 国产在线精品亚洲第一网站| 久久av网站| 正在播放国产对白刺激| 久久精品国产亚洲av香蕉五月 | 一级a爱视频在线免费观看| cao死你这个sao货| 下体分泌物呈黄色| 午夜福利在线观看吧| a级毛片黄视频| 在线看a的网站| 无限看片的www在线观看| 精品乱码久久久久久99久播| 国产精品 欧美亚洲| 国产淫语在线视频| 多毛熟女@视频| 精品一品国产午夜福利视频| 欧美国产精品一级二级三级| kizo精华| 久久久久久久久免费视频了| 日韩欧美三级三区| 精品国产乱子伦一区二区三区| 人人妻人人爽人人添夜夜欢视频| 亚洲欧美日韩高清在线视频 | 日韩免费高清中文字幕av| 99精国产麻豆久久婷婷| 高清欧美精品videossex| 国产有黄有色有爽视频| 超碰成人久久| 亚洲黑人精品在线| 亚洲五月色婷婷综合| 日韩人妻精品一区2区三区| 国产精品国产高清国产av | 国产亚洲午夜精品一区二区久久| 国产精品久久久人人做人人爽| 久久久精品94久久精品| 国产精品免费一区二区三区在线 | 精品卡一卡二卡四卡免费| 91成年电影在线观看| 大片免费播放器 马上看| 国产精品一区二区在线观看99| 亚洲中文日韩欧美视频| 欧美日韩亚洲综合一区二区三区_| 美国免费a级毛片| 黑丝袜美女国产一区| 真人做人爱边吃奶动态| 俄罗斯特黄特色一大片| 色婷婷久久久亚洲欧美| 亚洲黑人精品在线| 亚洲熟女毛片儿| 成人手机av| 欧美亚洲日本最大视频资源| 国产精品美女特级片免费视频播放器 | 视频在线观看一区二区三区| 久久久久久免费高清国产稀缺| 亚洲色图 男人天堂 中文字幕| 黄色 视频免费看| 99香蕉大伊视频| 纯流量卡能插随身wifi吗| 黄色片一级片一级黄色片| 国产在线一区二区三区精| 日本vs欧美在线观看视频| 精品亚洲成国产av| 2018国产大陆天天弄谢| 国产一卡二卡三卡精品| 精品国内亚洲2022精品成人 | 纵有疾风起免费观看全集完整版| 欧美精品亚洲一区二区| 中文欧美无线码| 免费在线观看影片大全网站| 菩萨蛮人人尽说江南好唐韦庄| 精品亚洲成a人片在线观看| 最新在线观看一区二区三区| 日韩 欧美 亚洲 中文字幕| 国产成人啪精品午夜网站| 国产欧美日韩一区二区三| 久久热在线av| 亚洲av日韩精品久久久久久密| 久久精品国产综合久久久| 免费观看av网站的网址| 国产精品98久久久久久宅男小说| 大香蕉久久成人网| 欧美日韩亚洲高清精品| 夜夜夜夜夜久久久久| 天天影视国产精品| 欧美国产精品一级二级三级| 男女床上黄色一级片免费看| 亚洲成人手机| 亚洲av日韩在线播放| 国产精品98久久久久久宅男小说| 两性夫妻黄色片| 三上悠亚av全集在线观看| 国产一区二区在线观看av| 一个人免费看片子| 午夜久久久在线观看| a级片在线免费高清观看视频| 黄色a级毛片大全视频| 国产精品二区激情视频| 亚洲国产欧美网| 性色av乱码一区二区三区2| 激情在线观看视频在线高清 | 欧美久久黑人一区二区| 亚洲精品国产精品久久久不卡| 99久久国产精品久久久| 亚洲全国av大片| 成人国产av品久久久| 国产单亲对白刺激| 久久久精品免费免费高清| 国产高清国产精品国产三级| 精品人妻熟女毛片av久久网站| 热re99久久国产66热| 叶爱在线成人免费视频播放| 国产精品98久久久久久宅男小说| 亚洲熟女精品中文字幕| 女人高潮潮喷娇喘18禁视频| 午夜久久久在线观看| 人妻一区二区av| 真人做人爱边吃奶动态| 狠狠狠狠99中文字幕| 亚洲专区国产一区二区| 亚洲人成电影免费在线| 亚洲国产毛片av蜜桃av| 国产精品一区二区在线不卡| 精品人妻熟女毛片av久久网站| 亚洲av成人一区二区三| 亚洲av欧美aⅴ国产| 在线观看www视频免费| 一进一出抽搐动态| 日韩视频在线欧美| 黄片播放在线免费| 亚洲性夜色夜夜综合| 女性被躁到高潮视频| 最新的欧美精品一区二区| 中文字幕制服av| 国产区一区二久久| 国产欧美日韩一区二区三| 国产av国产精品国产| 精品国产乱码久久久久久男人| 欧美精品亚洲一区二区| 最黄视频免费看| 新久久久久国产一级毛片| 2018国产大陆天天弄谢| 十八禁网站网址无遮挡| 夜夜骑夜夜射夜夜干| 最近最新免费中文字幕在线| 午夜精品国产一区二区电影| 日韩中文字幕视频在线看片| 欧美老熟妇乱子伦牲交| 国产成人精品久久二区二区免费| 亚洲av欧美aⅴ国产| 国产一区二区三区视频了| 99久久精品国产亚洲精品| 国产主播在线观看一区二区| 久久99热这里只频精品6学生| 大陆偷拍与自拍| av免费在线观看网站| 午夜精品久久久久久毛片777| 午夜福利视频在线观看免费| 欧美大码av| 久久精品人人爽人人爽视色| 一边摸一边抽搐一进一出视频| 香蕉国产在线看| 涩涩av久久男人的天堂| 男女高潮啪啪啪动态图| 女人久久www免费人成看片| 亚洲自偷自拍图片 自拍| 亚洲精品自拍成人| 成人国产一区最新在线观看| 午夜成年电影在线免费观看| 国产在线免费精品| 激情在线观看视频在线高清 | 国产99久久九九免费精品| 丝袜美腿诱惑在线| 亚洲成人免费电影在线观看| 国产成人免费观看mmmm| 国产欧美日韩一区二区三| 男男h啪啪无遮挡| 亚洲黑人精品在线| 在线亚洲精品国产二区图片欧美| 精品午夜福利视频在线观看一区 | 午夜久久久在线观看| 99在线人妻在线中文字幕 | 精品一品国产午夜福利视频| 窝窝影院91人妻| 亚洲国产精品一区二区三区在线| 欧美日韩黄片免| 国产精品亚洲av一区麻豆| 国产91精品成人一区二区三区 | 久久精品91无色码中文字幕| 丝瓜视频免费看黄片| 欧美另类亚洲清纯唯美| 国产一区二区激情短视频| 美女国产高潮福利片在线看| 欧美日韩一级在线毛片| 99re在线观看精品视频| 窝窝影院91人妻| 纵有疾风起免费观看全集完整版| 亚洲国产成人一精品久久久| 国产精品久久电影中文字幕 | 国产av精品麻豆| 国产精品1区2区在线观看. | 欧美另类亚洲清纯唯美| 国产在线视频一区二区| a级毛片黄视频| 欧美日韩福利视频一区二区| h视频一区二区三区| 老司机靠b影院| 精品欧美一区二区三区在线| 十八禁网站免费在线| 久久精品亚洲熟妇少妇任你| 久久香蕉激情| 国产精品香港三级国产av潘金莲| 日日爽夜夜爽网站| cao死你这个sao货| 大型黄色视频在线免费观看| 法律面前人人平等表现在哪些方面| 亚洲中文av在线| 亚洲欧美精品综合一区二区三区| 国产精品美女特级片免费视频播放器 | 国产熟女午夜一区二区三区| 亚洲国产看品久久| 国产成人免费无遮挡视频| 欧美激情高清一区二区三区| 国产精品久久久久久精品古装| 777米奇影视久久| 亚洲精品粉嫩美女一区| 精品福利观看| 久久这里只有精品19| 蜜桃在线观看..| 国产成+人综合+亚洲专区| 免费人妻精品一区二区三区视频| 精品亚洲成国产av| 黄色a级毛片大全视频| 久久99一区二区三区| 久久久久久久国产电影| 黄色丝袜av网址大全| 叶爱在线成人免费视频播放| 另类精品久久| 人妻久久中文字幕网| 国产在线免费精品| 在线观看66精品国产| 精品熟女少妇八av免费久了| 另类亚洲欧美激情| 咕卡用的链子| 免费人妻精品一区二区三区视频| 国产在线观看jvid| 免费一级毛片在线播放高清视频 | 日韩免费av在线播放| √禁漫天堂资源中文www| 成在线人永久免费视频| 久久久久久免费高清国产稀缺| 亚洲综合色网址| 黄色视频不卡| 亚洲精品成人av观看孕妇| 国产精品亚洲av一区麻豆| 国产一区二区三区综合在线观看| 欧美精品亚洲一区二区| 老司机午夜十八禁免费视频| 男女床上黄色一级片免费看| 老熟妇乱子伦视频在线观看| aaaaa片日本免费| 亚洲久久久国产精品| 国产精品久久久久久精品电影小说| 99久久国产精品久久久| 欧美黄色片欧美黄色片| 国产老妇伦熟女老妇高清| 亚洲国产av新网站| 中文字幕人妻丝袜一区二区| 老司机在亚洲福利影院| 女人精品久久久久毛片| 十八禁网站网址无遮挡| 黄色成人免费大全| 狂野欧美激情性xxxx| 国产午夜精品久久久久久| av免费在线观看网站| 亚洲成国产人片在线观看| 啦啦啦 在线观看视频| 少妇 在线观看| 亚洲成国产人片在线观看| 女性生殖器流出的白浆| 日韩中文字幕欧美一区二区| 高清av免费在线| 一个人免费在线观看的高清视频|