• <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 ?

    基于極限學(xué)習(xí)機(jī)的風(fēng)電機(jī)組葉根載荷辨識(shí)建模

    2018-03-05 00:42:54易懷洋
    振動(dòng)與沖擊 2018年4期
    關(guān)鍵詞:葉根風(fēng)輪隱層

    秦 斌, 易懷洋, 王 欣

    (湖南工業(yè)大學(xué) 電氣與信息工程學(xué)院,湖南 株洲 412007)

    風(fēng)電機(jī)組單機(jī)容量不斷增大,風(fēng)機(jī)尺寸 增加,零部件柔度變大,由于風(fēng)的隨機(jī)性以及風(fēng)剪切、塔影效應(yīng)和湍流的影響,使得作用于風(fēng)輪葉片和塔架等部件上的載荷存在不平衡性,引起機(jī)組零部件劇烈振動(dòng),導(dǎo)致零部件的疲勞損傷[1-2]。葉根部位載荷種類(lèi)多、最復(fù)雜、影響大而且最易受到疲勞損傷,是風(fēng)輪載荷比較集中的地方,進(jìn)行葉根載荷主動(dòng)控制研究極其重要。由于葉根載荷復(fù)雜、強(qiáng)耦合、不確定影響因素多,風(fēng)的隨機(jī)性以及風(fēng)速、槳距角等主要影響因素與載荷的非線(xiàn)性關(guān)系,使得用傳統(tǒng)基于內(nèi)部機(jī)理分析為基礎(chǔ)的機(jī)理建模方法很難建立葉根載荷的精確模型,且運(yùn)算量大難以滿(mǎn)足控制實(shí)時(shí)性要求[3],文獻(xiàn)[4]采用自由渦尾跡方法提高風(fēng)力機(jī)氣動(dòng)載荷計(jì)算精度,構(gòu)建了葉片的非線(xiàn)性動(dòng)力學(xué)模型,但該方法比較復(fù)雜,計(jì)算量大。神經(jīng)網(wǎng)絡(luò)對(duì)非線(xiàn)性映射有任意逼近能力,為復(fù)雜非線(xiàn)性系統(tǒng)建模提供了理論基礎(chǔ)。文獻(xiàn)[5]基于現(xiàn)場(chǎng)數(shù)據(jù)利用BP算法建立了風(fēng)電機(jī)組的BP神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)模型;文獻(xiàn)[6]利用SVM 建立了飛機(jī)機(jī)翼的載荷模型;文獻(xiàn)[7]用極限學(xué)習(xí)機(jī)算法(ELM)建立了風(fēng)功率密度預(yù)測(cè)模型。相比于傳統(tǒng)的學(xué)習(xí)算法,ELM算法隨機(jī)初始化輸入權(quán)重和隱層偏置,不需要反復(fù)調(diào)節(jié)網(wǎng)絡(luò)參數(shù),泛化性能好,收斂速度快[8]。該研究將ELM算法首次引用到葉根載荷建模,建立ELM葉根載荷預(yù)測(cè)模型,并與利用SVM建立的葉根載荷模型進(jìn)行比較,并與實(shí)際數(shù)據(jù)對(duì)比,驗(yàn)證了用ELM建立葉根載荷預(yù)測(cè)模型的可行性和精確性。

    1 葉根載荷主要影響因素分析

    風(fēng)電機(jī)組承受的載荷主要有空氣動(dòng)力載荷、重力載荷、慣性載荷以及由變槳距、偏航控制等引起的載荷[9]。葉根載荷基于葉根坐標(biāo)系,主要包括揮舞方向剪力和彎矩、擺振方向的剪力和彎矩以及俯仰力矩。為了分析葉根載荷的影響因素,可根據(jù)傳統(tǒng)的數(shù)理方法進(jìn)行分析。

    圖1為葉片受力示意圖,空氣動(dòng)力載荷是葉片承受的主要載荷,假設(shè)葉素距葉根距離為r,根據(jù)葉素動(dòng)量理論,葉片揮舞方向的剪力和擺振方向的剪力可以表示為:

    (1)

    (2)

    式中:Vrel為葉素處合成風(fēng)速;ν為風(fēng)速大?。沪貫轱L(fēng)輪旋轉(zhuǎn)角速度;a為軸向誘導(dǎo)因子;b為周向誘導(dǎo)因子;ρ是空氣密度;r0為輪轂半徑;R為風(fēng)輪半徑;c是葉素的剖面弦長(zhǎng);Cl是升力系數(shù);Cd是阻力系數(shù);φ=α+β為入流角;α為攻角;β為槳距角。

    圖1 葉片受力分析示意圖Fig.1 Diagram of blade force analysis

    風(fēng)輪葉片根部的擺振力矩和揮舞力矩可以表示為[10]:

    (3)

    (4)

    重力載荷主要使風(fēng)輪葉片在擺振方向產(chǎn)生彎矩。方位角θ對(duì)擺振彎矩的大小有重要影響,詳細(xì)可參考文獻(xiàn)[11]。

    風(fēng)輪葉片除受到上述空氣動(dòng)力載荷、重力載荷外還有風(fēng)輪旋轉(zhuǎn)產(chǎn)生的離心力載荷,當(dāng)風(fēng)輪旋轉(zhuǎn)并同時(shí)作偏航運(yùn)動(dòng)時(shí),葉片上會(huì)產(chǎn)生垂直于風(fēng)輪旋轉(zhuǎn)平面的科氏力載荷,另外由于風(fēng)機(jī)所處環(huán)境復(fù)雜,風(fēng)速隨機(jī)波動(dòng),以及風(fēng)剪切、塔影效應(yīng)和湍流的影響,風(fēng)輪葉片所受載荷非常復(fù)雜,葉根部位的載荷就是這些載荷綜合作用和耦合的結(jié)果,很難建立葉根載荷的精確模型。從上述基于葉素動(dòng)量理論的葉片載荷分析中,可知葉根部位的載荷大小與風(fēng)輪的規(guī)格尺寸和各項(xiàng)參數(shù)、風(fēng)速、入流角、槳距角、方位角、風(fēng)輪轉(zhuǎn)速等因素有關(guān),影響因素很多且相互耦合。該研究基于NREL 陸基5 WM風(fēng)機(jī)數(shù)據(jù),風(fēng)機(jī)的輪轂高度90 m,風(fēng)輪半徑63 m,首先選取風(fēng)速大小、槳距角、方位角、風(fēng)輪轉(zhuǎn)速、風(fēng)速矢量與慣性坐標(biāo)系3個(gè)軸的夾角等7個(gè)變量,取上述7個(gè)變量的數(shù)據(jù),組成矩陣X(X1,X2,…X7),對(duì)X進(jìn)行主元分析,計(jì)算各主元的貢獻(xiàn)率,矩陣X的協(xié)方差矩陣的前k個(gè)特征值的和除以它的所有特征值的和被稱(chēng)為X的前k個(gè)主元的累計(jì)貢獻(xiàn)率,它表示了前k個(gè)主元包含的數(shù)據(jù)信息占全部數(shù)據(jù)信息的比例。前3個(gè)主元t1,t2,t3的貢獻(xiàn)率分別為57.6%、23.9%和9.2%,累積貢獻(xiàn)率達(dá)到90%以上,將原始數(shù)據(jù)7個(gè)變量降維為3個(gè)主元,然后通過(guò)計(jì)算HotellingT2統(tǒng)計(jì)量,T2統(tǒng)計(jì)量表示測(cè)量值在變動(dòng)趨勢(shì)和變化幅值上對(duì)模型的偏離度,計(jì)算出各變量對(duì)T2統(tǒng)計(jì)量的貢獻(xiàn)大小[12],根據(jù)貢獻(xiàn)大小可確定葉根載荷的4個(gè)主要影響因素:風(fēng)速ν、槳距角β、方位角θ和風(fēng)輪轉(zhuǎn)速ω,下文的葉根載荷ELM神經(jīng)網(wǎng)絡(luò)建模將以此為輸入變量。

    2 極限學(xué)習(xí)機(jī)算法

    極限學(xué)習(xí)機(jī)(ELM)是由南洋理工大學(xué)黃廣斌教授提出來(lái)的求解單隱層神經(jīng)網(wǎng)絡(luò)的算法。相比于傳統(tǒng)的單隱層神經(jīng)網(wǎng)絡(luò)算法,ELM在保證學(xué)習(xí)精度較高的前提下,學(xué)習(xí)速度大大提高。

    圖2 單隱層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 Structure of single hidden layer feedforward neural network

    設(shè)有N個(gè)不同的樣本(Xi,ti)∈Rn×Rm,其中Xi=[xi1,xi2…xin]T,ti=[ti1,ti2,…tim]T對(duì)于如圖2所示有L個(gè)隱層節(jié)點(diǎn)的單隱層前饋神經(jīng)網(wǎng)絡(luò)可以表示為:

    (5)

    (6)

    式(6)的N個(gè)等式可用矩陣表示:

    Hβ=T

    (7)

    式中:H為隱層節(jié)點(diǎn)的輸出矩陣;β為輸出權(quán)重矩陣;T為期望輸出矩陣。

    (8)

    這等價(jià)于最小化損失函數(shù):

    (9)

    (10)

    3 基于ELM的葉根載荷建模

    變槳距風(fēng)電機(jī)組根據(jù)風(fēng)速情況和風(fēng)力機(jī)功率特性的不同,可分為低于額定風(fēng)速和高于額定風(fēng)速兩種工況,不同工況風(fēng)速大小、功率和載荷情況有較大差別,該研究主要針對(duì)高于額定風(fēng)速恒功率階段,建立葉根載荷的ELM神經(jīng)網(wǎng)絡(luò)模型。運(yùn)用雨流計(jì)數(shù)法對(duì)葉根部位疲勞載荷計(jì)算分析,發(fā)現(xiàn)葉根擺振方向彎矩Mx和揮舞方向彎矩My對(duì)葉根的影響較大,葉根部位俯仰彎矩Mz對(duì)葉根的影響較小[15-16]。綜合考慮各種載荷對(duì)葉根部位的影響和建模的繁簡(jiǎn),確定以擺振方向彎矩Mx和揮舞方向彎矩My為研究對(duì)象,以NREL 5 MW風(fēng)電機(jī)組數(shù)據(jù)為基礎(chǔ),選取部分?jǐn)?shù)據(jù)經(jīng)過(guò)處理后作為ELM辨識(shí)建模的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù),最后將測(cè)試數(shù)據(jù)與實(shí)際數(shù)據(jù)對(duì)比分析,驗(yàn)證ELM葉根載荷模型的精確性。建模步驟如圖3。

    圖3 建模流程圖Fig.3 The flow diagram of modeling

    3.1 數(shù)據(jù)選取

    以美國(guó)可再生能源實(shí)驗(yàn)室(NREL)[https://nwtc.nrel.gov/]陸基5 MW風(fēng)機(jī)在研究工況下運(yùn)行的數(shù)據(jù)為基礎(chǔ),隨機(jī)選取900組數(shù)據(jù)作為ELM模型的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù),驗(yàn)證ELM用于葉根載荷預(yù)測(cè)模型建模的可行性和精確性。如上文所述,以擺振方向彎矩Mx和揮舞方向彎矩My為研究對(duì)象,即以{Mx,My}作為ELM載荷預(yù)測(cè)模型的輸出變量。經(jīng)過(guò)上文分析葉根載荷有關(guān)的影響因素,以風(fēng)速ν、槳距角β、方位角θ和風(fēng)輪轉(zhuǎn)速ω為模型的輸入變量,即訓(xùn)練樣本集為{ν,β,θ,ω;Mx,My}。在NREL 5 MW風(fēng)機(jī)運(yùn)行數(shù)據(jù)中,隨機(jī)選取900組數(shù)據(jù),其中720組數(shù)據(jù)作為訓(xùn)練集,剩下180組數(shù)據(jù)作為測(cè)試集。

    3.2 數(shù)據(jù)預(yù)處理

    為了消除量綱和單位不同對(duì)網(wǎng)絡(luò)學(xué)習(xí)的影響,保證網(wǎng)絡(luò)神經(jīng)元的非線(xiàn)性作用及較快的學(xué)習(xí)速度,避免因凈輸入絕對(duì)值過(guò)大造成神經(jīng)元的輸出飽和,應(yīng)將神經(jīng)網(wǎng)絡(luò)的樣本數(shù)據(jù)進(jìn)行歸一化處理。按照歸一化公式(11)將樣本數(shù)據(jù)歸一化到[0,1]區(qū)間。

    (11)

    3.3 確定網(wǎng)絡(luò)結(jié)構(gòu)

    選用的網(wǎng)絡(luò)結(jié)構(gòu)為單隱層3層網(wǎng)絡(luò)結(jié)構(gòu),激活函數(shù)采用Sigmoid函數(shù),網(wǎng)絡(luò)輸入輸出節(jié)點(diǎn)個(gè)數(shù)由網(wǎng)絡(luò)輸入輸出變量而定,要建立的ELM神經(jīng)網(wǎng)絡(luò)葉根載荷預(yù)測(cè)模型有ν,β,θ,ω共4個(gè)輸入變量以及Mx,My共2個(gè)輸出變量,即所建ELM神經(jīng)網(wǎng)絡(luò)模型的輸入節(jié)點(diǎn)個(gè)數(shù)確定為n=4,輸出節(jié)點(diǎn)個(gè)數(shù)為m=2;在ELM算法中隨機(jī)初始化輸入權(quán)重Wi和隱層節(jié)點(diǎn)偏置bi,不需要迭代調(diào)整,只需要設(shè)置隱層節(jié)點(diǎn)個(gè)數(shù),隱層節(jié)點(diǎn)個(gè)數(shù)的確定目前尚無(wú)理論指導(dǎo)。隱層節(jié)點(diǎn)數(shù)在一定范圍內(nèi)選取,ELM模型能保持穩(wěn)定的泛化性能,但隱層節(jié)點(diǎn)過(guò)多或過(guò)少會(huì)使模型的泛化性能降低[8]。該研究用訓(xùn)練集和測(cè)試集進(jìn)行測(cè)試驗(yàn)證的方法,以尋求測(cè)試誤差最小來(lái)確定最優(yōu)的節(jié)點(diǎn)數(shù)。圖4表示隱層節(jié)點(diǎn)數(shù)目對(duì)ELM葉根載荷預(yù)測(cè)模型性能的影響,RMSE表示均方根誤差,可以看出當(dāng)隱層節(jié)點(diǎn)數(shù)較少時(shí),ELM模型的訓(xùn)練誤差和測(cè)試誤差均隨著隱層節(jié)點(diǎn)數(shù)的增加而急劇減小,當(dāng)隱層節(jié)點(diǎn)數(shù)達(dá)到50左右,繼續(xù)增加隱層節(jié)點(diǎn)數(shù),訓(xùn)練誤差和測(cè)試誤差變化不顯著,當(dāng)節(jié)點(diǎn)數(shù)達(dá)到220點(diǎn)左右后,繼續(xù)增加隱層節(jié)點(diǎn)數(shù),測(cè)試誤差反而增大且不穩(wěn)定。在區(qū)間[100,220]范圍內(nèi)選取隱層節(jié)點(diǎn)數(shù)均能使ELM模型獲得較好的預(yù)測(cè)精度,該研究隱層節(jié)點(diǎn)數(shù)選取為L(zhǎng)=150。

    圖4 隱層節(jié)點(diǎn)個(gè)數(shù)對(duì)ELM模型性能的影響Fig.4 The influence of the number of hidden nodes on the performance of ELM model

    4 測(cè)試結(jié)果分析

    ELM神經(jīng)網(wǎng)絡(luò)模型對(duì)復(fù)雜的非線(xiàn)性系統(tǒng)有較強(qiáng)的擬合能力,能根據(jù)給定的輸入數(shù)據(jù)和輸出的目標(biāo)數(shù)據(jù),尋找到輸入數(shù)據(jù)和輸出目標(biāo)數(shù)據(jù)之間的映射關(guān)系。本研究用ELM算法對(duì)風(fēng)電機(jī)組葉根載荷進(jìn)行神經(jīng)網(wǎng)絡(luò)建模,是以ν,β,θ,ω4個(gè)輸入變量和Mx,My2個(gè)輸出變量的數(shù)據(jù)建立樣本集,構(gòu)建輸入到輸出的映射網(wǎng)絡(luò)結(jié)構(gòu),對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,神經(jīng)網(wǎng)絡(luò)就能找到輸入和輸出之間包含的映射關(guān)系,從而在相同的工況條件下任意給定輸入也能給出較準(zhǔn)確的預(yù)測(cè)輸出,使網(wǎng)絡(luò)具備泛化能力。建模過(guò)程如圖3所示,ELM網(wǎng)絡(luò)結(jié)構(gòu)確定后,用5 MW風(fēng)機(jī)的運(yùn)行數(shù)據(jù)經(jīng)過(guò)歸一化處理后,建立輸入和輸出樣本集對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,目的在于找出蘊(yùn)含在樣本數(shù)據(jù)中的輸入和輸出之間的關(guān)系,當(dāng)學(xué)習(xí)精度達(dá)到要求,網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)固定下來(lái),網(wǎng)絡(luò)的輸出權(quán)重向量也隨之確定,這樣ELM神經(jīng)網(wǎng)絡(luò)模型就已構(gòu)建完成,任意給出同工況條件下的輸入,就能根據(jù)公式(7)給出合適的輸出。

    為了比較ELM葉根載荷預(yù)測(cè)模型的性能,建立了葉根載荷SVM模型,并將ELM模型和SVM模型進(jìn)行了對(duì)比研究。SVM葉根載荷建?;谂_(tái)灣林智仁(Chih-Jen Lin)教授開(kāi)發(fā)的支持向量機(jī)工具包LIBSVM,由于運(yùn)用LIBSVM做回歸預(yù)測(cè)時(shí),只能對(duì)單輸出變量建模,也就是一次只能對(duì)一個(gè)輸出變量做擬合回歸建模,所以分別建立擺振方向彎矩Mx和揮舞方向彎矩My的SVM模型。葉根載荷SVM模型的核函數(shù)采用徑向基函數(shù)g(x)=exp(-γ*‖μ-ν‖2),核函數(shù)參數(shù)γ和懲罰系數(shù)C是SVM建模的兩個(gè)重要參數(shù),兩個(gè)參數(shù)對(duì)模型的預(yù)測(cè)精度和泛化性能影響很大,其中C用于調(diào)節(jié)置信范圍和經(jīng)驗(yàn)風(fēng)險(xiǎn)的比重,是調(diào)整模型復(fù)雜性和經(jīng)驗(yàn)風(fēng)險(xiǎn)的參數(shù)。擺振方向彎矩Mx和揮舞方向彎矩My的SVM模型的核函數(shù)參數(shù)γ和懲罰系數(shù)C用網(wǎng)格搜索法尋優(yōu),以尋求一組合適的參數(shù),使SVM模型擁有較小的訓(xùn)練誤差和良好的泛化能力。通過(guò)參數(shù)尋優(yōu),葉根擺振方向彎矩SVM模型參數(shù)選取為γ=27.86,C=1.74;揮舞方向彎矩SVM模型參數(shù)選取為γ=84.45,C=1。圖5和圖6分別是擺振方向彎矩Mx和揮舞方向彎矩My的SVM模型的核函數(shù)參數(shù)γ和懲罰系數(shù)C用網(wǎng)格搜索法尋優(yōu)的3D視圖,其中縱坐標(biāo)表示對(duì)應(yīng)不同參數(shù)γ和C時(shí)SVM模型的訓(xùn)練誤差,以均方誤差MSE表示。

    圖5 Mx的SVM模型參數(shù)對(duì)訓(xùn)練誤差的影響Fig.5 The influence of SVM model parameters on training error of Mx

    圖6 My的SVM模型參數(shù)對(duì)訓(xùn)練誤差的影響Fig.6 The influence of SVM model parameters on training error of My

    為了比較ELM載荷模型和SVM載荷模型的性能,分別對(duì)ELM模型和SVM模型進(jìn)行了20次網(wǎng)絡(luò)訓(xùn)練和測(cè)試,表1是一些指標(biāo)的平均值。

    表1 ELM模型和SVM模型性能比較

    用于網(wǎng)絡(luò)訓(xùn)練和測(cè)試的電腦處理器是Intel Core i3-3240 3.4GHZ CPU,用MATLAB R2014b軟件進(jìn)行。因?yàn)镋LM算法隱層節(jié)點(diǎn)個(gè)數(shù)對(duì)預(yù)測(cè)結(jié)果的影響并不靈敏,具有相同復(fù)雜度和樣本個(gè)數(shù)的數(shù)據(jù)所需設(shè)置的隱層節(jié)點(diǎn)個(gè)數(shù)基本相同,可以通過(guò)選取900組數(shù)據(jù)進(jìn)行訓(xùn)練來(lái)提前確定隱層節(jié)點(diǎn)的個(gè)數(shù)[17],所以ELM訓(xùn)練時(shí)間沒(méi)有計(jì)及確定隱層節(jié)點(diǎn)所需的時(shí)間;另外由于樣本數(shù)較少,各模型的測(cè)試時(shí)間均較小且差別不大,故沒(méi)有列出。由表1可以看出,ELM算法建立葉根載荷預(yù)測(cè)模型時(shí),用均方根誤差(RMSE)表示的訓(xùn)練誤差與用SVM算法建立葉根載荷模型時(shí)的訓(xùn)練誤差比較接近,但測(cè)試誤差卻小于SVM模型,預(yù)測(cè)精度比SVM高。而且運(yùn)用ELM算法建模時(shí),用于訓(xùn)練網(wǎng)絡(luò)的時(shí)間要遠(yuǎn)遠(yuǎn)小于SVM建模時(shí)所需時(shí)間,表中數(shù)據(jù)顯示ELM模型的訓(xùn)練速度是SVM的近千倍,即使計(jì)及隱層節(jié)點(diǎn)選取時(shí)間,ELM模型的訓(xùn)練速度也是SVM模型的數(shù)百倍,這是因?yàn)镾VM模型訓(xùn)練過(guò)程中參數(shù)C和γ選取較麻煩費(fèi)時(shí)。

    圖7~圖10是用測(cè)試集的180組數(shù)據(jù)對(duì)ELM模型和SVM模型進(jìn)行驗(yàn)證的仿真結(jié)果,分別運(yùn)用ELM模型和SVM模型對(duì)葉根載荷進(jìn)行預(yù)測(cè)后產(chǎn)生的載荷數(shù)據(jù)與實(shí)際數(shù)據(jù)進(jìn)行對(duì)比。

    圖7 ELM模型預(yù)測(cè)的葉根擺振彎矩MxFig.7 Blade root edgewise moment Mx predicted by ELM model

    圖8 ELM模型預(yù)測(cè)葉根揮舞彎矩MyFig.8 Blade root flapwise moment My predicted by ELM model

    圖9 SVM模型預(yù)測(cè)的葉根擺振彎矩MxFig.9 Blade root edgewise moment Mx predicted by SVM model

    圖10 SVM模型預(yù)測(cè)的葉根揮舞彎矩MyFig.10 Blade root flapwise moment My predicted by SVM model

    圖7是葉根擺振方向彎矩Mx的ELM模型預(yù)測(cè)數(shù)據(jù)和實(shí)際數(shù)據(jù)的對(duì)比圖,可以看出ELM葉根載荷預(yù)測(cè)模型能夠根據(jù)輸入變量較準(zhǔn)確地預(yù)測(cè)葉根載荷Mx的大小,預(yù)測(cè)可靠性較高,預(yù)測(cè)誤差較??;圖8是葉根揮舞彎矩My的ELM模型預(yù)測(cè)數(shù)據(jù)和實(shí)際數(shù)據(jù)的對(duì)比圖,可以看出ELM葉根載荷預(yù)測(cè)模型根據(jù)風(fēng)速、方位角等輸入數(shù)據(jù)預(yù)測(cè)葉根揮舞彎矩My的準(zhǔn)確率非常高;圖9和圖10分別是葉根擺振彎矩和揮舞彎矩的實(shí)際數(shù)據(jù)與SVM預(yù)測(cè)模型預(yù)測(cè)數(shù)據(jù)的對(duì)比圖,可以看出SVM建立葉根載荷模型的預(yù)測(cè)精度不及ELM模型的預(yù)測(cè)精度,預(yù)測(cè)誤差較大,而且預(yù)測(cè)誤差的波動(dòng)較大。從表1及圖7~圖10可以得出:在葉根載荷辨識(shí)建模上,ELM模型的精確度不僅高于SVM模型的精度,而且在葉根載荷建模網(wǎng)絡(luò)訓(xùn)練的過(guò)程中,ELM模型的訓(xùn)練時(shí)間要遠(yuǎn)遠(yuǎn)小于SVM模型的訓(xùn)練時(shí)間,這種優(yōu)良的性能將使ELM在復(fù)雜非線(xiàn)性系統(tǒng)辨識(shí)建模領(lǐng)域有更加廣闊的應(yīng)用前景。

    5 結(jié) 論

    針對(duì)葉根部位擺振彎矩和揮舞彎矩建立了ELM葉根載荷預(yù)測(cè)模型,并與SVM建立的葉根載荷模型進(jìn)行了對(duì)比分析,結(jié)果表明ELM算法用于風(fēng)輪葉根載荷建模的精確性較高,模型訓(xùn)練速度快,建模簡(jiǎn)單,從而說(shuō)明ELM算法用于建立葉根載荷神經(jīng)網(wǎng)絡(luò)模型的可行性和精確性?,F(xiàn)在大型風(fēng)電場(chǎng)都有數(shù)據(jù)采集系統(tǒng),這些采集的大量數(shù)據(jù)是一筆寶貴的資源,這些數(shù)據(jù)中蘊(yùn)含著風(fēng)電機(jī)組各方面的信息,而神經(jīng)網(wǎng)絡(luò)模型正可以利用這些數(shù)據(jù)辨識(shí)機(jī)組各方面的狀態(tài)和性能,運(yùn)用ELM算法進(jìn)行風(fēng)電機(jī)組建模不僅簡(jiǎn)單,而且預(yù)測(cè)精度高,可對(duì)機(jī)組性能和狀態(tài)進(jìn)行快速識(shí)別,為風(fēng)機(jī)載荷建模和在線(xiàn)控制研究提供了一種行之有效的方法。葉根部位是風(fēng)機(jī)載荷承載的關(guān)鍵部位,建立葉根載荷精確的預(yù)測(cè)模型對(duì)風(fēng)電機(jī)組減振控制、控制性能優(yōu)化有重要的作用。

    [ 1 ] JOHNSONS J,BAKER J P, VAN D C P, et al. An overview of active load control techniques for wind turbine with an emphasis on microtabs[J]. Wind Energy, 2010, 13(2/3):239-253

    [ 2 ] 肖帥, 楊耕, 耿華. 抑制載荷的大型風(fēng)電機(jī)組滑模變槳距控制[J]. 電工技術(shù)學(xué)報(bào), 2013, 28(7):145-150.

    XIAO Shuai, YANG Geng, GENG Hua. Sliding-mode pitch control strategy for large wind turbines to reduce loads[J]. Transactions of China Electrotechnical Society, 2013, 28(7):145-150.

    [ 3 ] YAO X, WANG X, XING Z, et al. Individual pitch control for variable speed turbine blade load mitigation[C]// IEEE International Conference on Sustainable Energy Technologies. IEEE, 2008:769-772.

    [ 4 ] 曹九發(fā), 王同光, 王梟. 大型風(fēng)力機(jī)的幾何非線(xiàn)性動(dòng)態(tài)響應(yīng)研究[J]. 振動(dòng)與沖擊, 2016, 35(14):182-187.

    CAO Jiufa, WANG Tongguang, WANG Xiao. Geometric nonlinear dynamics response of large-scale wind turbine[J]. Journal of Vibration and Shock, 2016, 35(14):182-187.

    [ 5 ] 王爽心, 李朝霞. 變槳距風(fēng)電機(jī)組自適應(yīng)PI優(yōu)化控制[J]. 太陽(yáng)能學(xué)報(bào), 2013, 34(9):1579-1586.

    WANG Shuangxin, LI Zhaoxia. Adaptive PI optimization control for variable-pitch wind turbines[J]. Acta Energiae Solaris Sinica,2013, 34(9):1579-1586.

    [ 6 ] 郝云霄, 閆楚良, 劉克格. 基于支持向量機(jī)的機(jī)翼載荷模型研究[J]. 科學(xué)技術(shù)與工程, 2013, 13(25):7432-7437.

    HAO Yunxiao, YAN Chuliang, LIU Kege. Modeling aircraft wing loads based on support vector machine[J]. Science Technology & Engineering, 2013,13(25):7432-7437.

    [ 7 ] MOHAMMADI K, SHAMSHIRBAND S, YEE P L, et al. Predicting the wind power density based upon extreme learning machine[J]. Energy, 2015, 16:232-239.

    [ 8 ] HUANG G B, ZHU Q Y, SIEW C K. Extreme learning machine: Theory and applications[J]. Neurocomputing, 2006, 70(1/2/3):489-501.

    [ 9 ] 劉軍, 陳東亮. 基于神經(jīng)網(wǎng)絡(luò)風(fēng)力發(fā)電機(jī)組載荷優(yōu)化控制策略研究[J]. 電氣傳動(dòng), 2014, 44(2):59-63.

    LIU Jun, CHEN Dongliang. Optimal control strategy for wind turbine load reduction based on neural network[J]. Electric Drive, 2014,44(2):59-63.

    [10] 劉皓明, 唐俏俏, 張占奎,等. 基于方位角和載荷聯(lián)合反饋的獨(dú)立變槳距控制策略研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2016, 36(14):3798-3805.

    LIU Haoming, TANG Qiaoqiao, ZHANG Zhankui, et al. Study of individual pitch control based on azimuth angle and load feedback[J]. Proceedings of The Chinese Society for Electrical Engineering, 2016, 36(14):3798-3805.

    [11] 何偉. 湍流風(fēng)場(chǎng)模擬與風(fēng)力發(fā)電機(jī)組載荷特性研究[D]. 保定:華北電力大學(xué), 2013.

    [12] 張小桃, 倪維斗, 李政,等. 基于主元分析與現(xiàn)場(chǎng)數(shù)據(jù)的過(guò)熱汽溫動(dòng)態(tài)建模研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2005, 25(5):131-135.

    ZHANG Xiaotao, NI Weidou, LI Zheng, et al. Dynamic modeling study of superheater steam temperature based on principal component analysis method and online data[J]. Proceedings of the Csee, 2005, 25(5):131-135.

    [13] HUANG G B, ZHU Q Y, SIEW C K. Extreme learning machine: a new learning scheme of feedforward neural networks[J]. Proc.int.joint Conf.neural Netw, 2004(2):985-990.

    [14] BARTLETT P L. For valid generalization, the size of the weights is more important than the size of the network[J]. Advances in Neural Information Processing Systems, 1997:134-140.

    [15] 陳嚴(yán), 張林偉, 劉雄,等. 水平軸風(fēng)力機(jī)葉片疲勞載荷的計(jì)算分析[J]. 太陽(yáng)能學(xué)報(bào), 2013, 34(5):902-908.

    CHEN Yan, ZHANG Linwei, LIU Xiong, et al. Fatigue load calculation and analysis of the blade of horizontal axis wind turbine[J]. Ata Energiae Solaris Sinica, 2013, 34(5):902-908.

    [16] DING C Y, LI G Q, GUO H C. Fatigue analysis of wind turbine[J]. Applied Mechanics & Materials, 2012, 229/230/231:621-624.

    [17] 張穎, 李梅, 高倩倩,等. 基于 ELMR-SVMR 的海水水質(zhì)預(yù)警模型研究[J]. 大連理工大學(xué)學(xué)報(bào), 2016, 56(2):185-192.

    ZHANG Ying, LI Mei, GAO Qianqian, et al. Research on forewarning model of seawater quality based on ELMR-SVMR[J]. Journal of Dalian University of Technology, 2016,56(2):185-192.

    猜你喜歡
    葉根風(fēng)輪隱層
    戒賭迷局
    基于有限元模型仿真的風(fēng)電葉根T型螺母應(yīng)力計(jì)算方法研究
    三齒樅樹(shù)型葉根輪槽型線(xiàn)優(yōu)化設(shè)計(jì)
    熱力透平(2019年4期)2019-12-18 07:09:18
    葉片數(shù)目對(duì)風(fēng)輪位移和應(yīng)力的影響
    基于RDPSO結(jié)構(gòu)優(yōu)化的三隱層BP神經(jīng)網(wǎng)絡(luò)水質(zhì)預(yù)測(cè)模型及應(yīng)用
    人民珠江(2019年4期)2019-04-20 02:32:00
    從五臟相關(guān)理論淺析祛風(fēng)退翳法在風(fēng)輪疾病的應(yīng)用
    精銑葉根的葉片測(cè)頻問(wèn)題分析與對(duì)策
    基于近似結(jié)構(gòu)風(fēng)險(xiǎn)的ELM隱層節(jié)點(diǎn)數(shù)優(yōu)化
    最優(yōu)隱層BP神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷
    BP神經(jīng)網(wǎng)絡(luò)隱層單元數(shù)確定方法
    国产真实伦视频高清在线观看| 九色成人免费人妻av| 久久久久久国产a免费观看| 18禁裸乳无遮挡免费网站照片| a级毛色黄片| 一级毛片aaaaaa免费看小| 精品少妇黑人巨大在线播放 | 美女国产视频在线观看| 一个人观看的视频www高清免费观看| 成人性生交大片免费视频hd| 老女人水多毛片| 亚洲av二区三区四区| 亚洲精品日韩av片在线观看| 美女xxoo啪啪120秒动态图| 精品人妻熟女av久视频| 99热精品在线国产| 成人毛片a级毛片在线播放| 99热只有精品国产| 日日摸夜夜添夜夜爱| 久久99热6这里只有精品| 欧美一级a爱片免费观看看| 99视频精品全部免费 在线| 亚洲欧洲国产日韩| 亚洲五月天丁香| 亚洲欧美精品综合久久99| 日韩成人伦理影院| 91av网一区二区| 成人漫画全彩无遮挡| 久久久色成人| 国产日韩欧美在线精品| 午夜福利在线观看免费完整高清在 | 精品免费久久久久久久清纯| 人妻久久中文字幕网| 国产精品99久久久久久久久| 色哟哟哟哟哟哟| 精华霜和精华液先用哪个| 日韩欧美一区二区三区在线观看| 国产精品福利在线免费观看| 国产乱人视频| 欧美一区二区精品小视频在线| 免费观看在线日韩| 亚洲成人av在线免费| 国产黄片美女视频| 欧美激情久久久久久爽电影| 国产成人午夜福利电影在线观看| 国产伦精品一区二区三区四那| 欧美最黄视频在线播放免费| 成年版毛片免费区| av免费在线看不卡| 成人性生交大片免费视频hd| 啦啦啦观看免费观看视频高清| 三级国产精品欧美在线观看| 精品久久久久久久久av| 国产黄色视频一区二区在线观看 | 身体一侧抽搐| 亚洲精品粉嫩美女一区| 少妇熟女欧美另类| 熟妇人妻久久中文字幕3abv| 日韩精品有码人妻一区| 午夜福利在线观看吧| 欧美高清性xxxxhd video| 久久鲁丝午夜福利片| 亚洲欧美日韩无卡精品| 六月丁香七月| 成年av动漫网址| 日韩,欧美,国产一区二区三区 | 亚洲欧美日韩卡通动漫| 99久久人妻综合| av天堂中文字幕网| 久久久久久久久久黄片| 成人漫画全彩无遮挡| 久久久久性生活片| www.av在线官网国产| 美女大奶头视频| 青青草视频在线视频观看| 亚洲成a人片在线一区二区| 欧美日本视频| 91av网一区二区| 亚洲欧美日韩卡通动漫| 精品久久久久久成人av| 在线a可以看的网站| 久久中文看片网| 亚洲va在线va天堂va国产| 亚洲图色成人| 99久久久亚洲精品蜜臀av| 少妇的逼好多水| 成人性生交大片免费视频hd| 久久精品国产亚洲av涩爱 | 老女人水多毛片| 你懂的网址亚洲精品在线观看 | 男插女下体视频免费在线播放| 乱码一卡2卡4卡精品| 免费观看在线日韩| 青春草亚洲视频在线观看| 国产视频内射| 人人妻人人看人人澡| 亚洲成人久久性| 国产成人91sexporn| 综合色av麻豆| 国产成人福利小说| 少妇的逼好多水| 国产精品爽爽va在线观看网站| or卡值多少钱| 黄色视频,在线免费观看| 欧美日韩乱码在线| 日日摸夜夜添夜夜爱| 91久久精品国产一区二区成人| 日韩强制内射视频| 欧美成人一区二区免费高清观看| 久久久a久久爽久久v久久| 亚洲一区二区三区色噜噜| 国产成人精品婷婷| 麻豆精品久久久久久蜜桃| 国产伦理片在线播放av一区 | 精品人妻熟女av久视频| 搞女人的毛片| 亚洲一级一片aⅴ在线观看| 国产老妇伦熟女老妇高清| 联通29元200g的流量卡| 亚洲乱码一区二区免费版| 狠狠狠狠99中文字幕| 内地一区二区视频在线| 精品一区二区三区人妻视频| 国产av不卡久久| 能在线免费观看的黄片| 日韩欧美在线乱码| 少妇被粗大猛烈的视频| 99久国产av精品国产电影| 日韩一区二区视频免费看| 日日啪夜夜撸| 欧美xxxx黑人xx丫x性爽| 久久人妻av系列| 国产精品一区二区性色av| 国产黄a三级三级三级人| 最近的中文字幕免费完整| 久久久久免费精品人妻一区二区| 欧美bdsm另类| 国产精品嫩草影院av在线观看| a级一级毛片免费在线观看| 日产精品乱码卡一卡2卡三| 一个人免费在线观看电影| 国产精品久久电影中文字幕| 三级男女做爰猛烈吃奶摸视频| 亚洲av.av天堂| 成人性生交大片免费视频hd| 国内精品一区二区在线观看| 黑人高潮一二区| 可以在线观看的亚洲视频| 亚洲精华国产精华液的使用体验 | 中文在线观看免费www的网站| 中文亚洲av片在线观看爽| 波多野结衣高清作品| 亚洲成人久久爱视频| 国产精品不卡视频一区二区| 免费看a级黄色片| 欧美在线一区亚洲| 免费观看精品视频网站| 国产午夜精品久久久久久一区二区三区| 69av精品久久久久久| 久久精品国产鲁丝片午夜精品| 日本黄大片高清| 中文字幕熟女人妻在线| 高清在线视频一区二区三区 | 亚洲成人精品中文字幕电影| 免费人成视频x8x8入口观看| 免费人成在线观看视频色| 亚洲精品日韩在线中文字幕 | 麻豆久久精品国产亚洲av| 丰满乱子伦码专区| 中文字幕制服av| 亚洲国产高清在线一区二区三| 97在线视频观看| 麻豆av噜噜一区二区三区| av天堂中文字幕网| a级毛片a级免费在线| 女的被弄到高潮叫床怎么办| 人妻夜夜爽99麻豆av| 免费大片18禁| 亚洲三级黄色毛片| 久久这里只有精品中国| 精品无人区乱码1区二区| 亚洲欧美日韩东京热| 免费av毛片视频| 国产美女午夜福利| 日本成人三级电影网站| 一级毛片电影观看 | 国产高清三级在线| 97人妻精品一区二区三区麻豆| 午夜福利在线观看吧| 国产av麻豆久久久久久久| 日本与韩国留学比较| 少妇猛男粗大的猛烈进出视频 | 国产高清有码在线观看视频| 99久久精品一区二区三区| 深夜a级毛片| 亚洲欧美清纯卡通| 国产精品99久久久久久久久| 久久精品影院6| 麻豆av噜噜一区二区三区| 三级男女做爰猛烈吃奶摸视频| 亚洲精品粉嫩美女一区| 国产亚洲av片在线观看秒播厂 | 亚洲熟妇中文字幕五十中出| 欧美另类亚洲清纯唯美| 国产精品久久久久久亚洲av鲁大| 日韩欧美精品免费久久| 亚洲在线自拍视频| 欧美日韩精品成人综合77777| 一区二区三区四区激情视频 | 黄色视频,在线免费观看| 色尼玛亚洲综合影院| 色哟哟哟哟哟哟| 欧美日韩乱码在线| 国产精品野战在线观看| 美女黄网站色视频| 熟女人妻精品中文字幕| 欧美最新免费一区二区三区| 午夜亚洲福利在线播放| 国产精品野战在线观看| 日韩三级伦理在线观看| 老司机福利观看| 亚洲一区二区三区色噜噜| 亚洲七黄色美女视频| 99热这里只有是精品50| 日韩精品有码人妻一区| 最近的中文字幕免费完整| 国产白丝娇喘喷水9色精品| 高清日韩中文字幕在线| 韩国av在线不卡| 国产高清不卡午夜福利| 18禁在线播放成人免费| 亚洲丝袜综合中文字幕| 久久中文看片网| 青春草国产在线视频 | 99国产精品一区二区蜜桃av| 18+在线观看网站| 国产精品免费一区二区三区在线| 久久精品久久久久久久性| 久久精品91蜜桃| 免费大片18禁| 波多野结衣巨乳人妻| 国产成人91sexporn| 少妇熟女欧美另类| 久久热精品热| 久久九九热精品免费| 看免费成人av毛片| 国产精品爽爽va在线观看网站| 亚洲国产精品国产精品| av免费观看日本| 老司机影院成人| 色综合色国产| 99热只有精品国产| 日韩 亚洲 欧美在线| 久久婷婷人人爽人人干人人爱| 久久精品国产亚洲av香蕉五月| 久久久久久国产a免费观看| 亚洲精品国产av成人精品| 干丝袜人妻中文字幕| 99久久精品一区二区三区| 国产午夜福利久久久久久| 成人国产麻豆网| 亚洲最大成人av| 1024手机看黄色片| 日本在线视频免费播放| 欧美激情国产日韩精品一区| 亚洲乱码一区二区免费版| 精品久久国产蜜桃| 国产精品嫩草影院av在线观看| 日韩一区二区三区影片| 日日摸夜夜添夜夜添av毛片| 亚洲成人久久性| 国产精品爽爽va在线观看网站| 成人性生交大片免费视频hd| 在线播放无遮挡| 免费不卡的大黄色大毛片视频在线观看 | www日本黄色视频网| 人妻少妇偷人精品九色| 我的老师免费观看完整版| 日日摸夜夜添夜夜爱| 少妇的逼水好多| 免费不卡的大黄色大毛片视频在线观看 | 校园人妻丝袜中文字幕| 日韩在线高清观看一区二区三区| 少妇的逼好多水| 久久久久久久久久久丰满| 村上凉子中文字幕在线| 午夜激情欧美在线| 国产爱豆传媒在线观看| 国产精品嫩草影院av在线观看| 欧美不卡视频在线免费观看| 两个人视频免费观看高清| 中文字幕av在线有码专区| 国产私拍福利视频在线观看| 校园春色视频在线观看| 少妇人妻一区二区三区视频| 色视频www国产| 国产精品综合久久久久久久免费| 99久久精品国产国产毛片| 天天一区二区日本电影三级| 免费看美女性在线毛片视频| 欧美潮喷喷水| 少妇的逼好多水| av在线老鸭窝| 免费av毛片视频| 亚洲av不卡在线观看| 亚洲精品久久久久久婷婷小说 | 又爽又黄无遮挡网站| 天天躁夜夜躁狠狠久久av| 春色校园在线视频观看| 免费av不卡在线播放| 成人漫画全彩无遮挡| 精品久久久久久久人妻蜜臀av| 91麻豆精品激情在线观看国产| 国产精品蜜桃在线观看 | 能在线免费观看的黄片| 两个人的视频大全免费| 国产精华一区二区三区| 成年女人看的毛片在线观看| 性色avwww在线观看| 九草在线视频观看| 一区二区三区四区激情视频 | 亚洲精品久久国产高清桃花| 欧美最新免费一区二区三区| 中国美女看黄片| 看免费成人av毛片| 亚洲国产精品成人综合色| 欧美日本视频| 深爱激情五月婷婷| 中文资源天堂在线| 综合色av麻豆| 尾随美女入室| 中国国产av一级| 国产成人午夜福利电影在线观看| 久久久精品94久久精品| 午夜视频国产福利| 精品久久国产蜜桃| 中文字幕av在线有码专区| 天堂√8在线中文| 国产又黄又爽又无遮挡在线| 国产私拍福利视频在线观看| av在线老鸭窝| 久久精品影院6| 午夜精品一区二区三区免费看| 男女下面进入的视频免费午夜| 简卡轻食公司| h日本视频在线播放| 综合色av麻豆| 国产精品久久电影中文字幕| 悠悠久久av| 综合色丁香网| 午夜精品一区二区三区免费看| 日韩精品青青久久久久久| 精品免费久久久久久久清纯| 十八禁国产超污无遮挡网站| 国产高潮美女av| 一级二级三级毛片免费看| 欧美丝袜亚洲另类| 伊人久久精品亚洲午夜| 丰满的人妻完整版| 亚洲av免费高清在线观看| 91狼人影院| 精品一区二区免费观看| 男人和女人高潮做爰伦理| 国产精品乱码一区二三区的特点| 国产精品,欧美在线| 韩国av在线不卡| 日本熟妇午夜| 波多野结衣高清作品| 中文字幕免费在线视频6| 在线观看av片永久免费下载| 欧美zozozo另类| 免费一级毛片在线播放高清视频| 亚洲成人中文字幕在线播放| 午夜爱爱视频在线播放| 一个人看的www免费观看视频| 一级二级三级毛片免费看| 一级av片app| 一个人看视频在线观看www免费| 日本与韩国留学比较| 最后的刺客免费高清国语| 久久久久久久久久成人| 波多野结衣高清作品| 非洲黑人性xxxx精品又粗又长| 人人妻人人澡人人爽人人夜夜 | 成人美女网站在线观看视频| 最好的美女福利视频网| videossex国产| 日韩大尺度精品在线看网址| 亚洲真实伦在线观看| 亚洲va在线va天堂va国产| 天天一区二区日本电影三级| 偷拍熟女少妇极品色| 国产伦精品一区二区三区四那| 91av网一区二区| 亚洲av第一区精品v没综合| 啦啦啦韩国在线观看视频| 国内揄拍国产精品人妻在线| 精品无人区乱码1区二区| 欧美日韩综合久久久久久| 日本免费a在线| 精品久久久久久久久久免费视频| 国产精品无大码| 亚洲精品国产av成人精品| 人妻制服诱惑在线中文字幕| 国产男人的电影天堂91| 精品日产1卡2卡| 国产极品精品免费视频能看的| av在线播放精品| 日韩在线高清观看一区二区三区| 99在线人妻在线中文字幕| 国产成人精品一,二区 | 亚洲久久久久久中文字幕| av在线观看视频网站免费| 精品欧美国产一区二区三| 看免费成人av毛片| 成人漫画全彩无遮挡| 日韩一区二区视频免费看| 男女做爰动态图高潮gif福利片| 成人av在线播放网站| 夫妻性生交免费视频一级片| 久久久精品94久久精品| 久久久久久久久久久丰满| 久久人人精品亚洲av| 精品欧美国产一区二区三| 亚洲经典国产精华液单| 黄色视频,在线免费观看| 精品国内亚洲2022精品成人| 欧美一级a爱片免费观看看| 成人毛片60女人毛片免费| av视频在线观看入口| 国产日韩欧美在线精品| 在线观看一区二区三区| 午夜爱爱视频在线播放| 国产伦一二天堂av在线观看| 亚洲精品色激情综合| 国产精品永久免费网站| 午夜福利在线在线| 午夜福利视频1000在线观看| 熟妇人妻久久中文字幕3abv| 久久精品综合一区二区三区| 中文字幕人妻熟人妻熟丝袜美| 亚洲真实伦在线观看| 亚洲最大成人手机在线| 欧美日韩综合久久久久久| 欧美在线一区亚洲| 内射极品少妇av片p| 欧美性感艳星| 成人综合一区亚洲| 国产成年人精品一区二区| 嘟嘟电影网在线观看| 欧美精品一区二区大全| 国产成人影院久久av| 国产精品一区二区三区四区免费观看| 国产亚洲av嫩草精品影院| 97超碰精品成人国产| 亚洲国产欧美在线一区| 精品久久久久久久久久久久久| 只有这里有精品99| 成人性生交大片免费视频hd| 插逼视频在线观看| 六月丁香七月| 九草在线视频观看| 欧美日韩乱码在线| 亚洲国产日韩欧美精品在线观看| 亚洲精品粉嫩美女一区| 真实男女啪啪啪动态图| 国产精品久久久久久精品电影| 一级av片app| 此物有八面人人有两片| 久久国内精品自在自线图片| 午夜福利高清视频| 性欧美人与动物交配| 久久精品国产自在天天线| 国产色爽女视频免费观看| 国产精品三级大全| 亚洲国产精品合色在线| 日日干狠狠操夜夜爽| 岛国毛片在线播放| 青青草视频在线视频观看| 久久亚洲国产成人精品v| 中文字幕熟女人妻在线| 亚洲人成网站在线观看播放| 久久精品综合一区二区三区| 国产成人a区在线观看| 国产精品av视频在线免费观看| 日本黄色片子视频| 亚洲av中文av极速乱| 国产老妇伦熟女老妇高清| 国产精品久久久久久久电影| 亚洲精品久久国产高清桃花| 老熟妇乱子伦视频在线观看| 69人妻影院| 特级一级黄色大片| 青春草亚洲视频在线观看| 国产在线男女| 床上黄色一级片| 日韩大尺度精品在线看网址| 97超视频在线观看视频| av在线老鸭窝| 国产私拍福利视频在线观看| 国内久久婷婷六月综合欲色啪| 在线观看一区二区三区| 99久国产av精品| 国产真实伦视频高清在线观看| 国产精品伦人一区二区| 简卡轻食公司| 91aial.com中文字幕在线观看| 精品久久久久久久久久久久久| 九色成人免费人妻av| 国产成人freesex在线| videossex国产| 欧美+亚洲+日韩+国产| 晚上一个人看的免费电影| av又黄又爽大尺度在线免费看 | 免费人成在线观看视频色| 青青草视频在线视频观看| 九九在线视频观看精品| 美女 人体艺术 gogo| 成人国产麻豆网| 欧美最黄视频在线播放免费| 女人十人毛片免费观看3o分钟| 欧美三级亚洲精品| 国产单亲对白刺激| 爱豆传媒免费全集在线观看| 亚洲无线观看免费| 18禁裸乳无遮挡免费网站照片| 午夜福利在线在线| 在线播放国产精品三级| 成人特级av手机在线观看| 国产精品乱码一区二三区的特点| 1024手机看黄色片| 亚洲成人中文字幕在线播放| 联通29元200g的流量卡| 岛国在线免费视频观看| 国产爱豆传媒在线观看| 精品99又大又爽又粗少妇毛片| 麻豆国产97在线/欧美| 成人高潮视频无遮挡免费网站| 午夜精品在线福利| 久久国产乱子免费精品| 联通29元200g的流量卡| 亚洲av熟女| 精品少妇黑人巨大在线播放 | 欧美一级a爱片免费观看看| 久久综合国产亚洲精品| 插逼视频在线观看| 国产老妇伦熟女老妇高清| 久久欧美精品欧美久久欧美| 麻豆av噜噜一区二区三区| 国产真实伦视频高清在线观看| 中文字幕免费在线视频6| avwww免费| 国产亚洲av片在线观看秒播厂 | 99热这里只有是精品50| 亚洲内射少妇av| 亚洲丝袜综合中文字幕| 淫秽高清视频在线观看| 在线播放无遮挡| 免费大片18禁| 国产精品一区二区三区四区免费观看| 99国产精品一区二区蜜桃av| 免费无遮挡裸体视频| 国产成人影院久久av| 日本-黄色视频高清免费观看| 1024手机看黄色片| 国产极品天堂在线| 女人被狂操c到高潮| 国产一区二区在线观看日韩| 免费黄网站久久成人精品| 亚洲av男天堂| 日本一本二区三区精品| 成年女人永久免费观看视频| 午夜免费男女啪啪视频观看| 青春草亚洲视频在线观看| 日韩国内少妇激情av| 亚洲高清免费不卡视频| 午夜福利在线观看免费完整高清在 | 精品久久久久久久久久免费视频| 男女边吃奶边做爰视频| 国产免费男女视频| 在线观看午夜福利视频| 久久热精品热| 成熟少妇高潮喷水视频| 色综合亚洲欧美另类图片| 在线国产一区二区在线| 久久久久九九精品影院| 国产真实伦视频高清在线观看| 一级毛片aaaaaa免费看小| 男女视频在线观看网站免费| 日本五十路高清| 精品久久久久久久久久免费视频| 日日摸夜夜添夜夜爱| 国产三级中文精品| 国产色爽女视频免费观看| а√天堂www在线а√下载| 亚洲激情五月婷婷啪啪| 国内久久婷婷六月综合欲色啪| 中国国产av一级| 日本-黄色视频高清免费观看| 午夜精品国产一区二区电影 | 啦啦啦观看免费观看视频高清| 丝袜美腿在线中文| 国产精品久久久久久亚洲av鲁大| 亚洲av成人精品一区久久| 久久韩国三级中文字幕| 日产精品乱码卡一卡2卡三| 国产色婷婷99| 色播亚洲综合网| 亚洲真实伦在线观看| 欧美一级a爱片免费观看看| 亚洲精品影视一区二区三区av| 亚洲精品日韩在线中文字幕 | 少妇裸体淫交视频免费看高清| 两个人的视频大全免费| 日韩欧美国产在线观看|