• <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
    国产精品影院久久| 久久久久九九精品影院| 蜜桃久久精品国产亚洲av| 国产精品电影一区二区三区| av福利片在线观看| 国产一级毛片七仙女欲春2| 一级毛片精品| 亚洲熟妇中文字幕五十中出| 国产黄色小视频在线观看| 俺也久久电影网| 精品久久蜜臀av无| 啦啦啦观看免费观看视频高清| 亚洲成av人片在线播放无| 在线观看免费视频日本深夜| 精品人妻1区二区| 男女床上黄色一级片免费看| 国产精品日韩av在线免费观看| 搡老妇女老女人老熟妇| 欧美日韩一级在线毛片| 国产精品 欧美亚洲| 亚洲中文日韩欧美视频| 亚洲一区中文字幕在线| 一级黄色大片毛片| 国内揄拍国产精品人妻在线| 国产精品久久久久久人妻精品电影| 最新在线观看一区二区三区| 欧美性长视频在线观看| www日本黄色视频网| 久久中文字幕一级| 久久久国产成人精品二区| 日韩欧美在线乱码| 男人舔女人的私密视频| 露出奶头的视频| 免费在线观看黄色视频的| 夜夜躁狠狠躁天天躁| 亚洲中文字幕日韩| 亚洲18禁久久av| 高清毛片免费观看视频网站| 伦理电影免费视频| 老汉色∧v一级毛片| 国产成年人精品一区二区| 18禁裸乳无遮挡免费网站照片| 午夜成年电影在线免费观看| 一边摸一边做爽爽视频免费| 长腿黑丝高跟| 99久久国产精品久久久| 欧美 亚洲 国产 日韩一| 午夜影院日韩av| 久久中文字幕人妻熟女| 99久久综合精品五月天人人| 久热爱精品视频在线9| 久久精品aⅴ一区二区三区四区| 人成视频在线观看免费观看| 在线播放国产精品三级| av免费在线观看网站| 久久精品aⅴ一区二区三区四区| 啪啪无遮挡十八禁网站| 亚洲欧洲精品一区二区精品久久久| 婷婷精品国产亚洲av| 久久这里只有精品中国| 男插女下体视频免费在线播放| 亚洲天堂国产精品一区在线| 午夜视频精品福利| 色综合站精品国产| 亚洲免费av在线视频| 国产1区2区3区精品| 久久久久久九九精品二区国产 | 天堂影院成人在线观看| 两个人的视频大全免费| 俄罗斯特黄特色一大片| 成人亚洲精品av一区二区| 白带黄色成豆腐渣| 免费电影在线观看免费观看| 日韩有码中文字幕| 国产熟女xx| 亚洲乱码一区二区免费版| 天天添夜夜摸| 国产精品 欧美亚洲| 精品不卡国产一区二区三区| 黄色视频不卡| 国产区一区二久久| 激情在线观看视频在线高清| 1024香蕉在线观看| 好男人在线观看高清免费视频| 怎么达到女性高潮| 亚洲真实伦在线观看| 丝袜美腿诱惑在线| 免费看日本二区| www日本在线高清视频| 中文字幕人成人乱码亚洲影| 高清毛片免费观看视频网站| 成人精品一区二区免费| 亚洲国产精品999在线| 亚洲七黄色美女视频| 亚洲欧美精品综合久久99| 国产精品国产高清国产av| 久久婷婷人人爽人人干人人爱| av超薄肉色丝袜交足视频| 黄色丝袜av网址大全| 夜夜看夜夜爽夜夜摸| 一二三四社区在线视频社区8| 真人一进一出gif抽搐免费| 欧美日韩中文字幕国产精品一区二区三区| 亚洲成a人片在线一区二区| 中出人妻视频一区二区| 观看免费一级毛片| 亚洲av中文字字幕乱码综合| 国产精品国产高清国产av| 12—13女人毛片做爰片一| 男人舔女人的私密视频| 日本精品一区二区三区蜜桃| 久久精品夜夜夜夜夜久久蜜豆 | 天天添夜夜摸| 中国美女看黄片| 可以在线观看的亚洲视频| av片东京热男人的天堂| 国产av一区在线观看免费| 久久久久免费精品人妻一区二区| 777久久人妻少妇嫩草av网站| 色哟哟哟哟哟哟| 美女午夜性视频免费| 日本精品一区二区三区蜜桃| 黄频高清免费视频| 国产av又大| 亚洲欧洲精品一区二区精品久久久| 国产亚洲精品一区二区www| 嫩草影视91久久| 变态另类丝袜制服| 老司机福利观看| 国产精品一区二区精品视频观看| 久久久久久久午夜电影| 欧美极品一区二区三区四区| 亚洲 欧美 日韩 在线 免费| 久久久久久久午夜电影| 国产精品 欧美亚洲| 精品一区二区三区视频在线观看免费| 香蕉丝袜av| 国产激情久久老熟女| 一边摸一边做爽爽视频免费| 99国产综合亚洲精品| 亚洲av电影不卡..在线观看| 国产爱豆传媒在线观看 | 国产精品1区2区在线观看.| 久久中文看片网| 日本一区二区免费在线视频| 婷婷精品国产亚洲av| 国产高清视频在线观看网站| 又爽又黄无遮挡网站| 婷婷亚洲欧美| 国产私拍福利视频在线观看| 黄色片一级片一级黄色片| 熟妇人妻久久中文字幕3abv| 国产精品,欧美在线| 午夜精品久久久久久毛片777| 国产精品电影一区二区三区| 在线观看一区二区三区| 99精品久久久久人妻精品| netflix在线观看网站| 一级a爱片免费观看的视频| 国模一区二区三区四区视频 | 一进一出抽搐gif免费好疼| 亚洲狠狠婷婷综合久久图片| 最新美女视频免费是黄的| 久久久久久人人人人人| 人成视频在线观看免费观看| 色综合婷婷激情| 午夜福利欧美成人| 两性夫妻黄色片| 男男h啪啪无遮挡| 99re在线观看精品视频| 1024手机看黄色片| 99国产精品一区二区三区| 国产精品一及| 国产成人欧美在线观看| 国产精品免费视频内射| 国产亚洲欧美在线一区二区| 国产精品永久免费网站| 村上凉子中文字幕在线| 制服诱惑二区| 老司机在亚洲福利影院| 久久久精品欧美日韩精品| 精品久久久久久成人av| 国产精品影院久久| 香蕉国产在线看| 中文资源天堂在线| 色综合亚洲欧美另类图片| 国产精品美女特级片免费视频播放器 | 日韩大尺度精品在线看网址| 国产精品香港三级国产av潘金莲| av福利片在线| 熟女电影av网| 中文字幕熟女人妻在线| 夜夜躁狠狠躁天天躁| 日韩欧美精品v在线| 亚洲国产欧美一区二区综合| 国产片内射在线| 黄色毛片三级朝国网站| 日本撒尿小便嘘嘘汇集6| 精品久久久久久久久久久久久| 在线国产一区二区在线| 黄色 视频免费看| 香蕉av资源在线| 国产成人精品无人区| 国产成人aa在线观看| 天堂av国产一区二区熟女人妻 | 久久久国产欧美日韩av| 亚洲精品粉嫩美女一区| 欧美成狂野欧美在线观看| www.熟女人妻精品国产| 无限看片的www在线观看| 国产男靠女视频免费网站| 十八禁网站免费在线| www.www免费av| 可以免费在线观看a视频的电影网站| 亚洲成人国产一区在线观看| 亚洲av片天天在线观看| 日日爽夜夜爽网站| 香蕉久久夜色| 波多野结衣高清无吗| 变态另类丝袜制服| 一级作爱视频免费观看| 一区二区三区国产精品乱码| 欧美黑人精品巨大| 国产成人av教育| 婷婷精品国产亚洲av| 露出奶头的视频| 久久午夜综合久久蜜桃| 无遮挡黄片免费观看| 给我免费播放毛片高清在线观看| 天堂av国产一区二区熟女人妻 | 国产精品99久久99久久久不卡| 日本在线视频免费播放| 人人妻人人看人人澡| 一二三四在线观看免费中文在| 国内揄拍国产精品人妻在线| 中亚洲国语对白在线视频| 人妻丰满熟妇av一区二区三区| 亚洲中文字幕一区二区三区有码在线看 | 欧美最黄视频在线播放免费| 91麻豆精品激情在线观看国产| 国产亚洲欧美98| 不卡一级毛片| 国产精品 国内视频| netflix在线观看网站| 免费在线观看完整版高清| 女人被狂操c到高潮| 国产一级毛片七仙女欲春2| 岛国在线免费视频观看| 女人爽到高潮嗷嗷叫在线视频| 国产91精品成人一区二区三区| 国产成人欧美在线观看| 国产av在哪里看| 欧美成狂野欧美在线观看| 亚洲一区中文字幕在线| 国产伦人伦偷精品视频| 国产熟女xx| 免费高清视频大片| 色尼玛亚洲综合影院| 午夜福利在线在线| 在线观看日韩欧美| 黑人巨大精品欧美一区二区mp4| 俄罗斯特黄特色一大片| 在线国产一区二区在线| 国产三级黄色录像| 最近最新中文字幕大全电影3| 精华霜和精华液先用哪个| 狂野欧美白嫩少妇大欣赏| 夜夜看夜夜爽夜夜摸| 最近最新中文字幕大全免费视频| 香蕉久久夜色| 黄色视频不卡| 一级毛片女人18水好多| 精品乱码久久久久久99久播| 精品久久久久久成人av| 国产一区二区在线观看日韩 | 中文字幕熟女人妻在线| 真人做人爱边吃奶动态| 亚洲熟妇中文字幕五十中出| 99热这里只有是精品50| 国产91精品成人一区二区三区| 婷婷丁香在线五月| 97人妻精品一区二区三区麻豆| 一进一出抽搐动态| 每晚都被弄得嗷嗷叫到高潮| 成年人黄色毛片网站| 国产精品一区二区精品视频观看| 人成视频在线观看免费观看| 欧美精品啪啪一区二区三区| 亚洲av第一区精品v没综合| 一级毛片精品| 久久久久久久久久黄片| 日韩欧美国产在线观看| 国产蜜桃级精品一区二区三区| 精品久久蜜臀av无| 美女大奶头视频| 老司机午夜十八禁免费视频| www.自偷自拍.com| 欧美日韩福利视频一区二区| 亚洲一区二区三区色噜噜| 在线观看午夜福利视频| 欧美激情久久久久久爽电影| 久久精品国产亚洲av高清一级| 看黄色毛片网站| www.999成人在线观看| 久久伊人香网站| 亚洲欧美日韩无卡精品| 欧美丝袜亚洲另类 | 视频区欧美日本亚洲| 欧美久久黑人一区二区| 精品乱码久久久久久99久播| 国产又黄又爽又无遮挡在线| 一进一出好大好爽视频| 欧美大码av| 国产主播在线观看一区二区| 99热这里只有精品一区 | 男女床上黄色一级片免费看| 男女那种视频在线观看| 日韩欧美三级三区| 91老司机精品| 国产高清视频在线观看网站| 怎么达到女性高潮| 在线免费观看的www视频| 亚洲第一电影网av| 黄色女人牲交| 黄色丝袜av网址大全| 亚洲片人在线观看| 日本在线视频免费播放| 丰满的人妻完整版| 久久午夜综合久久蜜桃| 免费在线观看完整版高清| 高清在线国产一区| 少妇被粗大的猛进出69影院| 精品久久久久久久久久久久久| 日本 av在线| 老司机福利观看| 亚洲国产精品sss在线观看| 亚洲欧美激情综合另类| 男女午夜视频在线观看| 最新在线观看一区二区三区| 国产亚洲精品第一综合不卡| 国产69精品久久久久777片 | 日日干狠狠操夜夜爽| 国产午夜精品论理片| 嫩草影院精品99| 成人精品一区二区免费| 舔av片在线| 午夜日韩欧美国产| 国内毛片毛片毛片毛片毛片| 不卡av一区二区三区| 免费看美女性在线毛片视频| 特级一级黄色大片| 69av精品久久久久久| 日本熟妇午夜| 男女视频在线观看网站免费 | 一级作爱视频免费观看| 伊人久久大香线蕉亚洲五| 精品熟女少妇八av免费久了| 亚洲专区中文字幕在线| 免费在线观看亚洲国产| 欧美av亚洲av综合av国产av| 中出人妻视频一区二区| 日本 av在线| 日韩欧美在线二视频| 欧美黑人精品巨大| 欧美大码av| 国产精品免费一区二区三区在线| 日本一本二区三区精品| 老汉色av国产亚洲站长工具| 看片在线看免费视频| 变态另类丝袜制服| 99久久99久久久精品蜜桃| 久久久精品欧美日韩精品| 亚洲av片天天在线观看| 国产亚洲精品久久久久5区| 一本大道久久a久久精品| 日韩欧美免费精品| 亚洲国产精品合色在线| 国产精品久久视频播放| 精品国产超薄肉色丝袜足j| 国产熟女xx| 床上黄色一级片| 久久 成人 亚洲| 国产精品日韩av在线免费观看| 中文字幕高清在线视频| 黄色视频,在线免费观看| 亚洲一区二区三区不卡视频| 久久人妻福利社区极品人妻图片| 亚洲欧美日韩东京热| 日日干狠狠操夜夜爽| 欧美不卡视频在线免费观看 | 12—13女人毛片做爰片一| 精品熟女少妇八av免费久了| 日本五十路高清| 国产97色在线日韩免费| 巨乳人妻的诱惑在线观看| 欧美另类亚洲清纯唯美| 国产精品久久久人人做人人爽| 亚洲天堂国产精品一区在线| 国产av不卡久久| 99国产精品99久久久久| 淫秽高清视频在线观看| 老司机深夜福利视频在线观看| av视频在线观看入口| 亚洲av五月六月丁香网| 在线观看午夜福利视频| av福利片在线观看| 欧美日韩乱码在线| av超薄肉色丝袜交足视频| 在线看三级毛片| 免费无遮挡裸体视频| 久久久久久久午夜电影| 国产精品永久免费网站| 亚洲av成人不卡在线观看播放网| 久久亚洲真实| 久久久久免费精品人妻一区二区| 亚洲熟妇中文字幕五十中出| 国产久久久一区二区三区| 村上凉子中文字幕在线| av福利片在线| 国产亚洲av高清不卡| 亚洲aⅴ乱码一区二区在线播放 | 亚洲激情在线av| 色综合欧美亚洲国产小说| 男人舔女人的私密视频| 91国产中文字幕| 白带黄色成豆腐渣| 一个人免费在线观看电影 | 欧美精品啪啪一区二区三区| 亚洲av电影在线进入| 精品国产乱子伦一区二区三区| 久久这里只有精品中国| www国产在线视频色| av欧美777| 日韩欧美国产在线观看| 亚洲国产欧美人成| 久久精品亚洲精品国产色婷小说| 男女视频在线观看网站免费 | av片东京热男人的天堂| 亚洲精品久久成人aⅴ小说| 午夜福利欧美成人| 欧美3d第一页| 国产精品久久久久久精品电影| 国产成人av激情在线播放| 免费高清视频大片| 久久久久免费精品人妻一区二区| 老鸭窝网址在线观看| 国产精品久久久久久久电影 | 男插女下体视频免费在线播放| 一区二区三区高清视频在线| xxxwww97欧美| 国产高清激情床上av| 久久国产精品人妻蜜桃| 九九热线精品视视频播放| 老司机深夜福利视频在线观看| av超薄肉色丝袜交足视频| 999久久久精品免费观看国产| 狂野欧美白嫩少妇大欣赏| 美女大奶头视频| 久久久久精品国产欧美久久久| 亚洲av成人av| 亚洲国产日韩欧美精品在线观看 | 我要搜黄色片| 日本成人三级电影网站| 99在线视频只有这里精品首页| 国产男靠女视频免费网站| 国产激情久久老熟女| 99精品欧美一区二区三区四区| 国产成人精品久久二区二区免费| 久久久久久久精品吃奶| 日本黄大片高清| 日本撒尿小便嘘嘘汇集6| avwww免费| 黄色丝袜av网址大全| 亚洲熟妇熟女久久| 熟妇人妻久久中文字幕3abv| 十八禁人妻一区二区| 亚洲专区中文字幕在线| 成人三级做爰电影| 亚洲熟妇中文字幕五十中出| 无限看片的www在线观看| 欧美成人一区二区免费高清观看 | 亚洲精品粉嫩美女一区| 日韩国内少妇激情av| 高清毛片免费观看视频网站| 亚洲精品在线观看二区| 成人18禁在线播放| 色综合站精品国产| 精品福利观看| 麻豆成人午夜福利视频| 日韩成人在线观看一区二区三区| 午夜久久久久精精品| 国产亚洲欧美在线一区二区| 亚洲午夜精品一区,二区,三区| 男人的好看免费观看在线视频 | www.精华液| 一二三四社区在线视频社区8| 国产熟女xx| 免费看十八禁软件| 男人舔女人的私密视频| 国产激情久久老熟女| АⅤ资源中文在线天堂| 国产精品乱码一区二三区的特点| 午夜精品在线福利| 国产成人系列免费观看| 国产在线精品亚洲第一网站| 我要搜黄色片| 精品国产亚洲在线| 女人被狂操c到高潮| 免费av毛片视频| 一级毛片高清免费大全| 男女视频在线观看网站免费 | 午夜精品久久久久久毛片777| 少妇粗大呻吟视频| 麻豆成人午夜福利视频| 免费在线观看视频国产中文字幕亚洲| 日韩欧美精品v在线| 美女 人体艺术 gogo| 日韩成人在线观看一区二区三区| 精品午夜福利视频在线观看一区| 99re在线观看精品视频| 法律面前人人平等表现在哪些方面| 欧美午夜高清在线| 国产成人av激情在线播放| 久久久久久久午夜电影| 亚洲专区字幕在线| 狠狠狠狠99中文字幕| 黑人巨大精品欧美一区二区mp4| 亚洲色图 男人天堂 中文字幕| 国产精品综合久久久久久久免费| 免费在线观看黄色视频的| 国产野战对白在线观看| 免费看日本二区| 国产不卡一卡二| 国产成人啪精品午夜网站| 国产蜜桃级精品一区二区三区| 成人18禁高潮啪啪吃奶动态图| 十八禁网站免费在线| 在线观看舔阴道视频| 大型av网站在线播放| 国产精品亚洲一级av第二区| 99在线视频只有这里精品首页| 精品人妻1区二区| 蜜桃久久精品国产亚洲av| 五月玫瑰六月丁香| 亚洲中文日韩欧美视频| 国产精品自产拍在线观看55亚洲| 熟妇人妻久久中文字幕3abv| 亚洲七黄色美女视频| 精品不卡国产一区二区三区| 亚洲人成电影免费在线| 色在线成人网| 校园春色视频在线观看| 久久天堂一区二区三区四区| 啦啦啦韩国在线观看视频| 国产精品av久久久久免费| 国产精品国产高清国产av| 中亚洲国语对白在线视频| 老汉色∧v一级毛片| 久久久久性生活片| 国产一区二区在线观看日韩 | 一边摸一边做爽爽视频免费| 免费观看人在逋| 亚洲国产欧美网| av视频在线观看入口| 麻豆成人av在线观看| 大型av网站在线播放| 欧美乱色亚洲激情| 久久精品91无色码中文字幕| 亚洲avbb在线观看| 欧美午夜高清在线| 人妻丰满熟妇av一区二区三区| 天堂√8在线中文| 日韩欧美在线乱码| 搡老妇女老女人老熟妇| 亚洲 欧美 日韩 在线 免费| 91麻豆av在线| 亚洲国产欧美人成| 小说图片视频综合网站| 桃色一区二区三区在线观看| 国产高清视频在线观看网站| 曰老女人黄片| 老司机午夜十八禁免费视频| 国产成年人精品一区二区| 亚洲一区中文字幕在线| 午夜老司机福利片| 国产私拍福利视频在线观看| 两性午夜刺激爽爽歪歪视频在线观看 | 成人欧美大片| 国模一区二区三区四区视频 | 国产高清有码在线观看视频 | 后天国语完整版免费观看| avwww免费| 欧美日本视频| 欧美色视频一区免费| 男女做爰动态图高潮gif福利片| 国产熟女xx| 久9热在线精品视频| 国产精品av视频在线免费观看| 久久久久久久久中文| 毛片女人毛片| 国内揄拍国产精品人妻在线| 韩国av一区二区三区四区| 麻豆国产av国片精品| 少妇被粗大的猛进出69影院| 亚洲专区字幕在线| 可以在线观看的亚洲视频| 免费电影在线观看免费观看| 757午夜福利合集在线观看| 国产欧美日韩一区二区精品| 两个人免费观看高清视频| 国产熟女xx| 精品熟女少妇八av免费久了| 久久精品国产清高在天天线| 欧美日韩瑟瑟在线播放| x7x7x7水蜜桃|