• <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 ?

    基于改進(jìn)模糊支持向量機(jī)的汽輪機(jī)熱耗率預(yù)測(cè)模型

    2019-03-28 06:58:00黃昕宇張棟良李帥位
    熱力發(fā)電 2019年3期
    關(guān)鍵詞:熱耗率汽輪機(jī)聚類

    黃昕宇,張棟良,李帥位

    ?

    基于改進(jìn)模糊支持向量機(jī)的汽輪機(jī)熱耗率預(yù)測(cè)模型

    黃昕宇,張棟良,李帥位

    (上海電力學(xué)院自動(dòng)化工程學(xué)院,上海 200090)

    針對(duì)現(xiàn)有方法難以準(zhǔn)確預(yù)測(cè)具有復(fù)雜非線性特征的汽輪機(jī)熱耗率問題,本文提出一種改進(jìn)模糊支持向量機(jī)(FSVM)的汽輪機(jī)熱耗率預(yù)測(cè)模型。首先采用間隔統(tǒng)計(jì)算法計(jì)算熱耗率數(shù)據(jù)最佳聚類個(gè)數(shù),防止出現(xiàn)聚類數(shù)目的不確定性,然后利用模糊C均值聚類(KFCM)算法將熱耗率數(shù)據(jù)劃分,生成聚類子樣本,將聚類子樣本代入經(jīng)粒子群算法優(yōu)化的FSVM中,建立基于FSVM的汽輪機(jī)熱耗率預(yù)測(cè)模型。將現(xiàn)場(chǎng)采集的某超超臨界660 MW機(jī)組汽輪機(jī)熱耗率數(shù)據(jù)輸入模型進(jìn)行預(yù)測(cè),并與傳統(tǒng)支持向量機(jī)的預(yù)測(cè)結(jié)果進(jìn)行比較。結(jié)果表明,改進(jìn)的FSVM方法具有更高的預(yù)測(cè)精度和更強(qiáng)的泛化能力。

    汽輪機(jī);熱耗率;聚類算法;模糊支持向量機(jī);預(yù)測(cè)模型;間隔統(tǒng)計(jì)

    汽輪機(jī)熱耗率是火電廠技術(shù)經(jīng)濟(jì)重要指標(biāo)。為了更好地對(duì)機(jī)組經(jīng)濟(jì)性以及運(yùn)行參數(shù)進(jìn)行分析和優(yōu)化,精確預(yù)測(cè)熱耗率數(shù)值十分必要[1-3]。

    支持向量機(jī)(SVM)克服了以往預(yù)測(cè)算法訓(xùn)練時(shí)間長(zhǎng)、預(yù)測(cè)結(jié)果存在不確定性等問題,在多年的研究和發(fā)展后,SVM已經(jīng)在預(yù)測(cè)診斷領(lǐng)域有了一定的應(yīng)用基礎(chǔ)[4-6]。但是,應(yīng)用SVM建立熱耗率預(yù)測(cè)模型還存在一些亟待優(yōu)化之處。首先,影響汽輪機(jī)熱耗率的因素較多,而且各個(gè)影響因素與熱耗率之間存在復(fù)雜非線性聯(lián)系,導(dǎo)致部分?jǐn)?shù)據(jù)樣本和最優(yōu)超平面的距離較遠(yuǎn),干擾模型的預(yù)測(cè)精度;其次,SVM的參數(shù)選擇也會(huì)干擾預(yù)測(cè)的結(jié)果。

    針對(duì)以上問題,Lin Chunfu等[7-8]提出了模糊支持向量機(jī)(FSVM)算法。該算法通過給不同的樣本加上相應(yīng)的模糊隸屬度值,進(jìn)而反映不同樣本的重要程度。但是,該算法中沒有明確定義模糊隸屬度值的計(jì)算方法,而且對(duì)影響FSVM算法結(jié)果的參數(shù)未進(jìn)行優(yōu)化。張戰(zhàn)成等[9]研究了一種提高SVM預(yù)測(cè)精度的算法,該算法通過訓(xùn)練SVM并對(duì)支持向量集使用模糊C均值聚類(FCM)算法,將獲得的聚類中心當(dāng)作新的支持向量來優(yōu)化模型。不過FCM算法本身也有不足之處,聚類個(gè)數(shù)的選擇在很大程度上會(huì)干擾聚類的效果。

    基于上述研究,本文采用改進(jìn)模糊支持向量機(jī)(FSVM)算法對(duì)汽輪機(jī)熱耗率進(jìn)行預(yù)測(cè)分析。首先通過間隔統(tǒng)計(jì)(gap statistic)算法計(jì)算最佳聚類個(gè)數(shù),并將其代入核模糊C均值聚類(KFCM)算法中,對(duì)熱耗率進(jìn)行分類,生成聚類子樣本,并求取模糊隸屬度值μ;其次,根據(jù)不同的聚類樣本分別建立模糊支持向量機(jī)(FSVM),對(duì)熱耗率樣本進(jìn)行預(yù)測(cè)分析,同時(shí),應(yīng)用粒子群算法(PSO)解決FSVM的參數(shù)優(yōu)化問題;最后,建立某超超臨界660 MW機(jī)組汽輪機(jī)熱耗率預(yù)測(cè)模型,將本文提出的算法與傳統(tǒng)支持向量機(jī)和經(jīng)過粒子群算法優(yōu)化的支持向量機(jī)方法進(jìn)行仿真比較。結(jié)果表明本文所提出的算法具有更高的預(yù)測(cè)準(zhǔn)確率和泛化能力。

    1 聚類算法

    1.1 間隔統(tǒng)計(jì)算法

    在現(xiàn)有的聚類算法中,聚類數(shù)在很多情況下難以確定。聚類數(shù)不同,聚類結(jié)果也可能產(chǎn)生變化。確定樣本集的最優(yōu)聚類數(shù)是聚類算法中一個(gè)很困難的問題。

    為了計(jì)算出最優(yōu)聚類數(shù),得到更好的聚類結(jié)果,本文采用間隔統(tǒng)計(jì)算法首先對(duì)數(shù)據(jù)進(jìn)行分析,以計(jì)算出最優(yōu)聚類個(gè)數(shù)。

    間隔統(tǒng)計(jì)算法的計(jì)算方法可以分為以下3步。

    步驟1 將故障數(shù)據(jù)分為類,1,2,3, …,,表示數(shù)據(jù)點(diǎn)屬于類,計(jì)算W,

    式中:n表示屬于類的數(shù)據(jù)的個(gè)數(shù),表示第類中任兩點(diǎn)的距離和,W表示類離差程度的總和。

    步驟2 生成個(gè)參考數(shù)據(jù)集,并計(jì)算每個(gè)參考數(shù)據(jù)集的離差程度總和W*,1, 2, …,,=1, 2, …,,計(jì)算Gap值,

    步驟3 計(jì)算出滿足式(3)的最小值,以此值作為最優(yōu)聚類數(shù),

    1.2 核模糊C均值聚類算法

    KFCM算法是通過隸屬度確定每個(gè)數(shù)據(jù)點(diǎn)屬于某個(gè)類的程度,從而劃分?jǐn)?shù)據(jù)點(diǎn)類別[10-11]。假設(shè)特征空間中的輸入樣本定義為

    式中x∈R。

    采用高斯核函數(shù)把映射至特征空間中展開聚類。高斯核函數(shù)定義為

    式中為核帶寬。

    KFCM算法的目標(biāo)函數(shù)表達(dá)式為

    式中:2(x,v)=(x,?x)-2(x,?v)+(,?v),表示xv的距離,v為第個(gè)聚類中心;(0≤≤1)為模糊指數(shù);μ為第個(gè)樣本屬于第類的隸屬度。

    滿足如下約束條件:

    以式(9)為約束條件,使用Lagrange法求解m,計(jì)算出隸屬度μ以及聚類中心的表達(dá)式:

    KFCM的詳細(xì)計(jì)算過程如下。

    步驟1 初始化聚類的個(gè)數(shù),的值為間隔統(tǒng)計(jì)算法計(jì)算出的最佳聚類數(shù),模糊參數(shù)的范圍為0≤≤1,確定終止參數(shù)。

    步驟2 根據(jù)式(10)計(jì)算模糊隸屬度μ。

    步驟3 由式(11)更新聚類中心矩陣。

    步驟4 重復(fù)步驟2和3的優(yōu)化過程,直到滿足設(shè)定的終止條件:max{x|μμ|}<。結(jié)束后得出個(gè)聚類中心以及模糊隸屬度μ。

    2 汽輪機(jī)熱耗率預(yù)測(cè)模型

    2.1 模糊支持向量機(jī)預(yù)測(cè)模型

    FSVM算法可以有效克服SVM在復(fù)雜非線性樣本預(yù)測(cè)過程中存在的過擬合問題,F(xiàn)SVM算法利用模糊隸屬度函數(shù)來模糊化輸入的樣本,對(duì)于重要程度不同的樣本賦予不同的隸屬度值[12-14]。假設(shè)每個(gè)樣本的隸屬度值為,則模糊化的輸入樣本為={(1,1,1), (2,2,2), …, (x,y,μ)},其中xR,y∈,≤1(=1, 2, …,),其中為足夠小的正數(shù),μ表示x在樣本中的重要程度。將求解FSVM最優(yōu)超平面問題轉(zhuǎn)換為如下的規(guī)劃問題:

    該規(guī)劃問題的約束函數(shù)為:

    式中:為分離超平面的向量,為經(jīng)驗(yàn)風(fēng)險(xiǎn)系數(shù),均為松弛變量,為常數(shù)。隸屬度值越小,其對(duì)應(yīng)的樣本點(diǎn)x對(duì)上述規(guī)劃問題的目標(biāo)函數(shù)所起的作用就越小。為求解該規(guī)劃問題,構(gòu)造拉格朗日函數(shù)

    在式(15)中,(x,)為核函數(shù),本文選取徑向基(RBF)核函數(shù),其表達(dá)式為

    式中為核帶寬。

    2.2 模糊支持向量機(jī)的參數(shù)優(yōu)化

    在FSVM模型中,需要優(yōu)化的主要參數(shù)包括核帶寬參數(shù)以及經(jīng)驗(yàn)風(fēng)險(xiǎn)系數(shù)。其中是用來權(quán)衡損失和置信范圍之間的權(quán)重,參數(shù)則可以反映訓(xùn)練樣本的特征[15-16]。這2個(gè)參數(shù)對(duì)模型的分類精度會(huì)產(chǎn)生較明顯的影響,傳統(tǒng)FSVM算法采用交叉驗(yàn)證的方法對(duì)參數(shù)進(jìn)行優(yōu)化,該方法尋優(yōu)時(shí)間較長(zhǎng),本文采取PSO來優(yōu)化FSVM中的參數(shù)[17]。通過計(jì)算這2個(gè)參數(shù)的最優(yōu)值,提高模型的診斷效率。PSO尋優(yōu)的具體步驟如下。

    步驟1 設(shè)置粒子群的慣性權(quán)重、學(xué)習(xí)因子、迭代次數(shù)以及種群規(guī)模,確定需要優(yōu)化的2個(gè)參數(shù)的極值以及迭代速度的范圍。

    步驟2 定義適應(yīng)度函數(shù),本文采取基于倍交叉驗(yàn)證的方法來確定適應(yīng)度值,

    式中:l為第個(gè)驗(yàn)證集合中樣本的數(shù)量,l,T為第個(gè)驗(yàn)證集中預(yù)測(cè)正確的樣本數(shù)量,首先將訓(xùn)練集隨機(jī)置換,然后將其分為個(gè)集合,在第次迭代后,將第個(gè)集合(稱為驗(yàn)證集合)的訓(xùn)練成果用來訓(xùn)練其他–1個(gè)集合(稱為訓(xùn)練集合),從而計(jì)算樣本的適應(yīng)度值。

    步驟3 對(duì)粒子進(jìn)行速度和位置更新,比較更新粒子的個(gè)體最優(yōu)適應(yīng)度值和群體最優(yōu)適應(yīng)度值。

    步驟4 確定是否達(dá)到終止條件,滿足則結(jié)束運(yùn)算輸出最優(yōu)解,否則返回步驟3。

    2.3 預(yù)測(cè)模型的建立

    基于核模糊C均值及粒子群算法優(yōu)化參數(shù)的模糊支持向量機(jī)對(duì)汽輪機(jī)熱耗率進(jìn)行預(yù)測(cè)的的具體步驟如圖1所示。

    1)初始化聚類參數(shù),其值是通過間隔統(tǒng)計(jì)算法計(jì)算出的最佳聚類個(gè)數(shù);

    2)采取KFCM算法對(duì)樣本進(jìn)行聚類劃分,按照式(10)—式(11)更新模糊隸屬度以及聚類中心,直到滿足條件后,生成模糊聚類子樣本;

    3)對(duì)于每一種經(jīng)過聚類后熱耗率子樣本分別建立經(jīng)PSO優(yōu)化相關(guān)參數(shù)的FSVM預(yù)測(cè)模型;

    4)將各個(gè)子模型進(jìn)行疊加,建立最終的預(yù)測(cè)模型;

    5)將測(cè)試樣本輸入預(yù)測(cè)模型中檢驗(yàn)?zāi)P途取?/p>

    圖1 改進(jìn)的FSVM預(yù)測(cè)模型算法流程

    3 汽輪機(jī)熱耗率預(yù)測(cè)模型應(yīng)用實(shí)例

    根據(jù)某火電廠超超臨界660 MW汽輪機(jī)組(N660-25/600/600)的數(shù)據(jù)建立熱耗率模型,其中數(shù)據(jù)樣本每個(gè)月隨機(jī)選擇7天采集,每天在DCS數(shù)據(jù)庫中采集5組數(shù)據(jù),共采集6個(gè)月,一共得到210組數(shù)據(jù),基本包含機(jī)組運(yùn)行的各種工況。表1為部分熱耗率數(shù)據(jù)。把其中160組樣本作為訓(xùn)練集,其余50組樣本作為測(cè)試集。

    汽輪機(jī)熱耗率的計(jì)算表達(dá)式為

    式中:r為熱耗率,kJ/(kW·h);e為發(fā)電機(jī)端功 率,MW;b為汽輪機(jī)背壓,kPa;(ms,ms,ms)、(crh,crh,crh)、(hrh,hrh,hrh)、(ffw,ffw,ffw)、(rhs,rhs,rhs)分別為主蒸汽、冷再熱蒸汽、熱再熱蒸汽、最終給水、再熱減溫水的流量(t/h)、溫度(℃)、壓力(MPa)。各加熱器端差τ也會(huì)影響汽輪機(jī)熱耗率,本文選擇在數(shù)據(jù)采集現(xiàn)場(chǎng)中出水溫度最高的高壓加熱器給水端差作為輸入變量,代入汽輪機(jī)熱耗率的計(jì)量中。

    機(jī)組運(yùn)行參數(shù)中主蒸汽流量和再熱蒸汽流量需要計(jì)算得到。本文數(shù)據(jù)來源的火電廠主蒸汽流量的計(jì)量過程是通過在除氧器入口管道上安裝節(jié)流孔板測(cè)量凝結(jié)水流量,計(jì)量凝結(jié)水至除氧器的凝結(jié)水流量,然后計(jì)算各個(gè)高壓加熱器進(jìn)汽流量及除氧器進(jìn)汽流量,最終計(jì)算出主給水流量以及主蒸汽流量。

    冷再熱蒸汽流量一般通過熱平衡方法計(jì)算出高壓加熱器的抽汽流量,再根據(jù)式(19)計(jì)算得出,

    式中,e為抽汽流量,la為高壓缸前軸封漏汽總量,va為高壓缸后軸封漏汽總量。熱再熱蒸汽流量的計(jì)算公式為

    3.1 數(shù)據(jù)聚類

    通過間隔統(tǒng)計(jì)算法確定最佳聚類數(shù),根據(jù) 式(3)—式(5)尋找,得到的Gap值如圖2所示。由圖2可知最佳聚類數(shù)為5。

    圖2 Gap值與聚類數(shù)曲線

    表1 某超超臨界660 MW 機(jī)組熱耗率數(shù)據(jù)樣本

    Tab.1 The heat rate data of an ultra-supercritical 660 MW unit

    圖3為目標(biāo)函數(shù)的曲線,在迭代30次后,趨于穩(wěn)定,記錄所生成的聚類子樣本。熱耗率數(shù)據(jù)在聚類算法下分為7 450.6、7 800.2、8 020.5、 7 695.0、7 536.4 kJ/(kW·h)這5類。

    圖3 目標(biāo)函數(shù)J的曲線

    3.2 預(yù)測(cè)結(jié)果分析

    為了更好地驗(yàn)證改進(jìn)FSVM算法在汽輪機(jī)熱耗率預(yù)測(cè)模型上的優(yōu)化程度,分別采用SVM、經(jīng)PSO優(yōu)化參數(shù)的SVM和本文提出的改進(jìn)FSVM進(jìn)行仿真對(duì)比,圖4為采用改進(jìn)FSVM方法預(yù)測(cè)結(jié)果,圖5為3種預(yù)測(cè)模型對(duì)測(cè)試樣本的誤差曲線。

    從圖4和圖5可以看出,改進(jìn)FSVM預(yù)測(cè)模型預(yù)測(cè)精度更佳,與其他2種預(yù)測(cè)方法相比,預(yù)測(cè)誤差更小,預(yù)測(cè)誤差的波動(dòng)性小,說明本文提出的預(yù)測(cè)模型能更準(zhǔn)確地預(yù)測(cè)汽輪機(jī)熱耗率。

    為了更準(zhǔn)確地表示預(yù)測(cè)精度,采取以下4種預(yù)測(cè)性能指標(biāo)對(duì)結(jié)果進(jìn)行對(duì)比,不同預(yù)測(cè)模型在訓(xùn)練集和測(cè)試集的誤差對(duì)比分別見表2和表3,各項(xiàng)指標(biāo)定義如下:

    1)平均相對(duì)百分比誤差MAPE

    式中x為對(duì)熱耗率數(shù)據(jù)預(yù)測(cè)分析后得到的數(shù)值。

    3)最大絕對(duì)偏差MAD

    4)最大絕對(duì)誤差max

    表2 不同預(yù)測(cè)模型在訓(xùn)練集的誤差對(duì)比

    Tab.2 The errors of different prediction models for training sets

    表3 不同預(yù)測(cè)模型在測(cè)試集的誤差對(duì)比

    Tab.3 The errors of different prediction models for test set

    由表2可見,針對(duì)訓(xùn)練集,KFCM-PSO- FSVM預(yù)測(cè)模型的4項(xiàng)預(yù)測(cè)指標(biāo)比其他2種預(yù)測(cè)模型都低,因此,KFCM-PSO-FSVM預(yù)測(cè)模型在擬合精度上更佳。由表3可見,在測(cè)試集中,經(jīng)過聚類算法優(yōu)化預(yù)測(cè)模型后,4項(xiàng)預(yù)測(cè)誤差的指標(biāo)相比其他2種預(yù)測(cè)模型明顯降低,尤其是MAD僅為0.232 0。對(duì)比表2和表3可見,KFCM-PSO-FSVM預(yù)測(cè)模型中的各項(xiàng)數(shù)據(jù)指標(biāo)沒有明顯增大,這說明對(duì)測(cè)試集而言,KFCM-PSO-FSVM預(yù)測(cè)模型有更好的泛化能力和預(yù)測(cè)精度。綜上所述,本文提出的改進(jìn)FSVM預(yù)測(cè)模型在預(yù)測(cè)精度及預(yù)測(cè)效果上更好,綜合性能更佳。

    4 結(jié) 論

    本文在傳統(tǒng)支持向量機(jī)的基礎(chǔ)上,提出了基于核模糊C均值聚類算法和粒子群優(yōu)化算法的模糊支持向量機(jī)算法,建立了該算法針對(duì)汽輪機(jī)熱耗率的預(yù)測(cè)模型。該算法中FSVM作為預(yù)測(cè)模型,其核函數(shù)選擇RBF核函數(shù);采用KFCM算法確定FSVM訓(xùn)練樣本的模糊隸屬度值;采用間隔統(tǒng)計(jì)算法計(jì)算KFCM中的最佳聚類個(gè)數(shù);采用PSO算法優(yōu)化FSVM的2個(gè)重要參數(shù)以及。以某超超臨界660 MW機(jī)組汽輪機(jī)熱耗率為對(duì)象進(jìn)行預(yù)測(cè)仿真,結(jié)果表明本文提出的算法能夠更好地對(duì)復(fù)雜的汽輪機(jī)熱耗率進(jìn)行預(yù)測(cè),預(yù)測(cè)效果更佳,泛化能力更強(qiáng),對(duì)熱耗率預(yù)測(cè)研究提供了一種新的思路。

    [1] 王惠杰, 范志愿, 許小剛. 基于FOA-LSSVM的汽輪機(jī)熱耗率預(yù)測(cè)模型研究[J]. 熱力發(fā)電, 2017, 46(5): 36-42. WANG Huijie, FAN Zhiyuan, XU Xiaogang. Research on prediction model of heat consumption rate of steam turbine based on FOA-LSSVM[J]. Thermal Power Generation, 2017, 46(5): 36-41.

    [2] 翟兆銀, 王際洲, 李建蘭, 等. 基于功率的汽輪機(jī)組實(shí)時(shí)熱耗率計(jì)算方法[J]. 熱力發(fā)電, 2015, 44(10): 15-19. ZHAI Zhaoyin, WANG Jizhou, LI Jianlan, et al. A real-time monitoring model for heat consumption rate of steam turbine unit based on unit power[J]. Thermal Power Generation, 2015, 44(10): 15-19.

    [3] 牛培峰, 吳志良, 馬云鵬, 等. 基于鯨魚優(yōu)化算法的汽輪機(jī)熱耗率模型預(yù)測(cè)[J]. 化工學(xué)報(bào), 2017, 68(3): 1049-1057.NIU Peifeng, WU Zhiliang, MA Yunpeng, et al. Prediction of steam turbine heat consumption rate based on whale optimization algorithm[J]. CIESC Journal, 2017, 68(3): 1049-1057.

    [4] 韓中合, 劉明浩. 基于支持向量機(jī)的汽輪機(jī)振動(dòng)故障診斷系統(tǒng)[J]. 汽輪機(jī)技術(shù), 2013, 55(2): 127-130. HAN Zhonghe, LIU Minghao. Vibration fault diagnosis of steam turbine based on SVM[J]. Turbine Technology, 2013, 55(2): 127-130.

    [5] 吳廣寧, 袁海滿, 宋臻杰, 等. 基于粗糙集與多類支持向量機(jī)的電力變壓器故障診斷[J]. 高電壓技術(shù), 2017(11): 3668-3674. WU Guangning, YUAN Haiman, SONG Zhenjie, et al. Fault diagnosis for power transformer based on rough set and multi-class support vector machine[J]. High Voltage Engineering, 2017(11): 3668-3674.

    [6] 李燕青, 袁燕舞, 郭通. 基于AMD-ICSA-SVM的超短期風(fēng)電功率組合預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 2017, 45(14): 113-120. LI Yanqing, YUAN Yanwu, GUO Tong. Combination ultra-short-term prediction of wind power based on AMD-ICSA-SVM[J]. Power System Protection and Control, 2017, 45(14): 113-120.

    [7] LIN C F, WANG S D. Fuzzy support vector machines[J]. IEEE Transactions on Neural Networks, 2002, 13(2): 464-471.

    [8] 趙克楠, 李雷, 鄧楠. 一種構(gòu)造模糊隸屬度的新方法[J]. 計(jì)算機(jī)技術(shù)與發(fā)展, 2012, 22(8): 75-77. ZHAO Kenan, LI Lei, DENG Nan. A new method to construct fuzzy membership[J]. Computer Technology and Development, 2012, 22(8): 75-77.

    [9] 張戰(zhàn)成, 王士同, 鄧趙紅, 等. 一種支持向量機(jī)的快速分類算法[J]. 控制與決策, 2012, 27(3): 459-463. ZHANG Zhancheng, WANG Shitong, DENG Zhaohong, et al. A fast decision algorithm of support vector machine[J]. Control and Decision, 2012, 27(3): 459-463.

    [10] 李狀, 柳亦兵, 滕偉, 等. 基于粒子群優(yōu)化KFCM的風(fēng)電齒輪箱故障診斷[J]. 振動(dòng)、測(cè)試與診斷, 2017, 37(3): 484-488. LI Zhuang, LIU Yibing, TENG Wei, et al. Fault diagnosis of wind turbine gearbox based on KFCM optimized by particle swarm optimization[J]. Journal of Vibration, Measurement & Diagnosis, 2017, 37(3): 484-488.

    [11] 朱曉東, 倪秋華. 基于模糊聚類的支持向量機(jī)在振動(dòng)故障診斷中的運(yùn)用[J]. 汽輪機(jī)技術(shù), 2013, 55(3): 232-234. ZHU Xiaodong, NI Qiuhua. Application of support vector machines based on the fuzzy clustering for fault diagnosis[J]. Turbine Technology, 2013, 55(3): 232-234.

    [12] 牛培峰, 劉超, 李國(guó)強(qiáng), 等. 基于雙層聚類與GSA-LSSVM的汽輪機(jī)熱耗率多模型預(yù)測(cè)[J]. 電機(jī)與控制學(xué)報(bào), 2016, 20(3): 90-95. NIU Peifeng, LIU Chao, LI Guoqiang, et al. Multi-model for turbine heat rate forecasting based on double layer clustering algorithm and GSA-LSSVM[J]. Electric Machines and Control, 2016, 20(3): 90-95.

    [13] 李小輝, 朱莉, 吳堅(jiān). 基于模糊支持向量機(jī)的毫米波輻射計(jì)目標(biāo)識(shí)別[J]. 微波學(xué)報(bào), 2017, 33(增刊1): 203-206. LI Xiaohui, ZHU Li, WU Jian. Target identification of millimeter wave radiometer based on fuzzy support vector machines[J]. Journal of Microwaves, 2017, 33(Suppl.1): 203-206.

    [14] HANG J, ZHANG J Z, CHENG M. Application of multi-class fuzzy support vector machine classifier for fault diagnosis of wind turbine[J]. Fuzzy Sets & Systems, 2016, 297(C): 128-140.

    [15] DOU D, ZHOU S. Comparison of four direct classification methods for intelligent fault diagnosis of rotating machinery[J]. Applied Soft Computing, 2016, 46: 459-468.

    [16] XU H, CHEN G. An intelligent fault identification method of rolling bearings based on LSSVM optimized by improved PSO[J]. Mechanical Systems & Signal Processing, 2013, 35(1/2): 167-175.

    [17] 葉小嶺, 顧榮, 鄧華, 等. 基于WRF模式和PSO-LSSVM的風(fēng)電場(chǎng)短期風(fēng)速訂正[J]. 電力系統(tǒng)保護(hù)與控制, 2017, 45(22): 48-54. YE Xiaoling, GU Rong, DENG Hua, et al. Modification technology research of short-term wind speed in wind farm based on WRF model and PSO-LSSVM method[J]. Power System Protection and Control, 2017, 45(22): 48-54.

    Prediction model of steam turbine heat consumption based on improved fuzzy support vector machine

    HUANG Xinyu, ZHANG Dongliang, LI Shuaiwei

    (School of Automation Engineering, Shanghai University of Electric Power, Shanghai 200090, China)

    To the problem that the existing methods are difficult to accurately predict and analyze the heat consumption of steam turbines with complex non-linear characteristics, this paper presents an improved prediction model of steam turbine heat consumption based on fuzzy support vector machine (FSVM). Firstly, the gap statistic algorithm is used to calculate the optimal number of clusters to avoid the uncertainty of the number of clusters. Then, the kernel fuzzy C mean clustering (KFCM) algorithm is applied to divide the heat consumption data, generate cluster subsamples, and replace it into the FSVM optimized by particle swarm optimization (PSO), and establish a thermal consumption rate prediction model based on the FSVM. Finally, this model is employed to predict the heat consumption rate of an ultra-supercritical 660 MW unit steam turbine based on the data collected in the field, and the results are compared with that of the conventional support vector machine. The research results show that the improved FSVM method has higher prediction accuracy and stronger generalization ability.

    steam turbine, heat consumption rate, clustering algorithm, fuzzy support vector machine, prediction model, gap statistic

    National Natural Science Foundation of China (61503237); Shanghai Natural Science Foundation (15ZR1418300); Shanghai Key Laboratory of Power Station Automation Technology (13DZ2273800); Shanghai Scientific Research Plan Project (18020500900)

    TK26

    A

    10.19666/j.rlfd.201806119

    黃昕宇, 張棟良, 李帥位. 基于改進(jìn)模糊支持向量機(jī)的汽輪機(jī)熱耗率預(yù)測(cè)模型[J]. 熱力發(fā)電, 2019, 48(3): 22-27. HUANG Xinyu, ZHANG Dongliang, LI Shuaiwei. Prediction model of steam turbine heat consumption based on improved fuzzy support vector machine[J]. Thermal Power Generation, 2019, 48(3): 22-27.

    2018-06-10

    國(guó)家自然科學(xué)基金項(xiàng)目(61503237);上海市自然科學(xué)基金項(xiàng)目(15ZR1418300);上海市電站自動(dòng)化技術(shù)重點(diǎn)實(shí)驗(yàn)室(13DZ2273800);上海市科研計(jì)劃項(xiàng)目(18020500900)

    黃昕宇(1994—),男,碩士研究生,主要研究方向?yàn)槠啓C(jī)運(yùn)行優(yōu)化與故障診斷,642552867@qq.com。

    (責(zé)任編輯 杜亞勤)

    猜你喜歡
    熱耗率汽輪機(jī)聚類
    320MW抽凝供熱機(jī)組蝶閥開度調(diào)整試驗(yàn)與仿真研究
    東汽百萬等級(jí)汽輪機(jī)低壓軸承偏載治理研究
    能源工程(2020年5期)2021-01-04 01:29:00
    基于DBSACN聚類算法的XML文檔聚類
    降低燃?xì)獍l(fā)電機(jī)組煤耗方法探討
    淺析給水泵汽輪機(jī)跳閘回路改造
    廣西電力(2016年4期)2016-07-10 10:23:38
    汽輪機(jī)排汽缸噴水量計(jì)算
    基于改進(jìn)的遺傳算法的模糊聚類算法
    一種層次初始的聚類個(gè)數(shù)自適應(yīng)的聚類方法研究
    1000 MW超超臨界機(jī)組等效熱降計(jì)算
    科技資訊(2014年1期)2014-11-10 21:24:52
    135MW汽輪機(jī)組滑壓運(yùn)行經(jīng)濟(jì)性分析
    河南科技(2014年11期)2014-02-27 14:09:55
    日本欧美视频一区| 波野结衣二区三区在线| 我要看黄色一级片免费的| 国产一区亚洲一区在线观看| 一级,二级,三级黄色视频| 日本黄色日本黄色录像| 久久久久久人人人人人| 黄色毛片三级朝国网站| 啦啦啦在线观看免费高清www| 婷婷色麻豆天堂久久| 亚洲国产精品999| 久久久久久久国产电影| 色婷婷久久久亚洲欧美| 丝袜美足系列| 各种免费的搞黄视频| 日韩,欧美,国产一区二区三区| 亚洲精品国产av成人精品| 街头女战士在线观看网站| 91成人精品电影| 中国国产av一级| 亚洲人成77777在线视频| 亚洲国产最新在线播放| 国产精品偷伦视频观看了| 亚洲国产精品国产精品| 观看美女的网站| 女性生殖器流出的白浆| 欧美精品亚洲一区二区| 菩萨蛮人人尽说江南好唐韦庄| 午夜福利乱码中文字幕| 国产人伦9x9x在线观看 | 老鸭窝网址在线观看| 三上悠亚av全集在线观看| 看免费av毛片| 国产精品免费大片| 久久这里只有精品19| 久久久亚洲精品成人影院| 国产白丝娇喘喷水9色精品| 午夜福利一区二区在线看| 免费黄网站久久成人精品| 9热在线视频观看99| 色播在线永久视频| 亚洲内射少妇av| 视频区图区小说| 1024视频免费在线观看| 亚洲国产精品一区二区三区在线| 免费在线观看完整版高清| 天天躁夜夜躁狠狠躁躁| 久久久久精品性色| 9色porny在线观看| 久久久久久伊人网av| 亚洲精品日韩在线中文字幕| 老司机影院毛片| 精品视频人人做人人爽| 九九爱精品视频在线观看| 国产精品久久久久久精品电影小说| 亚洲色图综合在线观看| 欧美中文综合在线视频| 免费播放大片免费观看视频在线观看| 男女免费视频国产| 黄色配什么色好看| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 女性被躁到高潮视频| 欧美精品av麻豆av| 国产一区二区 视频在线| 午夜老司机福利剧场| 狂野欧美激情性bbbbbb| 亚洲三区欧美一区| 久久精品国产a三级三级三级| 亚洲伊人色综图| 亚洲精品在线美女| 欧美日韩亚洲高清精品| 日日啪夜夜爽| 国产乱人偷精品视频| 男女无遮挡免费网站观看| 午夜福利一区二区在线看| 美女脱内裤让男人舔精品视频| 久久99蜜桃精品久久| 搡女人真爽免费视频火全软件| 亚洲av福利一区| 熟女少妇亚洲综合色aaa.| 国产片内射在线| 国产一区二区 视频在线| 成人漫画全彩无遮挡| 亚洲成人手机| 亚洲婷婷狠狠爱综合网| 美女福利国产在线| 2021少妇久久久久久久久久久| 麻豆乱淫一区二区| 夜夜骑夜夜射夜夜干| 成年人午夜在线观看视频| 性色avwww在线观看| 国产无遮挡羞羞视频在线观看| 国产又爽黄色视频| 亚洲在久久综合| 高清视频免费观看一区二区| videosex国产| 免费在线观看完整版高清| 1024香蕉在线观看| 婷婷色av中文字幕| 欧美中文综合在线视频| 成人毛片a级毛片在线播放| 久久久久久久亚洲中文字幕| 日本av手机在线免费观看| 国产精品偷伦视频观看了| 日韩一区二区视频免费看| 国语对白做爰xxxⅹ性视频网站| 超色免费av| 免费黄频网站在线观看国产| 国产精品女同一区二区软件| 免费在线观看黄色视频的| 男的添女的下面高潮视频| 最近中文字幕2019免费版| 亚洲,欧美精品.| 欧美激情极品国产一区二区三区| 99re6热这里在线精品视频| 国产一区二区三区综合在线观看| 色网站视频免费| 中文天堂在线官网| 亚洲av国产av综合av卡| 男人操女人黄网站| av免费观看日本| 一本—道久久a久久精品蜜桃钙片| 精品午夜福利在线看| 又粗又硬又长又爽又黄的视频| 精品久久蜜臀av无| 久久久精品94久久精品| 伦理电影免费视频| 亚洲综合精品二区| 青春草国产在线视频| 一区福利在线观看| 亚洲一码二码三码区别大吗| 少妇被粗大猛烈的视频| 成人国产av品久久久| 成年人免费黄色播放视频| 美女中出高潮动态图| 三上悠亚av全集在线观看| 天堂俺去俺来也www色官网| 欧美成人精品欧美一级黄| 日韩一区二区视频免费看| 久久久久久久久久人人人人人人| 亚洲精品美女久久久久99蜜臀 | 制服人妻中文乱码| 亚洲情色 制服丝袜| 亚洲精品日本国产第一区| 欧美成人精品欧美一级黄| 十八禁高潮呻吟视频| 日韩一区二区视频免费看| 国产毛片在线视频| 久久鲁丝午夜福利片| 99精国产麻豆久久婷婷| 中文字幕人妻丝袜制服| 亚洲激情五月婷婷啪啪| 久久久久精品久久久久真实原创| 国产一区亚洲一区在线观看| 精品一区二区免费观看| 日韩中字成人| 欧美日韩精品成人综合77777| 久久久精品94久久精品| 久久精品国产自在天天线| 这个男人来自地球电影免费观看 | 少妇被粗大的猛进出69影院| 天天影视国产精品| 免费黄频网站在线观看国产| 高清在线视频一区二区三区| 国产欧美日韩一区二区三区在线| 丝袜在线中文字幕| 免费看av在线观看网站| 纯流量卡能插随身wifi吗| 另类精品久久| 一二三四在线观看免费中文在| 国产在视频线精品| 色播在线永久视频| 卡戴珊不雅视频在线播放| 99久久综合免费| 啦啦啦视频在线资源免费观看| 久久精品久久精品一区二区三区| 精品第一国产精品| av天堂久久9| 成人18禁高潮啪啪吃奶动态图| 久久ye,这里只有精品| 国产精品欧美亚洲77777| 成年女人毛片免费观看观看9 | 国产精品国产av在线观看| 亚洲第一av免费看| 五月天丁香电影| 有码 亚洲区| 亚洲精品视频女| 欧美精品高潮呻吟av久久| 色播在线永久视频| 人人妻人人澡人人看| 老汉色av国产亚洲站长工具| 激情视频va一区二区三区| 丰满迷人的少妇在线观看| 1024视频免费在线观看| 两个人免费观看高清视频| 少妇人妻精品综合一区二区| 亚洲精品国产一区二区精华液| 午夜福利网站1000一区二区三区| 久久国产精品男人的天堂亚洲| 国产老妇伦熟女老妇高清| 自拍欧美九色日韩亚洲蝌蚪91| 中文字幕人妻丝袜制服| 在线观看一区二区三区激情| 国产乱来视频区| 久久久久国产精品人妻一区二区| 少妇人妻精品综合一区二区| 欧美成人午夜精品| 婷婷色av中文字幕| 精品国产超薄肉色丝袜足j| 男人舔女人的私密视频| 熟妇人妻不卡中文字幕| 熟妇人妻不卡中文字幕| 狠狠精品人妻久久久久久综合| 欧美精品亚洲一区二区| 国产日韩欧美视频二区| 99久久人妻综合| 老女人水多毛片| 亚洲欧美色中文字幕在线| 亚洲欧美色中文字幕在线| 在线观看人妻少妇| 成年动漫av网址| 九草在线视频观看| 夫妻性生交免费视频一级片| 免费观看在线日韩| 国产成人精品无人区| 天堂中文最新版在线下载| 母亲3免费完整高清在线观看 | 国产精品免费大片| 多毛熟女@视频| 黑人猛操日本美女一级片| 制服人妻中文乱码| 啦啦啦中文免费视频观看日本| 黄色怎么调成土黄色| 亚洲,一卡二卡三卡| 最近2019中文字幕mv第一页| 黄网站色视频无遮挡免费观看| 久热久热在线精品观看| 国产在线一区二区三区精| 少妇精品久久久久久久| 日韩欧美一区视频在线观看| 日韩,欧美,国产一区二区三区| 亚洲成色77777| 亚洲一码二码三码区别大吗| av在线观看视频网站免费| 久久久久精品久久久久真实原创| 成人国产av品久久久| 精品一区二区三卡| 18禁国产床啪视频网站| 日韩,欧美,国产一区二区三区| 久久久久久久久久人人人人人人| 日韩一本色道免费dvd| 国产一区二区三区av在线| 成人国产麻豆网| 亚洲av福利一区| 美女xxoo啪啪120秒动态图| 久久97久久精品| 一区二区三区激情视频| 中文字幕制服av| 国产精品久久久av美女十八| 午夜福利,免费看| 夫妻性生交免费视频一级片| 亚洲av欧美aⅴ国产| 免费观看a级毛片全部| 亚洲一级一片aⅴ在线观看| 男女高潮啪啪啪动态图| 亚洲,一卡二卡三卡| 99久国产av精品国产电影| 国产精品蜜桃在线观看| 亚洲少妇的诱惑av| 少妇被粗大的猛进出69影院| 国产成人精品福利久久| 中文字幕另类日韩欧美亚洲嫩草| 一级片免费观看大全| 制服诱惑二区| 七月丁香在线播放| 日韩av免费高清视频| 青春草亚洲视频在线观看| 色哟哟·www| av国产精品久久久久影院| 夜夜骑夜夜射夜夜干| 国产日韩欧美视频二区| 伊人久久大香线蕉亚洲五| 秋霞伦理黄片| 国产精品.久久久| 国产成人精品久久二区二区91 | 亚洲国产毛片av蜜桃av| 亚洲视频免费观看视频| 久久久久久久久久久免费av| 1024视频免费在线观看| 在线观看国产h片| 午夜精品国产一区二区电影| 在线天堂最新版资源| 男女国产视频网站| 亚洲精品中文字幕在线视频| 91精品三级在线观看| 青草久久国产| 欧美日韩亚洲国产一区二区在线观看 | 国产精品久久久久久av不卡| 麻豆精品久久久久久蜜桃| 久久这里有精品视频免费| 国产成人精品久久久久久| 亚洲欧洲日产国产| 人人妻人人添人人爽欧美一区卜| 一级黄片播放器| 亚洲人成网站在线观看播放| 成人毛片a级毛片在线播放| 亚洲国产欧美在线一区| 天天躁日日躁夜夜躁夜夜| 欧美成人精品欧美一级黄| 免费在线观看完整版高清| 亚洲av国产av综合av卡| 国产人伦9x9x在线观看 | 国产av精品麻豆| 一级片'在线观看视频| 国产av国产精品国产| 如何舔出高潮| 看十八女毛片水多多多| 亚洲av.av天堂| 热99国产精品久久久久久7| 免费黄网站久久成人精品| 少妇的逼水好多| 最近最新中文字幕大全免费视频 | 狂野欧美激情性bbbbbb| 1024香蕉在线观看| 在线观看免费日韩欧美大片| 成人漫画全彩无遮挡| 麻豆精品久久久久久蜜桃| 18禁国产床啪视频网站| 两性夫妻黄色片| 97在线视频观看| 亚洲欧美中文字幕日韩二区| 80岁老熟妇乱子伦牲交| av在线观看视频网站免费| 午夜免费鲁丝| 婷婷色av中文字幕| 日韩在线高清观看一区二区三区| 麻豆av在线久日| 精品一区在线观看国产| 午夜精品国产一区二区电影| 波野结衣二区三区在线| 国产欧美日韩综合在线一区二区| 91在线精品国自产拍蜜月| 伊人久久大香线蕉亚洲五| 日韩,欧美,国产一区二区三区| 26uuu在线亚洲综合色| 卡戴珊不雅视频在线播放| 黄色 视频免费看| 国产精品不卡视频一区二区| 天天躁夜夜躁狠狠久久av| √禁漫天堂资源中文www| 亚洲一区中文字幕在线| 国产xxxxx性猛交| 叶爱在线成人免费视频播放| 国产麻豆69| 男男h啪啪无遮挡| 亚洲精品国产av蜜桃| 国产在线免费精品| 免费播放大片免费观看视频在线观看| 又黄又粗又硬又大视频| 成年av动漫网址| 国产欧美亚洲国产| 性少妇av在线| 精品国产超薄肉色丝袜足j| 熟女av电影| 街头女战士在线观看网站| 国产av国产精品国产| 久久精品国产鲁丝片午夜精品| 亚洲中文av在线| 日韩伦理黄色片| 啦啦啦在线免费观看视频4| 天天躁夜夜躁狠狠躁躁| av有码第一页| 日韩一卡2卡3卡4卡2021年| 一本久久精品| 国产免费又黄又爽又色| 大话2 男鬼变身卡| 国产精品一区二区在线不卡| 青春草国产在线视频| 岛国毛片在线播放| 日韩中字成人| 一本大道久久a久久精品| 免费少妇av软件| 国产福利在线免费观看视频| 亚洲精品国产色婷婷电影| 女的被弄到高潮叫床怎么办| 国产成人精品在线电影| 亚洲欧美成人综合另类久久久| 国产免费视频播放在线视频| 亚洲欧美色中文字幕在线| 老鸭窝网址在线观看| 色哟哟·www| 最近的中文字幕免费完整| 老汉色av国产亚洲站长工具| 久久精品久久久久久噜噜老黄| 亚洲 欧美一区二区三区| 国产乱人偷精品视频| 在线看a的网站| 亚洲国产精品一区三区| 精品99又大又爽又粗少妇毛片| 欧美日韩综合久久久久久| 国产亚洲欧美精品永久| 亚洲四区av| 午夜福利乱码中文字幕| 久久免费观看电影| 成人18禁高潮啪啪吃奶动态图| 精品少妇一区二区三区视频日本电影 | 99热国产这里只有精品6| 一级毛片我不卡| 秋霞伦理黄片| 欧美bdsm另类| 一级毛片我不卡| 久久久精品免费免费高清| 欧美日韩视频精品一区| 欧美日韩国产mv在线观看视频| 成年女人在线观看亚洲视频| 观看av在线不卡| 春色校园在线视频观看| 一区二区日韩欧美中文字幕| 香蕉国产在线看| 热99国产精品久久久久久7| 黄色一级大片看看| 在线观看美女被高潮喷水网站| 国产在线一区二区三区精| 熟女电影av网| 在线观看美女被高潮喷水网站| 欧美成人午夜免费资源| 一级毛片黄色毛片免费观看视频| 国产成人精品婷婷| 亚洲国产欧美日韩在线播放| 成年人免费黄色播放视频| 国产一区亚洲一区在线观看| 黄网站色视频无遮挡免费观看| 亚洲经典国产精华液单| 午夜激情久久久久久久| 999精品在线视频| 免费观看av网站的网址| 制服人妻中文乱码| 十八禁高潮呻吟视频| 老鸭窝网址在线观看| 亚洲色图综合在线观看| 男女无遮挡免费网站观看| 如日韩欧美国产精品一区二区三区| 欧美日韩国产mv在线观看视频| 精品一品国产午夜福利视频| 久久精品久久久久久噜噜老黄| 日本欧美国产在线视频| 热99久久久久精品小说推荐| 国产国语露脸激情在线看| 亚洲欧洲日产国产| 韩国高清视频一区二区三区| 成人免费观看视频高清| 在线观看三级黄色| 天堂俺去俺来也www色官网| 性高湖久久久久久久久免费观看| 18禁裸乳无遮挡动漫免费视频| 热re99久久精品国产66热6| 在线天堂中文资源库| 高清av免费在线| 十八禁高潮呻吟视频| 一级毛片黄色毛片免费观看视频| 亚洲情色 制服丝袜| 伊人久久大香线蕉亚洲五| 欧美xxⅹ黑人| 人人澡人人妻人| 老女人水多毛片| av在线观看视频网站免费| 好男人视频免费观看在线| 人妻 亚洲 视频| 亚洲av成人精品一二三区| 黄色视频在线播放观看不卡| 免费大片黄手机在线观看| 亚洲成国产人片在线观看| 丰满饥渴人妻一区二区三| 成人亚洲精品一区在线观看| 欧美中文综合在线视频| 三上悠亚av全集在线观看| 国产成人精品无人区| 亚洲 欧美一区二区三区| 日韩在线高清观看一区二区三区| 久久久精品国产亚洲av高清涩受| 曰老女人黄片| 国产在线免费精品| 一边亲一边摸免费视频| 亚洲国产欧美日韩在线播放| 欧美xxⅹ黑人| 色视频在线一区二区三区| 日本91视频免费播放| 超色免费av| 婷婷色综合www| 亚洲内射少妇av| 国产精品蜜桃在线观看| 人成视频在线观看免费观看| 人人澡人人妻人| 波多野结衣av一区二区av| 国产精品偷伦视频观看了| av国产久精品久网站免费入址| 午夜福利乱码中文字幕| 国产麻豆69| 国产精品国产三级国产专区5o| 熟女电影av网| 看免费av毛片| 欧美在线黄色| 精品国产一区二区久久| 亚洲精品一二三| 午夜影院在线不卡| 欧美人与性动交α欧美精品济南到 | 街头女战士在线观看网站| 久久国内精品自在自线图片| 亚洲国产日韩一区二区| 国产亚洲午夜精品一区二区久久| 国产精品蜜桃在线观看| 欧美精品人与动牲交sv欧美| 国产成人a∨麻豆精品| 80岁老熟妇乱子伦牲交| 久久久久久伊人网av| 国产无遮挡羞羞视频在线观看| 叶爱在线成人免费视频播放| 黄片播放在线免费| 久热这里只有精品99| 日韩大片免费观看网站| 久热久热在线精品观看| a级毛片在线看网站| 性色avwww在线观看| 亚洲成av片中文字幕在线观看 | 啦啦啦视频在线资源免费观看| 久久久精品免费免费高清| 国产一区二区在线观看av| 国产乱来视频区| 美女脱内裤让男人舔精品视频| 黄色怎么调成土黄色| 精品人妻在线不人妻| 日韩制服骚丝袜av| 三级国产精品片| 永久免费av网站大全| 中文字幕av电影在线播放| 久久精品熟女亚洲av麻豆精品| 日韩制服骚丝袜av| 蜜桃国产av成人99| 国产福利在线免费观看视频| 色播在线永久视频| 不卡视频在线观看欧美| 男女国产视频网站| 国产日韩欧美在线精品| 久久精品久久久久久噜噜老黄| 亚洲五月色婷婷综合| 制服丝袜香蕉在线| 日本猛色少妇xxxxx猛交久久| 飞空精品影院首页| 男女啪啪激烈高潮av片| 观看美女的网站| 丁香六月天网| 亚洲欧洲国产日韩| 少妇熟女欧美另类| 亚洲成色77777| 久久青草综合色| 人妻一区二区av| 男女国产视频网站| 成年动漫av网址| 国产一区亚洲一区在线观看| 亚洲伊人色综图| 日韩伦理黄色片| 老汉色∧v一级毛片| 2022亚洲国产成人精品| 曰老女人黄片| 男女免费视频国产| 午夜福利影视在线免费观看| 国产精品.久久久| 最近中文字幕高清免费大全6| 亚洲精华国产精华液的使用体验| 91久久精品国产一区二区三区| 男人添女人高潮全过程视频| 最近最新中文字幕免费大全7| 免费黄网站久久成人精品| 国产精品一国产av| 日韩中文字幕欧美一区二区 | 少妇猛男粗大的猛烈进出视频| 99re6热这里在线精品视频| 久久影院123| 国产不卡av网站在线观看| 夫妻午夜视频| 成年动漫av网址| 高清av免费在线| 欧美在线黄色| av又黄又爽大尺度在线免费看| videos熟女内射| 亚洲av.av天堂| 丁香六月天网| 亚洲av男天堂| 国产深夜福利视频在线观看| 久久精品国产自在天天线| 女人被躁到高潮嗷嗷叫费观| 波多野结衣一区麻豆| 亚洲av综合色区一区| 久久精品亚洲av国产电影网| 麻豆乱淫一区二区| 18在线观看网站| 一边摸一边做爽爽视频免费| 亚洲精品视频女| 精品少妇一区二区三区视频日本电影 | 久久久精品94久久精品| 久久这里有精品视频免费| 亚洲欧洲日产国产| 久久久精品免费免费高清| 97在线视频观看| 深夜精品福利| 校园人妻丝袜中文字幕| 久久精品国产亚洲av涩爱| 最近中文字幕高清免费大全6| 日本黄色日本黄色录像| 久久青草综合色| 免费大片黄手机在线观看| 日日爽夜夜爽网站| 成人亚洲精品一区在线观看| 毛片一级片免费看久久久久| 国产精品一区二区在线观看99|