• <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 ?

    基于混合算法優(yōu)化支持向量機(jī)的供熱負(fù)荷預(yù)測(cè)模型

    2019-09-10 07:22:44于曉娟齊先碩顧吉浩齊承英孫春華
    關(guān)鍵詞:灰狼供熱向量

    于曉娟 齊先碩 顧吉浩 齊承英 孫春華

    摘要 支持向量機(jī)回歸(Support Vector Machine Regression,SVR)作為供熱預(yù)測(cè)領(lǐng)域的一種新型算法,普適性強(qiáng),但預(yù)測(cè)精度在一定程度上受參數(shù)選擇的影響。為提高預(yù)測(cè)精度,提出一種基于差分進(jìn)化(Differential Evolution,DE)和灰狼優(yōu)化(Grey Wolf Optimization,GWO)的混合算法(DE-GWO)對(duì)支持向量機(jī)的回歸參數(shù)進(jìn)行尋優(yōu)。該算法首先利用DE的變異、選擇維持種群的多樣性,然后利用GWO的全局尋優(yōu)能力搜索SVR的最優(yōu)參數(shù)組合,并采用均方誤差(MSE)、平均絕對(duì)百分比誤差(MAPE)、平均絕對(duì)誤差(MAE)和判定系數(shù)(R2)對(duì)各種預(yù)測(cè)模型進(jìn)行了評(píng)價(jià)。研究結(jié)果表明,DE-GWO-SVR預(yù)測(cè)模型的MAPE值為3.23%,優(yōu)于SVR、DE-SVR、GWO-SVR模型,可為實(shí)際應(yīng)用提供一定的參考。

    關(guān) 鍵 詞 熱負(fù)荷預(yù)測(cè);支持向量機(jī);差分進(jìn)化;灰狼優(yōu)化;混合算法

    中圖分類號(hào) TU833? ? ?文獻(xiàn)標(biāo)志碼 A

    Heat load prediction model based on support vector machine opti-mized by hybrid algorithm

    YU Xiaojuan1, QI Xianshuo2, GU Jihao1, QI Chengying1, SUN Chunhua1

    (1. School of Energy and Environmental Engineering, Hebei University of Technology,? Tianjin 300401, China; 2. College of Mathematics and System Science, Shandong University of Science and Technology, Qingdao, Shandong 266590, China)

    Abstract As a new algorithm, support vector machine regression (SVR) has an obvious advantage in heat load prediction. However,? the prediction accuracy of SVR is generally influenced by parameters selection. In order to improve the prediction accuracy, a hybrid algorithm based on differential evolution and grey wolf optimization is proposed to optimize regression parameters of SVR. In this paper, the hybrid algorithm based on mutation and selection was used to maintain the diversity of the population. Then, the global optimization ability of GWO was adopted to get the optimal parameters of SVR.? In? addition, mean square error (MSE), mean absolute percentage error (MAPE), mean absolute error (MAE) and coefficient of determination (R2) were used to evaluate those forecasting models, respectively. The results show that the MAPE of DE-GWO-SVR model was 3.23%, and the accuracy of DE-GWO-SVR was the highest compared with the SVR, DE-SVR and GWO-SVR. Therefore, this hybrid algorithm can be recommended to guide the engineering application.

    Key words heat? ?load? prediction;? support? vector? machine;? differential? evolution;? grey? wolf? optimization;? hybrid algorithm

    0 引言

    我國建筑能耗占總能耗的40%,其中供熱、制冷能耗占建筑能耗的68%[1]。目前,我國城市和工業(yè)園區(qū)供熱已基本形成“以燃煤熱電聯(lián)產(chǎn)和大型鍋爐房集中供熱為主、分散燃煤鍋爐和其他清潔能源供熱為輔”的供熱格局。隨著城市和工業(yè)園區(qū)經(jīng)濟(jì)的發(fā)展,供熱需求不斷增加,但由于許多地區(qū)發(fā)展規(guī)劃過于超前,熱電布局與城市發(fā)展不相符、不協(xié)調(diào),缺乏科學(xué)合理的熱負(fù)荷預(yù)測(cè),熱電聯(lián)產(chǎn)集中供熱的能源綜合利用效率較低。因此,進(jìn)行及時(shí)準(zhǔn)確的熱負(fù)荷預(yù)測(cè),對(duì)于建設(shè)規(guī)劃科學(xué)、布局合理、利用高效、供熱安全的新一代熱電聯(lián)產(chǎn)產(chǎn)業(yè)格局尤為重要。

    傳統(tǒng)的負(fù)荷預(yù)測(cè)方法主要有回歸分析法、時(shí)間序列法、神經(jīng)網(wǎng)絡(luò)法等[2]。Park等[3]運(yùn)用多元線性回歸(Multiple Linear Regression,MLR)和人工神經(jīng)網(wǎng)絡(luò)模型(Artificial Neural Network,ANN)進(jìn)行了大型地源熱泵系統(tǒng)的供熱性能分析和預(yù)測(cè),MLR和ANN的根均方根誤差變異系數(shù)分別為3.56%、1.75%。Fang等[4]提出一種結(jié)合線性回歸的季節(jié)性差分自回歸滑動(dòng)平均模型,綜合考慮用戶的行為習(xí)慣對(duì)冷熱負(fù)荷的影響,對(duì)未來168 h的負(fù)荷進(jìn)行了預(yù)測(cè),MAPE值為5.58%。孫育英等[5]以海南三亞2座五星級(jí)賓館的空調(diào)運(yùn)行負(fù)荷實(shí)測(cè)數(shù)據(jù)為基礎(chǔ),利用廣義回歸神經(jīng)網(wǎng)絡(luò)建立了混沌預(yù)測(cè)模型,對(duì)未來1 h預(yù)測(cè)結(jié)果的期望偏差百分?jǐn)?shù)分別為6.1%和8.2%。Xie[6]將BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)理論與馬爾科夫預(yù)測(cè)方法相結(jié)合對(duì)未來10 d進(jìn)行了熱負(fù)荷預(yù)測(cè),預(yù)測(cè)結(jié)果的相對(duì)誤差均低于0.002。劉倩穎等[7]將Kmeans聚類與BP相結(jié)合預(yù)測(cè)辦公建筑日用電負(fù)荷,預(yù)測(cè)相對(duì)誤差的絕對(duì)值控制在2.5%以內(nèi)。Jovanovi?等[8]將多種神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)供熱負(fù)荷,研究表明預(yù)測(cè)精度優(yōu)于單一的神經(jīng)網(wǎng)絡(luò)。

    支持向量機(jī)是90年代中期發(fā)展起來的一種新型監(jiān)督式學(xué)習(xí)預(yù)測(cè)方法,該方法基于結(jié)構(gòu)化風(fēng)險(xiǎn)理論,相對(duì)于神經(jīng)網(wǎng)絡(luò),擁有可靠的統(tǒng)計(jì)理論基礎(chǔ),實(shí)現(xiàn)了全局尋優(yōu),且對(duì)于高維度、小樣本數(shù)據(jù)有較高的預(yù)測(cè)精度,在負(fù)荷預(yù)測(cè)技術(shù)領(lǐng)域頻繁使用。劉慶典等[9]提出一種基于混沌相空間重構(gòu)和支持向量機(jī)的短期空調(diào)負(fù)荷預(yù)測(cè)方法,仿真結(jié)果表明,混沌支持向量機(jī)方法的預(yù)測(cè)精度比單一支持向量機(jī)法預(yù)測(cè)結(jié)果期望誤差百分比降低了31.4%,預(yù)測(cè)精度有了明顯提升。Idowu等[10]以室外溫度、熱負(fù)荷歷史數(shù)據(jù)等為輸入變量,采用支持向量機(jī)回歸、回歸樹、前饋神經(jīng)網(wǎng)絡(luò)和多元線性回歸模型進(jìn)行了熱負(fù)荷預(yù)測(cè),其中支持向量機(jī)回歸精度最優(yōu),均方根誤差為0.07。

    支持向量機(jī)預(yù)測(cè)結(jié)果的精度與其參數(shù)的選擇密切相關(guān)。Mirjalili等[11]于2014年提出一種新的基于種群的灰狼優(yōu)化算法,近年來,在各個(gè)領(lǐng)域廣泛應(yīng)用。Jayakumar等[12]應(yīng)用灰狼優(yōu)化算法進(jìn)行了熱電聯(lián)合調(diào)度的優(yōu)化,實(shí)現(xiàn)了成本和排放的折中方案。Shakarami等[13]提出一種基于灰狼優(yōu)化算法的廣域電力系統(tǒng)穩(wěn)定器的設(shè)計(jì)方法,并在小型和大型電力系統(tǒng)驗(yàn)證了該方法的有效性。Wang等[14]運(yùn)用基于灰狼優(yōu)化的核極限學(xué)習(xí)機(jī)算法進(jìn)行破產(chǎn)預(yù)測(cè),并分別與粒子群、遺傳算法、網(wǎng)格搜索進(jìn)行對(duì)比,結(jié)果表明灰狼優(yōu)化預(yù)測(cè)模型具有優(yōu)異的破產(chǎn)預(yù)測(cè)性能。Kohli等[15]提出一種混沌灰狼優(yōu)化算法來解決約束優(yōu)化問題,并采用了5種工程設(shè)計(jì)約束問題驗(yàn)證了該算法的優(yōu)越性。Gupta等[16]運(yùn)用一種新的隨機(jī)漫步灰狼優(yōu)化算法提升灰狼的搜尋能力,運(yùn)用2014國際進(jìn)化計(jì)算會(huì)議的30個(gè)基準(zhǔn)問題來驗(yàn)證該算法的魯棒性,證明了該算法針對(duì)連續(xù)目標(biāo)優(yōu)化和現(xiàn)實(shí)生活優(yōu)化問題中的有效性和可靠性。Bian等[17]提出一種基于灰狼優(yōu)化的支持向量機(jī)算法進(jìn)行超臨界二氧化碳中溶質(zhì)溶解度的關(guān)聯(lián)預(yù)測(cè),并與27種常用經(jīng)驗(yàn)?zāi)P蛯?duì)比表明,所提出的模型總體平均絕對(duì)相對(duì)偏差最低(3.20%)。

    綜上,本文提出一種基于差分進(jìn)化和灰狼優(yōu)化的混合算法對(duì)支持向量回歸機(jī)參數(shù)尋優(yōu),對(duì)某住宅建筑進(jìn)行供熱負(fù)荷預(yù)測(cè),以下統(tǒng)稱DE-GWO-SVR,以提高單一支持向量機(jī)預(yù)測(cè)方法的精度,該供熱負(fù)荷預(yù)測(cè)的方法同樣適用于換熱站和熱源。

    1 支持向量機(jī)回歸

    支持向量機(jī)回歸(Support Vector Machine Regression, SVR)基本原理主要是通過適當(dāng)?shù)姆蔷€性變換將輸入變量映射到1個(gè)高維特征空間,并在該空間尋找線性回歸最優(yōu)超平面歸結(jié)為凸規(guī)劃問題,求取全局最優(yōu)解。數(shù)學(xué)描述如下

    [max? ? ?-12i,j=1nα*i-αiα*j-αjKxi,xj+i=1nα*iyi-ε-i=1nαiyi-ε] , (1)

    [s.t.? i=1nαi=i=1nα*i0≤αi,α*i≤C? ?i=1,2,…,n]? 。 (2)

    式中:[αi,α*i,αj,α*j]為L(zhǎng)agrange乘子;[yi]為觀測(cè)值;C為誤差懲罰參數(shù),C>0;ε為誤差上限;[Kxi,xj]為核函數(shù)。

    文獻(xiàn)[18]給出了具有良好非線性能力且處理多輸入變量具有自適應(yīng)性的徑向基內(nèi)積函數(shù)[Kxi,x=exp(-xi-xj22σ2)=exp(-gxi-xj2)],本文選用該函數(shù)作為SVR核函數(shù)。

    綜上,SVR計(jì)算過程中主要涉及2個(gè)影響參數(shù),即懲罰參數(shù)C和核函數(shù)參數(shù)g。SVR參數(shù)的選擇對(duì)模型的預(yù)測(cè)精度有很大影響,參數(shù)選擇不當(dāng)易出現(xiàn)過學(xué)習(xí)或欠學(xué)習(xí)現(xiàn)象。因此,本文分別以差分進(jìn)化、灰狼優(yōu)化和基于差分進(jìn)化和灰狼優(yōu)化的混合算法對(duì)SVR的參數(shù)C和g進(jìn)行優(yōu)化。

    2 優(yōu)化算法

    2.1 差分進(jìn)化(Differential Evolution, DE)

    DE是一種模擬生物進(jìn)化的隨機(jī)選擇模型,基本操作包括變異、交叉和選擇[19]。

    2.1.1 變異

    目標(biāo)矢量[Xti],變異個(gè)體由式(3)生成

    [Pt+1i=Xtk1+F(Xtk2-Xtk3)]? , (3)

    式中:F為縮放因子,取值范圍為[0,1];[Xtk1,Xtk2,Xtk3]為第t代群體中3個(gè)隨機(jī)矢量[k1,k2,k3∈[1,2,…,NP]],且[k1≠k2≠k3]。

    2.1.2 交叉

    目標(biāo)矢量[Xti]與變異矢量[Pt+1i]進(jìn)行交叉,產(chǎn)生試驗(yàn)個(gè)體[Ut+1ij]。交叉操作的方程為

    [Ut+1ij=Pt+1ij,? ? ?rand(j)≤CR? or? j=rand n(i)Xtij,? ? ? ? rand(j)>CR? or? j≠rand n(i)]? , (4)

    式中:[rand(j)∈[0,1]],為均勻分布的隨機(jī)數(shù),[j]為第[j]個(gè)變量;[randn(i)∈[1,2,…,D]],為隨機(jī)選中的維數(shù)變量索引;[CR]為交叉概率,[CR∈[0,1]]。

    2.1.2 選擇

    變異與交叉操作生成的試驗(yàn)個(gè)體[Ut+1ij]與[Xti]競(jìng)爭(zhēng),選擇適應(yīng)度較優(yōu)的作為子代。選擇方程為

    [Xt+1i=Ut+1i,? ? ?f(Ut+1i)<f(Xti)Xti,? ? ? f(Ut+1i)≥f(Xti)]? ?。 (5)

    2.2 灰狼優(yōu)化(Grey Wolf Optimization, GWO)

    灰狼算法是通過模擬灰狼群體等級(jí)制度和捕食行為而提出的新型啟發(fā)式算法。該算法具有結(jié)構(gòu)簡(jiǎn)單、收斂迅速、可調(diào)參數(shù)少等優(yōu)點(diǎn)。

    隨機(jī)產(chǎn)生一群灰狼,定義優(yōu)化目標(biāo)函數(shù)為適應(yīng)度函數(shù),將適應(yīng)度值最優(yōu)、第2、第3的解定為[α,β,δ],剩余候選解為[w]。[α,β,δ]狼最接近獵物,依靠[α,β,δ]狼估計(jì)獵物的位置,[w]通過計(jì)算自身與[α,β,δ]狼的距離來更新自身位置,并跟隨[α,β,δ]進(jìn)行搜素、追蹤和包圍獵物,其中獵物的位置即所求最優(yōu)解。

    假設(shè)搜索空間為d維,[xi=(xi1,xi2,…,xid)],表示第[i]只狼的位置,灰狼包圍獵物的公式為

    [d=c?xtp-xt],[c=2r1]。 (6)

    灰狼位置更新為

    [xt+1=xtp-bd],[b=2ar2-a], (7)

    式中:[xt]為第[t]次迭代灰狼的位置;[xtp]第[t]次迭代獵物的位置;[c]為搖擺因子;[r1∈[0,1]];[b]為收斂因子;[r2∈[0,1]];[a]隨迭代次數(shù)的增加從2線性遞減為0。

    [w]狼計(jì)算自身與[α,β,δ]狼的距離公式為

    [dα=c1?xtα-xt],[dβ=c2?xtβ-xt],[dδ=c3?xtδ-xt]。 (8)

    [w]狼更新自身位置公式為

    [xt+11=xtα-b1?dα],[xt+12=xtβ-b2?dβ],[xt+13=xtδ-b3?dδ]。 (9)

    獵物所在位置為

    [xt+1=xt+11+xt+12+xt+133]? 。 (10)

    2.3 混合算法(DE-GWO)

    DE-GWO為結(jié)合DE與GWO算法的一種全新的優(yōu)化方法,該方法首先利用DE算法變異、選擇保持種群的多樣性,再將其作為GWO初始種群找出適應(yīng)度值最優(yōu)的[xα,xβ,xδ],最后利用DE的交叉、選擇更新灰狼位置,重復(fù)上述過程,直至選出最優(yōu)目標(biāo)函數(shù)值。

    3 研究對(duì)象

    本文以石家莊市某棟居住建筑為研究對(duì)象,該建筑在2013年采用通斷時(shí)間面積法進(jìn)行了供熱計(jì)量改造,建筑類型等情況詳見表1。

    選取該樓棟2016年11月15日至2017年3月14日的采暖數(shù)據(jù)為樣本,樣本數(shù)據(jù)共計(jì)17 280組。采集參數(shù)主要包括樓棟和用戶的供/回水溫度、樓棟的供/回水壓力、室內(nèi)溫度、室外溫度、樓棟的累計(jì)流量、樓棟和用戶的累計(jì)熱量等。測(cè)量?jī)x器相關(guān)參數(shù)如表2所示。其中,室外溫度、室內(nèi)溫度的采集頻率均為1次/10 min,樓棟熱量表的采集頻率為1次/2 h。由于數(shù)據(jù)采集的周期比較長(zhǎng),易出現(xiàn)異常數(shù)據(jù),且異常數(shù)據(jù)會(huì)對(duì)預(yù)測(cè)模型產(chǎn)生較大影響,因此本文采用多項(xiàng)式擬合和插值方法進(jìn)行了修正。

    Jie等[20]對(duì)供熱負(fù)荷的影響因素進(jìn)行了評(píng)價(jià),其中室外溫度是影響熱負(fù)荷的最重要因素。張佼等[21]將預(yù)測(cè)日前3天的歷史日累計(jì)耗熱量輸入預(yù)測(cè)模型,預(yù)測(cè)結(jié)果的平均絕對(duì)百分比誤差為4.33%。室內(nèi)溫度作為熱負(fù)荷的影響因素,以往難以獲得長(zhǎng)期的監(jiān)測(cè)數(shù)據(jù)。文中居住建筑經(jīng)節(jié)能改造后,室內(nèi)溫控器可對(duì)各個(gè)用戶的室溫進(jìn)行定期采集。結(jié)合實(shí)測(cè)數(shù)據(jù)以及供熱計(jì)量的特性,本文考慮采用室內(nèi)日平均溫度[tn]、室外日平均溫度[tw]和歷史日累計(jì)耗熱量作為預(yù)測(cè)模型的輸入變量,供熱負(fù)荷預(yù)測(cè)模型的表達(dá)式為

    [Qt=f(tn,tw,Qt-1,Qt-2,Qt-3)]? 。 (11)

    該研究對(duì)象中的所有用戶均安裝了室溫控制器,且統(tǒng)一安裝于內(nèi)墻的統(tǒng)一高度(1.5 m左右)。日均室內(nèi)溫度的計(jì)算方法為

    [tjn=1Ni=1N(1KTin,j)]? ?, (12)

    式中:[tjn]為該棟第[j]天的室內(nèi)日均溫;N為末端熱用戶數(shù);[Tin,j]為用戶[i]在第[j]天的室內(nèi)溫度實(shí)時(shí)值;K為日采集次數(shù)。

    圖1為整個(gè)采暖季(120 d)供熱數(shù)據(jù)輸入變量的實(shí)際采集值。

    由于目前可以獲取未來7 d的氣象參數(shù),因此作者考慮對(duì)未來7 d的供熱負(fù)荷進(jìn)行預(yù)測(cè)。綜上,本文分別采用SVR、DE-SVR、GWO-SVR和DE-GWO-SVR對(duì)采暖季前113 d的數(shù)據(jù)進(jìn)行訓(xùn)練,采用采暖季后7 d的數(shù)據(jù)對(duì)預(yù)測(cè)結(jié)果進(jìn)行檢驗(yàn)。

    4 仿真建模

    4.1 模型評(píng)價(jià)

    本文選取平均絕對(duì)百分比誤差(MAPE),平均絕對(duì)誤差(MAE)、均方誤差(MSE)和判定系數(shù)R2作為模型效果測(cè)試的評(píng)價(jià)指標(biāo),各指標(biāo)具體表達(dá)式為

    [MAPE=1Nt=1NQt-QtQt×]100%, (13)

    [MAE=1Ni=1NQt-Qt]? ?, (14)

    [MSE=1Nt=1N(Qt-Qt)2]? , (15)

    [R2=[Ni=1NQ?Qt-i=1NQi=1NQt]2Ni=1NQ2-[Ni=1NQ]2[Ni=1NQt2-(i=1NQt)2]] , (16)

    式中:[Qt]為預(yù)測(cè)值;[Qt]為實(shí)際值;N為預(yù)測(cè)的天數(shù)。MAPE、MAE、MSE越小,R2越接近1,則預(yù)測(cè)精度越高。

    4.2 DE-SVR

    設(shè)置種群規(guī)模為20,迭代次數(shù)為100,縮放因子下界為0.2,縮放因子上界為0.8,交叉概率為0.2。在該參數(shù)下根據(jù)公式(3)~(5)進(jìn)行變異、交叉、選擇操作,選出適應(yīng)度最優(yōu)的個(gè)體。

    4.3 GWO-SVR

    初始參數(shù)設(shè)置同DE-SVR。在該參數(shù)下初始化[α,β,δ]狼的位置,由式(10)~(11)計(jì)算出其他灰狼個(gè)體與[α,β,δ]的距離及灰狼的位置更新,由式(12)確定獵物所在的位置,即最優(yōu)解。

    4.4 DE-GWO-SVR

    采用DE和GWO混合算法的預(yù)測(cè)流程圖如圖2所示。

    DE-GWO-SVR模型具體實(shí)施步驟如下:

    1)參數(shù)設(shè)置初始化,設(shè)置方法用DE-SVR;

    2)根據(jù)式(3)、(5)實(shí)施DE變異、選擇,生成初始種群;

    3)根據(jù)式(6)~(9)計(jì)算其他灰狼與最優(yōu)個(gè)體距離,并進(jìn)行位置更新;

    4)根據(jù)式(4)、(5)實(shí)施DE交叉、選擇新的個(gè)體;

    5)計(jì)算適應(yīng)度值,并與原來的適應(yīng)度值進(jìn)行比較,保留最優(yōu)解,并更新最優(yōu)的3個(gè)灰狼[xα,xβ,xδ]位置;

    6)重復(fù)迭代,判斷是否達(dá)到最大迭代次數(shù),若達(dá)到,輸出全局最優(yōu)解[xα]的目標(biāo)函數(shù)值;

    7)將該位置坐標(biāo)作為SVR預(yù)測(cè)參數(shù)輸入SVR模型,進(jìn)行預(yù)測(cè)。

    5 結(jié)果與討論

    以該樓棟整個(gè)采暖季運(yùn)行數(shù)據(jù)為基礎(chǔ),利用2016年11月15日至2017年3月7日的數(shù)據(jù)構(gòu)建樣本,進(jìn)行了仿真建模。SVR、DE-SVR、GWO-SVR、DE-GWO-SVR預(yù)測(cè)模型的訓(xùn)練集建模結(jié)果對(duì)比如圖3所示。

    圖3a)為SVR模型訓(xùn)練集的實(shí)際值與預(yù)測(cè)值對(duì)比結(jié)果。判定系數(shù)R2表示因變量的變異中可由所選自變量解釋部分所占的比例。可以看出,判定系數(shù)R2=0.913,表明所選自變量能較好地解釋因變量的變化。圖3b)為差分進(jìn)化算法優(yōu)化SVR的回歸結(jié)果對(duì)比,其中R2=0.937,相對(duì)于單一的SVR模型預(yù)測(cè)精度有所提高,主要是SVR模型參數(shù)的優(yōu)化選擇對(duì)于預(yù)測(cè)精度起到一定的提高作用。圖3c)為灰狼優(yōu)化SVR的回歸模型的實(shí)際值與預(yù)測(cè)值對(duì)比。可以看出,該模型擬合精度與差分進(jìn)化優(yōu)化SVR模型精度相接近,且實(shí)際值與預(yù)測(cè)值間具有較高的擬合精度。圖3d)為將差分進(jìn)化和灰狼優(yōu)化融合的混合算法優(yōu)化SVR的回歸結(jié)果對(duì)比?;旌纤惴▋?yōu)化SVR預(yù)測(cè)模型后的實(shí)際值與預(yù)測(cè)值的判定系數(shù)R2=0.945,圖形數(shù)據(jù)點(diǎn)在擬合曲線周圍分布集中,表明實(shí)際值與預(yù)測(cè)值的線性依存能力很強(qiáng),模型對(duì)因變量具有較高的解釋能力。

    綜上,4種預(yù)測(cè)模型的回歸結(jié)果都具有較高精度,其中DE-GWO-SVR預(yù)測(cè)模型判定系數(shù)R2均高于SVR、DE-SVR、GWO-SVR預(yù)測(cè)模型,具有更高的預(yù)測(cè)精度。

    表3為參數(shù)C和參數(shù)g的優(yōu)化選擇結(jié)果,將最優(yōu)參數(shù)對(duì)輸入SVR模型并進(jìn)行下一步預(yù)測(cè)。

    利用2017年3月8日至2017年3月14日的數(shù)據(jù)進(jìn)行檢驗(yàn)?;谏鲜龅?種預(yù)測(cè)模型,分別將未來7天的自變量輸入模型,得出熱負(fù)荷預(yù)測(cè)值,將預(yù)測(cè)結(jié)果與實(shí)際采集的數(shù)據(jù)進(jìn)行了對(duì)比,預(yù)測(cè)結(jié)果如圖4和圖5所示。

    由圖4可以看出,SVR、DE-SVR、GWO-SVR和DE-GWO-SVR均相對(duì)成功地預(yù)測(cè)了負(fù)荷的變化趨勢(shì),但SVR相對(duì)于其他優(yōu)化模型的預(yù)測(cè)誤差較大,進(jìn)一步說明了參數(shù)優(yōu)化對(duì)于預(yù)測(cè)結(jié)果的重要影響。

    圖5給出了不同模型測(cè)試集的預(yù)測(cè)結(jié)果誤差對(duì)比情況。由上圖可知,本文建立的4種預(yù)測(cè)模型相對(duì)誤差的平均值在±3%左右,預(yù)測(cè)模型相對(duì)誤差量最小值為0.8%,最大值為8%。其中,DE-GWO-SVR的相對(duì)誤差平均值低于其他預(yù)測(cè)模型,預(yù)測(cè)精度更高,在實(shí)際中推薦使用。

    圖6為不同預(yù)測(cè)模型測(cè)試集預(yù)測(cè)誤差結(jié)果對(duì)比。由圖6中可以看出,4種預(yù)測(cè)模型的MAPE值均低于4%的平均水平。其中,DE-SVR、GWO-SVR、DE-GWO-SVR預(yù)測(cè)模型的MSE、MAE、MAPE值均低于傳統(tǒng)的SVR模型,說明了參數(shù)優(yōu)化模型具有更好的預(yù)測(cè)精度。DE-GWO-SVR的MAPE值為3.23%,與SVR、DE-SVR和GWO-SVR相比,MAPE分別降低0.52%,0.27%和0.17%。DE-GWO-SVR的MSE值為94.17,與SVR、DE-SVR和GWO-SVR相比,MSE分別減少37.59、15.78和11.76。另外,SVR的MAE值最大,與DE-SVR、GWO-SVR和DE-GWO-SVR相比,MAE分別增加0.56、0.83和1.29。

    綜上,DE-GWO-SVR模型證實(shí)了本文提出的混合優(yōu)化算法的優(yōu)越性,該算法較單一的差分進(jìn)化、單一的灰狼優(yōu)化具有更高的預(yù)測(cè)精度。

    6 結(jié)論

    1)分別采用差分進(jìn)化、灰狼優(yōu)化和基于差分進(jìn)化和灰狼優(yōu)化的混合算法對(duì)SVR的參數(shù)尋優(yōu)選擇,克服了傳統(tǒng)SVR參數(shù)選擇的隨意性,為建立可靠的預(yù)測(cè)模型提供了良好的基礎(chǔ)條件。

    2)采用混合優(yōu)化后的預(yù)測(cè)模型DE-GWO-SVR,對(duì)未來7天的供熱負(fù)荷進(jìn)行了預(yù)測(cè),并與其他3種模型的預(yù)測(cè)精度進(jìn)行了對(duì)比。結(jié)果表明,DE-GWO-SVR預(yù)測(cè)模型的最大相對(duì)誤差為5.9%,MAPE值為3.23%,預(yù)測(cè)精度最高,可在供熱企業(yè)的能源儲(chǔ)備和生產(chǎn)調(diào)度應(yīng)用中推薦使用。

    參考文獻(xiàn):

    [1]? ? DING Y,ZHANG Q,YUAN T H,et al. Model input selection for building heating load prediction:A case study for an office building in Tianjin [J]. Energy and Buildings,2018,159:254-270.

    [2]? ? 景勝藍(lán),王飛,雷勇剛. 熱負(fù)荷預(yù)測(cè)方法研究綜述[J]. 建筑熱能通風(fēng)空調(diào),2015,34(4):31-35.

    [3]? ? PARK S K,MOON H J,MIN K C,et al. Application of a multiple linear regression and an artificial neural network model for the heating performance analysis and hourly prediction of a large-scale ground source heat pump system[J]. Energy and Buildings,2018,165:206-215.

    [4]? ? FANG T T,LAHDELMA R. Evaluation of a multiple linear regression model and SARIMA model in forecasting heat demand for district heating system[J]. Applied Energy,2016,179:544-552.

    [5]? ? 孫育英,王偉,朱佳鶴,等. 空調(diào)運(yùn)行負(fù)荷的混沌特性分析及GRNN混沌預(yù)測(cè)方法研究[J]. 建筑科學(xué),2014,30(10):13-17,40.

    [6]? ? XIE L. The heat load prediction model based on BP neural network-Markov model[J]. Procedia Computer Science,2017,107(Supplement C):296-300.

    [7]? ? 劉倩穎,阮應(yīng)君,時(shí)翔,等. 基于kmeans聚類與BP神經(jīng)網(wǎng)絡(luò)算法的辦公建筑逐時(shí)電負(fù)荷預(yù)測(cè)[J]. 熱能動(dòng)力工程,2018,33(3):138-144.

    [8]? ? JOVANOVI? R ?,SRETENOVI? A A,?IVKOVI? B D. Ensemble of various neural networks for prediction of heating energy consumption [J]. Energy and Buildings,2015,94:189-199.

    [9]? ? 劉慶典,周璇,凡祖兵,等. 基于混沌支持向量回歸機(jī)的短期空調(diào)負(fù)荷預(yù)測(cè)[J]. 建筑科學(xué),2016,32(6):102-107.

    [10]? IDOWU S,SAGUNA S,?HLUND C,et al. Applied machine learning:Forecasting heat load in district heating system[J]. Energy and Buildings,2016,133:478-488.

    [11]? MIRJALILI S,MIRJALILI S M,Lewis A. Grey wolf optimizer[J]. Advances in Engineering Software,2014,69:46-61.

    [12]? JAYAKUMAR N,SUBRAMANIAN S,GANESAN S,et al. Grey wolf optimization for combined heat and power dispatch with cogeneration systems[J]. International Journal of Electrical Power & Energy Systems,2016,74:252-264.

    [13]? SHAKARAMI M R,F(xiàn)ARAJI DAVOUDKHANI I. Wide-area power system stabilizer design based on grey wolf optimization algorithm considering the time delay [J]. Electric Power Systems Research,2016,133:149-159.

    [14]? WANG M J,CHEN H L,LI H Z,et al. Grey wolf optimization evolving kernel extreme learning machine:Application to bankruptcy prediction[J]. Engineering Applications of Artificial Intelligence,2017,63:54-68.

    [15]? KOHLI M,ARORA S. Chaotic grey wolf optimization algorithm for constrained optimization problems[J]. Journal of Computational Design and Engineering,2018,5(4):458-472.

    [16]? GUPTA S,DEEP K. A novel random walk grey wolf optimizer[J]. Swarm and Evolutionary Computation,2019,44:101-112.

    [17]? BIAN X Q,ZHANG Q,ZHANG L,et al. A grey wolf optimizer-based support vector machine for the solubility of aromatic compounds in supercritical carbon dioxide[J]. Chemical Engineering Research and Design,2017,123:284-294.

    [18]? PROTI M,SHAMSHIRBAND S,PETKOVI? D,et al. Forecasting of consumers heat load in district heating systems using the support vector machine with a discrete wavelet transform algorithm[J]. Energy,2015,87:343-351.

    [19]? 劉振澤,許洋,王峰明. 改進(jìn)差分進(jìn)化算法在非線性模型預(yù)測(cè)控制中的應(yīng)用[J]. 北京工業(yè)大學(xué)學(xué)報(bào),2015,41(5):680-685.

    [20]? JIE P F,ZHU N,LI D Y. Operation optimization of existing district heating systems[J]. Applied Thermal Engineering,2015,78:278-288.

    [21]? 張佼,田琦,王美萍. 基于遺傳算法優(yōu)化支持向量回歸機(jī)參數(shù)的供熱負(fù)荷預(yù)測(cè)[J]. 暖通空調(diào),2017,47(2):104-108,25.

    [責(zé)任編輯 田 豐]

    猜你喜歡
    灰狼供熱向量
    向量的分解
    近期實(shí)施的供熱國家標(biāo)準(zhǔn)
    煤氣與熱力(2022年3期)2022-03-29 07:49:02
    聚焦“向量與三角”創(chuàng)新題
    谷谷雞和小灰狼
    灰狼的大大噴嚏
    灰狼和老虎
    快樂語文(2016年15期)2016-11-07 09:46:31
    向量垂直在解析幾何中的應(yīng)用
    PPP模式應(yīng)用于城市供熱項(xiàng)目分析
    向量五種“變身” 玩轉(zhuǎn)圓錐曲線
    風(fēng)電供熱之路該如何走
    風(fēng)能(2015年4期)2015-02-27 10:14:38
    亚洲综合色网址| 国产高清三级在线| 最后的刺客免费高清国语| av黄色大香蕉| 啦啦啦中文免费视频观看日本| 欧美日本中文国产一区发布| 久久精品国产鲁丝片午夜精品| 亚洲欧美色中文字幕在线| 热99久久久久精品小说推荐| 大陆偷拍与自拍| 母亲3免费完整高清在线观看 | 韩国高清视频一区二区三区| 国产免费视频播放在线视频| 欧美日韩视频高清一区二区三区二| 日韩成人伦理影院| 免费在线观看黄色视频的| 精品福利永久在线观看| 日韩精品有码人妻一区| 我的女老师完整版在线观看| 这个男人来自地球电影免费观看 | 热99国产精品久久久久久7| 丝袜美足系列| 97在线视频观看| 91在线精品国自产拍蜜月| 97在线视频观看| videossex国产| 大香蕉97超碰在线| 高清毛片免费看| 国产爽快片一区二区三区| 99久久人妻综合| 色5月婷婷丁香| 大香蕉久久网| 久久久精品免费免费高清| 国产伦理片在线播放av一区| 亚洲人成77777在线视频| 一级,二级,三级黄色视频| 日韩一本色道免费dvd| 97超碰精品成人国产| 寂寞人妻少妇视频99o| 国产 一区精品| 汤姆久久久久久久影院中文字幕| 热99久久久久精品小说推荐| 乱人伦中国视频| 丝瓜视频免费看黄片| 久热这里只有精品99| 日韩电影二区| 精品人妻在线不人妻| 亚洲国产欧美日韩在线播放| 一本色道久久久久久精品综合| 2022亚洲国产成人精品| 80岁老熟妇乱子伦牲交| 999精品在线视频| 91精品国产国语对白视频| 国产精品秋霞免费鲁丝片| 一本—道久久a久久精品蜜桃钙片| 国产免费福利视频在线观看| 国产一区二区在线观看av| 欧美国产精品一级二级三级| 侵犯人妻中文字幕一二三四区| 999精品在线视频| av在线app专区| 成人影院久久| 九色亚洲精品在线播放| 少妇人妻精品综合一区二区| 色哟哟·www| 少妇的逼好多水| 一级片'在线观看视频| 九色成人免费人妻av| 2018国产大陆天天弄谢| 亚洲精品日韩在线中文字幕| 亚洲av欧美aⅴ国产| 国产成人精品在线电影| 成人毛片a级毛片在线播放| 国产福利在线免费观看视频| 全区人妻精品视频| 亚洲人成网站在线观看播放| 高清毛片免费看| 亚洲精品456在线播放app| 国产亚洲最大av| 菩萨蛮人人尽说江南好唐韦庄| 亚洲av欧美aⅴ国产| 视频在线观看一区二区三区| 一区二区三区精品91| 69精品国产乱码久久久| 中文字幕av电影在线播放| 搡老乐熟女国产| 欧美精品人与动牲交sv欧美| 久久精品国产a三级三级三级| 老司机影院成人| 成人漫画全彩无遮挡| 久久久久久久国产电影| 久久毛片免费看一区二区三区| 日韩熟女老妇一区二区性免费视频| 亚洲一区二区三区欧美精品| 1024视频免费在线观看| av免费观看日本| 啦啦啦视频在线资源免费观看| 51国产日韩欧美| 午夜影院在线不卡| 2022亚洲国产成人精品| 制服人妻中文乱码| 欧美成人午夜免费资源| 欧美激情国产日韩精品一区| 亚洲精品乱码久久久久久按摩| 日本猛色少妇xxxxx猛交久久| 亚洲成人手机| 狠狠精品人妻久久久久久综合| 亚洲三级黄色毛片| 亚洲成人av在线免费| 国产免费一级a男人的天堂| 国产精品秋霞免费鲁丝片| 有码 亚洲区| 日本欧美国产在线视频| 夜夜爽夜夜爽视频| 国产福利在线免费观看视频| 成人国产av品久久久| 热re99久久精品国产66热6| 美女中出高潮动态图| 精品国产露脸久久av麻豆| av免费观看日本| 欧美精品av麻豆av| 少妇熟女欧美另类| 97超碰精品成人国产| 欧美精品人与动牲交sv欧美| xxx大片免费视频| 精品卡一卡二卡四卡免费| 999精品在线视频| 18禁国产床啪视频网站| 如日韩欧美国产精品一区二区三区| 夫妻午夜视频| 亚洲人与动物交配视频| 一区二区日韩欧美中文字幕 | 哪个播放器可以免费观看大片| 精品一区在线观看国产| 国内精品宾馆在线| 久久久久久久亚洲中文字幕| 男女免费视频国产| 久久精品国产自在天天线| 欧美精品国产亚洲| 亚洲精品国产av成人精品| 曰老女人黄片| 亚洲三级黄色毛片| 最黄视频免费看| 天堂8中文在线网| 中文乱码字字幕精品一区二区三区| 91成人精品电影| 亚洲经典国产精华液单| 久久久久久久久久久久大奶| 国产精品三级大全| 99热全是精品| 日韩成人伦理影院| 一区在线观看完整版| 欧美日韩国产mv在线观看视频| 飞空精品影院首页| av网站免费在线观看视频| 18禁裸乳无遮挡动漫免费视频| 国产成人aa在线观看| 国产深夜福利视频在线观看| www.av在线官网国产| 18禁裸乳无遮挡动漫免费视频| 久久午夜福利片| 九九爱精品视频在线观看| 国产成人一区二区在线| 精品久久蜜臀av无| 日韩 亚洲 欧美在线| 亚洲欧美色中文字幕在线| 18在线观看网站| 欧美国产精品一级二级三级| 久久99热6这里只有精品| 国产无遮挡羞羞视频在线观看| 国产白丝娇喘喷水9色精品| 日本午夜av视频| 精品少妇久久久久久888优播| 99热全是精品| 色网站视频免费| 日韩av免费高清视频| av女优亚洲男人天堂| 国产午夜精品一二区理论片| 汤姆久久久久久久影院中文字幕| xxxhd国产人妻xxx| 久久婷婷青草| 日本av免费视频播放| 亚洲情色 制服丝袜| 黄网站色视频无遮挡免费观看| 欧美变态另类bdsm刘玥| 男的添女的下面高潮视频| 国产成人av激情在线播放| 另类精品久久| 性高湖久久久久久久久免费观看| 男女国产视频网站| 亚洲精品中文字幕在线视频| 国产在线免费精品| 国产精品一区二区在线不卡| 麻豆乱淫一区二区| 国产精品不卡视频一区二区| 国产熟女午夜一区二区三区| 免费日韩欧美在线观看| 亚洲精品一二三| 亚洲欧洲国产日韩| 亚洲国产最新在线播放| 久久精品熟女亚洲av麻豆精品| 免费观看在线日韩| 亚洲精品av麻豆狂野| 欧美 日韩 精品 国产| 国产在线免费精品| 少妇人妻久久综合中文| 在线 av 中文字幕| kizo精华| 国产极品粉嫩免费观看在线| 国产在视频线精品| 成年女人在线观看亚洲视频| av免费观看日本| 亚洲婷婷狠狠爱综合网| 国产xxxxx性猛交| 免费女性裸体啪啪无遮挡网站| 性高湖久久久久久久久免费观看| 国产男人的电影天堂91| 侵犯人妻中文字幕一二三四区| 亚洲av电影在线进入| 国产成人精品无人区| 日本免费在线观看一区| 91精品三级在线观看| 内地一区二区视频在线| 亚洲国产欧美日韩在线播放| 久久久a久久爽久久v久久| 三级国产精品片| 99热6这里只有精品| videossex国产| 亚洲综合精品二区| 最后的刺客免费高清国语| 一本色道久久久久久精品综合| 中文欧美无线码| 男的添女的下面高潮视频| 韩国av在线不卡| 一本色道久久久久久精品综合| 少妇的丰满在线观看| 亚洲欧美成人综合另类久久久| 久久精品国产自在天天线| 久久99热这里只频精品6学生| a级毛色黄片| 亚洲国产精品999| 熟女电影av网| 香蕉国产在线看| 在线观看美女被高潮喷水网站| 激情视频va一区二区三区| 伦精品一区二区三区| 成人黄色视频免费在线看| 啦啦啦视频在线资源免费观看| 欧美日韩亚洲高清精品| 国产男女超爽视频在线观看| 亚洲国产欧美在线一区| 久久精品夜色国产| 久久久久久久久久久免费av| 国产国拍精品亚洲av在线观看| 亚洲欧美中文字幕日韩二区| 午夜免费男女啪啪视频观看| 99热国产这里只有精品6| 18禁在线无遮挡免费观看视频| 熟妇人妻不卡中文字幕| 精品熟女少妇av免费看| 欧美性感艳星| 97在线人人人人妻| 欧美精品人与动牲交sv欧美| 久久久久久久精品精品| 纯流量卡能插随身wifi吗| 女性生殖器流出的白浆| 精品午夜福利在线看| 美女视频免费永久观看网站| 久久99一区二区三区| 成人影院久久| 亚洲图色成人| 亚洲精品aⅴ在线观看| 国产精品一区二区在线不卡| 久久国产精品男人的天堂亚洲 | 国产精品熟女久久久久浪| 精品一品国产午夜福利视频| 精品国产一区二区久久| 国产日韩欧美视频二区| 最近中文字幕2019免费版| 各种免费的搞黄视频| 欧美日韩亚洲高清精品| 国产精品 国内视频| 日本爱情动作片www.在线观看| 精品99又大又爽又粗少妇毛片| 在线看a的网站| 人人澡人人妻人| 黑人巨大精品欧美一区二区蜜桃 | 精品久久国产蜜桃| 如何舔出高潮| 一级片免费观看大全| 亚洲情色 制服丝袜| 国产深夜福利视频在线观看| 搡女人真爽免费视频火全软件| 日韩免费高清中文字幕av| 亚洲人成网站在线观看播放| 看非洲黑人一级黄片| 最后的刺客免费高清国语| 国产精品人妻久久久久久| 日韩精品有码人妻一区| 久久精品夜色国产| 最近最新中文字幕大全免费视频 | 五月天丁香电影| 免费看不卡的av| 亚洲av国产av综合av卡| 亚洲国产最新在线播放| 九草在线视频观看| 国产精品欧美亚洲77777| 少妇人妻精品综合一区二区| 精品熟女少妇av免费看| 男女边吃奶边做爰视频| 欧美日韩av久久| 国产精品.久久久| 国产国拍精品亚洲av在线观看| 婷婷成人精品国产| 男的添女的下面高潮视频| 免费观看性生交大片5| 飞空精品影院首页| 日产精品乱码卡一卡2卡三| 亚洲精品av麻豆狂野| 一个人免费看片子| 亚洲av.av天堂| 久久精品夜色国产| 免费高清在线观看日韩| 久久午夜综合久久蜜桃| 欧美老熟妇乱子伦牲交| 七月丁香在线播放| 日日啪夜夜爽| 男人操女人黄网站| 国产成人aa在线观看| 纵有疾风起免费观看全集完整版| 黄色毛片三级朝国网站| 在线观看免费视频网站a站| 久久99精品国语久久久| 韩国高清视频一区二区三区| 久久99一区二区三区| xxxhd国产人妻xxx| 十八禁网站网址无遮挡| 精品久久国产蜜桃| 精品亚洲成a人片在线观看| 久久久久久久久久久久大奶| 国产成人a∨麻豆精品| 久久精品国产鲁丝片午夜精品| 91aial.com中文字幕在线观看| 亚洲精品国产av成人精品| 蜜桃在线观看..| 日韩不卡一区二区三区视频在线| 热99国产精品久久久久久7| 免费在线观看完整版高清| 最黄视频免费看| 欧美日韩国产mv在线观看视频| 国产不卡av网站在线观看| 黑人高潮一二区| 欧美丝袜亚洲另类| 人成视频在线观看免费观看| 国精品久久久久久国模美| 亚洲精品美女久久av网站| 一级片'在线观看视频| 精品99又大又爽又粗少妇毛片| 九九在线视频观看精品| 观看美女的网站| 免费少妇av软件| 波多野结衣一区麻豆| 热99国产精品久久久久久7| 国产探花极品一区二区| av一本久久久久| 亚洲伊人色综图| av在线观看视频网站免费| 欧美 亚洲 国产 日韩一| 久久精品国产a三级三级三级| 亚洲成av片中文字幕在线观看 | 美女大奶头黄色视频| 91午夜精品亚洲一区二区三区| 国产一区二区在线观看av| 亚洲综合色网址| 咕卡用的链子| 欧美亚洲日本最大视频资源| 国产成人一区二区在线| 寂寞人妻少妇视频99o| 国产精品一国产av| 成人毛片a级毛片在线播放| 啦啦啦在线观看免费高清www| 日本av手机在线免费观看| 女性被躁到高潮视频| av不卡在线播放| 热re99久久精品国产66热6| 久久国产精品男人的天堂亚洲 | 精品人妻在线不人妻| 黄色一级大片看看| 街头女战士在线观看网站| av电影中文网址| 亚洲国产精品999| 久久人人爽人人爽人人片va| 国产精品蜜桃在线观看| 国产黄色免费在线视频| 亚洲国产最新在线播放| 人妻一区二区av| 日韩三级伦理在线观看| 丰满乱子伦码专区| 免费黄色在线免费观看| 波野结衣二区三区在线| 欧美日韩视频高清一区二区三区二| 欧美 日韩 精品 国产| 精品熟女少妇av免费看| 国精品久久久久久国模美| 国产色爽女视频免费观看| 国产黄频视频在线观看| 一区二区三区乱码不卡18| 日韩在线高清观看一区二区三区| 免费av不卡在线播放| 青青草视频在线视频观看| 乱码一卡2卡4卡精品| 只有这里有精品99| 亚洲av免费高清在线观看| 宅男免费午夜| 色婷婷av一区二区三区视频| 亚洲精品国产av蜜桃| 亚洲国产av新网站| 免费大片18禁| 久久精品国产a三级三级三级| 精品熟女少妇av免费看| 亚洲国产成人一精品久久久| 女性生殖器流出的白浆| 久久影院123| 水蜜桃什么品种好| 91成人精品电影| 丝袜人妻中文字幕| 黄片播放在线免费| 国产老妇伦熟女老妇高清| 欧美97在线视频| 亚洲精品视频女| 男女边吃奶边做爰视频| a级毛片黄视频| 国产成人午夜福利电影在线观看| 伦精品一区二区三区| 色婷婷久久久亚洲欧美| 夜夜爽夜夜爽视频| 久久99蜜桃精品久久| 久久热在线av| 亚洲成人一二三区av| 在线天堂最新版资源| 欧美另类一区| 一级黄片播放器| 日韩在线高清观看一区二区三区| 欧美日韩综合久久久久久| 最新的欧美精品一区二区| 国产伦理片在线播放av一区| 搡女人真爽免费视频火全软件| 91精品国产国语对白视频| 51国产日韩欧美| 免费看不卡的av| 如日韩欧美国产精品一区二区三区| 中国国产av一级| 韩国高清视频一区二区三区| 国产在线视频一区二区| 如日韩欧美国产精品一区二区三区| 男男h啪啪无遮挡| 超碰97精品在线观看| 91精品三级在线观看| 日韩精品有码人妻一区| 夜夜骑夜夜射夜夜干| 天天影视国产精品| 国产精品 国内视频| 欧美人与性动交α欧美软件 | 精品一区二区免费观看| 久久99热6这里只有精品| 欧美精品一区二区大全| 一本大道久久a久久精品| 久久免费观看电影| 大香蕉97超碰在线| 亚洲av国产av综合av卡| 久久久久久人妻| 国产成人91sexporn| 欧美日韩亚洲高清精品| 深夜精品福利| 黑丝袜美女国产一区| 成人国产av品久久久| 亚洲内射少妇av| 免费日韩欧美在线观看| 少妇被粗大的猛进出69影院 | 中文字幕另类日韩欧美亚洲嫩草| 夫妻午夜视频| 纯流量卡能插随身wifi吗| 欧美日韩一区二区视频在线观看视频在线| 欧美少妇被猛烈插入视频| 亚洲国产成人一精品久久久| 99视频精品全部免费 在线| 国产亚洲欧美精品永久| 妹子高潮喷水视频| 久久精品国产亚洲av涩爱| 久久久久久伊人网av| 亚洲精品第二区| 国产不卡av网站在线观看| 日本wwww免费看| a 毛片基地| 香蕉丝袜av| 国产精品久久久久久av不卡| 久久鲁丝午夜福利片| 久久综合国产亚洲精品| 色5月婷婷丁香| 亚洲欧洲精品一区二区精品久久久 | 人人妻人人澡人人爽人人夜夜| 91久久精品国产一区二区三区| 夜夜爽夜夜爽视频| 草草在线视频免费看| 女的被弄到高潮叫床怎么办| 26uuu在线亚洲综合色| 另类精品久久| 国产黄频视频在线观看| 欧美成人午夜精品| 国产极品天堂在线| 熟女人妻精品中文字幕| 22中文网久久字幕| 国产 精品1| 国产精品 国内视频| 亚洲欧美一区二区三区国产| 交换朋友夫妻互换小说| 最近的中文字幕免费完整| 人成视频在线观看免费观看| 9热在线视频观看99| a级毛片在线看网站| 国产片特级美女逼逼视频| 天堂中文最新版在线下载| 夜夜骑夜夜射夜夜干| 成人亚洲精品一区在线观看| 亚洲高清免费不卡视频| 久久久国产精品麻豆| 中文字幕av电影在线播放| 97超碰精品成人国产| 国产精品三级大全| 97超碰精品成人国产| 啦啦啦在线观看免费高清www| 青春草视频在线免费观看| 视频区图区小说| 美女视频免费永久观看网站| 久久精品国产自在天天线| 纯流量卡能插随身wifi吗| 少妇人妻 视频| 亚洲av在线观看美女高潮| 日本与韩国留学比较| 久久精品久久久久久久性| 街头女战士在线观看网站| 日本欧美国产在线视频| 99视频精品全部免费 在线| 卡戴珊不雅视频在线播放| 国产伦理片在线播放av一区| 精品少妇久久久久久888优播| 久久精品国产亚洲av涩爱| 国产视频首页在线观看| 久久久欧美国产精品| 中文字幕最新亚洲高清| 中国美白少妇内射xxxbb| 久久热在线av| 看免费成人av毛片| 91精品伊人久久大香线蕉| 最近中文字幕2019免费版| 亚洲四区av| 在线看a的网站| 中文乱码字字幕精品一区二区三区| 久久久久久久久久久久大奶| 人妻系列 视频| 亚洲色图 男人天堂 中文字幕 | av在线老鸭窝| 精品国产乱码久久久久久小说| 99久久人妻综合| 亚洲国产av影院在线观看| 少妇精品久久久久久久| 男女边吃奶边做爰视频| 熟女av电影| 久久久久久久精品精品| 精品酒店卫生间| 美国免费a级毛片| 欧美日韩一区二区视频在线观看视频在线| 国语对白做爰xxxⅹ性视频网站| 你懂的网址亚洲精品在线观看| 国内精品宾馆在线| av网站免费在线观看视频| 黄网站色视频无遮挡免费观看| 免费观看a级毛片全部| 乱人伦中国视频| xxx大片免费视频| 久久精品aⅴ一区二区三区四区 | 色94色欧美一区二区| 精品久久久精品久久久| 国产av码专区亚洲av| 亚洲国产欧美日韩在线播放| 精品一区二区免费观看| 欧美激情 高清一区二区三区| 国产成人免费无遮挡视频| 天天躁夜夜躁狠狠久久av| 亚洲精品456在线播放app| 国产麻豆69| 老女人水多毛片| 中国国产av一级| h视频一区二区三区| 丰满少妇做爰视频| 中文天堂在线官网| 久久精品夜色国产| 爱豆传媒免费全集在线观看| av视频免费观看在线观看| 一级毛片电影观看| 人妻一区二区av| 精品国产国语对白av| 纵有疾风起免费观看全集完整版| 夜夜骑夜夜射夜夜干| 满18在线观看网站| 亚洲伊人色综图| 一边亲一边摸免费视频| 亚洲精品一二三| 亚洲欧美清纯卡通| 亚洲精品视频女| 亚洲国产成人一精品久久久| 99热网站在线观看| 日本91视频免费播放| 免费观看性生交大片5| 国产av码专区亚洲av|