• <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
    新久久久久国产一级毛片| 午夜老司机福利片| 黑人猛操日本美女一级片| 在线观看免费高清a一片| 秋霞在线观看毛片| 男女无遮挡免费网站观看| 亚洲成色77777| 日韩av在线免费看完整版不卡| 久久这里只有精品19| 午夜免费鲁丝| 亚洲中文字幕日韩| 精品一品国产午夜福利视频| 久久99一区二区三区| 国产成人免费观看mmmm| 色播在线永久视频| 成年av动漫网址| 国产精品二区激情视频| 久久精品亚洲av国产电影网| 久久午夜综合久久蜜桃| 一边摸一边做爽爽视频免费| 久久国产精品男人的天堂亚洲| 欧美日韩综合久久久久久| 别揉我奶头~嗯~啊~动态视频 | 免费在线观看日本一区| 男女高潮啪啪啪动态图| a级片在线免费高清观看视频| 日韩制服丝袜自拍偷拍| 新久久久久国产一级毛片| av欧美777| 91精品三级在线观看| 国产免费现黄频在线看| 久久精品久久久久久噜噜老黄| 精品一区二区三区av网在线观看 | 别揉我奶头~嗯~啊~动态视频 | 亚洲精品在线美女| 尾随美女入室| 亚洲人成电影观看| 国产视频首页在线观看| 一级黄色大片毛片| 久热这里只有精品99| 中文字幕另类日韩欧美亚洲嫩草| 国产97色在线日韩免费| 亚洲av片天天在线观看| 丝瓜视频免费看黄片| 久久鲁丝午夜福利片| 老鸭窝网址在线观看| av又黄又爽大尺度在线免费看| 美女福利国产在线| 晚上一个人看的免费电影| 午夜福利,免费看| 这个男人来自地球电影免费观看| 亚洲欧洲精品一区二区精品久久久| 亚洲欧美中文字幕日韩二区| 午夜影院在线不卡| 亚洲欧美精品自产自拍| 日韩av免费高清视频| 女性被躁到高潮视频| 国产精品麻豆人妻色哟哟久久| 最近中文字幕2019免费版| 菩萨蛮人人尽说江南好唐韦庄| 精品少妇内射三级| 日本五十路高清| 久久女婷五月综合色啪小说| 成人国产av品久久久| 欧美黄色淫秽网站| 2021少妇久久久久久久久久久| 午夜福利视频在线观看免费| 男女免费视频国产| 熟女少妇亚洲综合色aaa.| 亚洲精品日本国产第一区| 亚洲第一av免费看| 国产精品久久久久久人妻精品电影 | 久热这里只有精品99| 日韩人妻精品一区2区三区| 亚洲国产中文字幕在线视频| 少妇 在线观看| 久久天堂一区二区三区四区| 国产黄频视频在线观看| 啦啦啦在线免费观看视频4| 女人被躁到高潮嗷嗷叫费观| 视频区欧美日本亚洲| 久久这里只有精品19| 欧美乱码精品一区二区三区| 国产精品麻豆人妻色哟哟久久| 亚洲av日韩在线播放| 狂野欧美激情性xxxx| 免费在线观看视频国产中文字幕亚洲 | videos熟女内射| 大陆偷拍与自拍| 一区二区av电影网| 我的亚洲天堂| 老司机影院成人| 在线观看www视频免费| 亚洲精品国产av蜜桃| 午夜影院在线不卡| 黄片小视频在线播放| 女性生殖器流出的白浆| 久久精品国产亚洲av高清一级| 亚洲色图 男人天堂 中文字幕| 中文字幕色久视频| 国产精品一区二区免费欧美 | 最近手机中文字幕大全| 热re99久久精品国产66热6| 美女中出高潮动态图| 男女床上黄色一级片免费看| 欧美日韩福利视频一区二区| 精品卡一卡二卡四卡免费| 精品人妻1区二区| 成年美女黄网站色视频大全免费| 男女边吃奶边做爰视频| 国产精品久久久久久精品古装| 精品少妇黑人巨大在线播放| 国产极品粉嫩免费观看在线| 王馨瑶露胸无遮挡在线观看| av在线老鸭窝| 免费观看av网站的网址| 啦啦啦在线观看免费高清www| 手机成人av网站| 热99久久久久精品小说推荐| 亚洲熟女精品中文字幕| 人妻人人澡人人爽人人| 一区二区日韩欧美中文字幕| 午夜av观看不卡| 高清不卡的av网站| 十八禁高潮呻吟视频| 中文字幕人妻丝袜制服| 欧美少妇被猛烈插入视频| 一级黄色大片毛片| av有码第一页| 爱豆传媒免费全集在线观看| 曰老女人黄片| 亚洲男人天堂网一区| 亚洲熟女精品中文字幕| 丝袜美足系列| 精品一品国产午夜福利视频| 亚洲色图 男人天堂 中文字幕| 精品高清国产在线一区| 欧美在线黄色| 18在线观看网站| 久久精品久久精品一区二区三区| 18禁观看日本| 中文字幕另类日韩欧美亚洲嫩草| 国产精品 欧美亚洲| 曰老女人黄片| 在线观看人妻少妇| 久久久久精品人妻al黑| 在线看a的网站| 国产成人精品无人区| 日本一区二区免费在线视频| 国产男女内射视频| 久久精品国产综合久久久| 老汉色∧v一级毛片| 赤兔流量卡办理| 99精国产麻豆久久婷婷| 在线观看免费午夜福利视频| 两个人看的免费小视频| www日本在线高清视频| 亚洲伊人色综图| 黄色视频不卡| 中文欧美无线码| 久久久精品94久久精品| 中文乱码字字幕精品一区二区三区| 在线观看免费视频网站a站| 国产一区二区三区av在线| av在线播放精品| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲精品自拍成人| 中文字幕高清在线视频| 日韩电影二区| 中文欧美无线码| 丰满少妇做爰视频| 午夜免费男女啪啪视频观看| 精品久久久久久电影网| 一级a爱视频在线免费观看| 十八禁网站网址无遮挡| 啦啦啦在线观看免费高清www| 激情视频va一区二区三区| 久久女婷五月综合色啪小说| 国产高清videossex| 欧美日韩亚洲高清精品| 最近最新中文字幕大全免费视频 | 国产一区二区三区综合在线观看| 可以免费在线观看a视频的电影网站| 久久人人爽人人片av| 美女高潮到喷水免费观看| 成年女人毛片免费观看观看9 | 满18在线观看网站| 久久久久久久精品精品| 巨乳人妻的诱惑在线观看| 国产精品偷伦视频观看了| 亚洲国产欧美网| av欧美777| 亚洲人成电影免费在线| 黄色视频在线播放观看不卡| 久久女婷五月综合色啪小说| 久久影院123| 午夜免费成人在线视频| 亚洲精品久久久久久婷婷小说| 91精品伊人久久大香线蕉| 男人添女人高潮全过程视频| 女警被强在线播放| 亚洲欧美精品综合一区二区三区| 久久女婷五月综合色啪小说| 成人18禁高潮啪啪吃奶动态图| 黑人巨大精品欧美一区二区蜜桃| 免费高清在线观看视频在线观看| 国语对白做爰xxxⅹ性视频网站| av视频免费观看在线观看| 国产极品粉嫩免费观看在线| 又紧又爽又黄一区二区| 黑丝袜美女国产一区| 免费av中文字幕在线| 中文字幕亚洲精品专区| 色精品久久人妻99蜜桃| 国产在视频线精品| 一二三四社区在线视频社区8| 首页视频小说图片口味搜索 | 七月丁香在线播放| 国产精品一二三区在线看| 色网站视频免费| 国产精品三级大全| 日本五十路高清| 只有这里有精品99| 一本综合久久免费| 国产欧美日韩精品亚洲av| av又黄又爽大尺度在线免费看| 老汉色∧v一级毛片| 亚洲国产精品一区二区三区在线| 亚洲 欧美一区二区三区| 亚洲精品久久成人aⅴ小说| 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| 免费观看av网站的网址| 在线观看免费高清a一片| 另类亚洲欧美激情| 首页视频小说图片口味搜索 | 国产精品亚洲av一区麻豆| 日韩一区二区三区影片| 中文字幕人妻丝袜制服| 精品高清国产在线一区| 欧美激情 高清一区二区三区| 菩萨蛮人人尽说江南好唐韦庄| 亚洲中文字幕日韩| 亚洲av欧美aⅴ国产| 美女福利国产在线| www.999成人在线观看| 成年女人毛片免费观看观看9 | 麻豆乱淫一区二区| 国产三级黄色录像| 亚洲情色 制服丝袜| 巨乳人妻的诱惑在线观看| 免费在线观看黄色视频的| 少妇 在线观看| 国产有黄有色有爽视频| 91精品伊人久久大香线蕉| 国产91精品成人一区二区三区 | 亚洲五月婷婷丁香| 97人妻天天添夜夜摸| 亚洲成色77777| 黑人欧美特级aaaaaa片| 少妇被粗大的猛进出69影院| 狂野欧美激情性xxxx| 国产欧美日韩一区二区三区在线| 亚洲精品久久久久久婷婷小说| 9191精品国产免费久久| 亚洲精品美女久久久久99蜜臀 | 赤兔流量卡办理| 成人国产av品久久久| 天堂8中文在线网| 免费少妇av软件| 麻豆国产av国片精品| 美女福利国产在线| www.999成人在线观看| √禁漫天堂资源中文www| 97在线人人人人妻| 亚洲天堂av无毛| 精品福利观看| 国产成人精品久久二区二区91| 日日摸夜夜添夜夜爱| 午夜福利一区二区在线看| 99久久精品国产亚洲精品| 韩国高清视频一区二区三区| 亚洲激情五月婷婷啪啪| 老司机影院成人| videosex国产| 亚洲精品av麻豆狂野| 国产av一区二区精品久久| 久久久久久亚洲精品国产蜜桃av| 天天躁夜夜躁狠狠躁躁| 免费观看a级毛片全部| 一本综合久久免费| 天天影视国产精品| 亚洲国产精品一区二区三区在线| 国产成人欧美在线观看 | 国产亚洲一区二区精品| 午夜福利,免费看| 国产一区二区在线观看av| 最近手机中文字幕大全| 在线观看免费视频网站a站| 亚洲人成电影观看| 日日夜夜操网爽| 国产成人系列免费观看| 男女边摸边吃奶| 久久国产精品人妻蜜桃| av天堂在线播放| 欧美xxⅹ黑人| 搡老乐熟女国产| 亚洲少妇的诱惑av| 18禁黄网站禁片午夜丰满| 秋霞在线观看毛片| 18在线观看网站| 黄色视频在线播放观看不卡| 高清黄色对白视频在线免费看| av国产久精品久网站免费入址| 男女床上黄色一级片免费看| 青青草视频在线视频观看| 日韩电影二区| 国产激情久久老熟女| 精品人妻一区二区三区麻豆| 日本vs欧美在线观看视频| 欧美日韩亚洲高清精品| 中文字幕人妻熟女乱码| 啦啦啦啦在线视频资源| 成人手机av| 亚洲专区国产一区二区| 日韩av不卡免费在线播放| 99国产精品一区二区三区| 大陆偷拍与自拍| 丁香六月欧美| 亚洲中文av在线| 看免费av毛片| 亚洲,欧美,日韩| 久久ye,这里只有精品| 男女无遮挡免费网站观看| 久久久久视频综合| 国产成人系列免费观看| 自拍欧美九色日韩亚洲蝌蚪91| 精品亚洲乱码少妇综合久久| 国产成人免费观看mmmm| 涩涩av久久男人的天堂| e午夜精品久久久久久久| 午夜视频精品福利| 亚洲一卡2卡3卡4卡5卡精品中文| 中文字幕制服av| 大香蕉久久成人网| 另类精品久久| 青草久久国产| 妹子高潮喷水视频| 亚洲熟女精品中文字幕| 久久久久久人人人人人| 日韩伦理黄色片| 婷婷成人精品国产| 日本午夜av视频| 婷婷成人精品国产| 在线观看免费午夜福利视频| 久久久久久久国产电影| 女警被强在线播放| 黑人巨大精品欧美一区二区蜜桃| 操美女的视频在线观看| 午夜免费成人在线视频| 各种免费的搞黄视频| 丝袜喷水一区| 久久久久视频综合| av欧美777| 大片电影免费在线观看免费| 精品一品国产午夜福利视频| 国产亚洲午夜精品一区二区久久| 久久毛片免费看一区二区三区| 国产精品免费大片| 免费看不卡的av| 久久久精品94久久精品| kizo精华| 天堂8中文在线网| 精品少妇黑人巨大在线播放| 免费一级毛片在线播放高清视频 | 久久狼人影院| 免费久久久久久久精品成人欧美视频| 青春草视频在线免费观看| 高清av免费在线| 男人添女人高潮全过程视频| www.熟女人妻精品国产| 国产精品久久久人人做人人爽| www.精华液| 欧美97在线视频| 婷婷丁香在线五月| h视频一区二区三区| 欧美中文综合在线视频| 国产午夜精品一二区理论片| av一本久久久久| 少妇被粗大的猛进出69影院| 制服人妻中文乱码| 男女床上黄色一级片免费看| 日日夜夜操网爽| 亚洲中文av在线| 真人做人爱边吃奶动态| 黑丝袜美女国产一区| 婷婷色综合www| 黄频高清免费视频| 亚洲欧美中文字幕日韩二区| 久久天躁狠狠躁夜夜2o2o | 亚洲天堂av无毛| 美女视频免费永久观看网站| 在线观看免费午夜福利视频| 涩涩av久久男人的天堂| xxx大片免费视频| 欧美97在线视频| 婷婷丁香在线五月| h视频一区二区三区| 国产片内射在线| 91麻豆精品激情在线观看国产 | 少妇 在线观看| 天天添夜夜摸| 大片电影免费在线观看免费| 欧美日韩黄片免| 午夜免费鲁丝| 女人高潮潮喷娇喘18禁视频| 亚洲色图 男人天堂 中文字幕| 我要看黄色一级片免费的| 女性生殖器流出的白浆| 欧美日韩视频高清一区二区三区二| 国产深夜福利视频在线观看| 国产一区二区三区av在线| 欧美精品啪啪一区二区三区 | 亚洲av在线观看美女高潮| 视频在线观看一区二区三区| 久久人人爽av亚洲精品天堂| av线在线观看网站| 别揉我奶头~嗯~啊~动态视频 | 老司机深夜福利视频在线观看 | 美女脱内裤让男人舔精品视频| 91麻豆av在线| 午夜免费成人在线视频| 久久这里只有精品19| 黄色 视频免费看| 亚洲天堂av无毛| 晚上一个人看的免费电影| 制服诱惑二区| 老汉色∧v一级毛片| 国产精品 国内视频| 一边摸一边抽搐一进一出视频| 最近最新中文字幕大全免费视频 | 老鸭窝网址在线观看| 亚洲国产精品成人久久小说| 精品免费久久久久久久清纯 | 丝袜脚勾引网站| 亚洲av电影在线进入| 丝袜美足系列| 亚洲中文av在线| 久久久久久久精品精品| 国产又色又爽无遮挡免| 日韩av免费高清视频| 国产精品香港三级国产av潘金莲 | 亚洲国产最新在线播放| 国产精品香港三级国产av潘金莲 | 国产在线观看jvid| 又大又黄又爽视频免费| 又紧又爽又黄一区二区| 母亲3免费完整高清在线观看| 中文字幕精品免费在线观看视频| 国产免费现黄频在线看| 看免费av毛片| 亚洲第一青青草原| 午夜久久久在线观看| 91成人精品电影| 亚洲国产av影院在线观看| 天天躁夜夜躁狠狠躁躁| 午夜老司机福利片| 天天躁夜夜躁狠狠躁躁| 菩萨蛮人人尽说江南好唐韦庄| 男人舔女人的私密视频| 精品国产乱码久久久久久小说| 国产高清视频在线播放一区 | 日本wwww免费看| 亚洲国产欧美日韩在线播放| 久久久久久久久久久久大奶| 五月天丁香电影| 狠狠婷婷综合久久久久久88av| 免费一级毛片在线播放高清视频 | 久久ye,这里只有精品| 国产淫语在线视频| 少妇的丰满在线观看| 亚洲精品一区蜜桃| av福利片在线| 亚洲午夜精品一区,二区,三区| 肉色欧美久久久久久久蜜桃| 一本大道久久a久久精品| 99国产精品免费福利视频| 久久影院123| 美女午夜性视频免费| 婷婷丁香在线五月| 日韩 欧美 亚洲 中文字幕| 又粗又硬又长又爽又黄的视频| 天天影视国产精品| 亚洲综合色网址| 日韩欧美一区视频在线观看| 国产精品欧美亚洲77777| 日韩精品免费视频一区二区三区| 久久久久久亚洲精品国产蜜桃av| 乱人伦中国视频| 亚洲美女黄色视频免费看| 久热爱精品视频在线9| 老鸭窝网址在线观看| 下体分泌物呈黄色| 欧美精品一区二区大全| www日本在线高清视频| 久久人妻熟女aⅴ| 热99国产精品久久久久久7| 欧美日韩亚洲综合一区二区三区_| 男男h啪啪无遮挡| 国产在线免费精品| 久久久久久久精品精品| 欧美老熟妇乱子伦牲交| 国产精品 欧美亚洲| 男人添女人高潮全过程视频| 国产男女内射视频| 午夜福利乱码中文字幕| av网站在线播放免费| 少妇精品久久久久久久| 欧美日韩视频精品一区| 少妇粗大呻吟视频| 成年人黄色毛片网站| 国产精品国产三级国产专区5o| 亚洲激情五月婷婷啪啪| 欧美日韩精品网址| 日韩人妻精品一区2区三区| 欧美人与性动交α欧美软件| 成年人免费黄色播放视频| 精品一区二区三区av网在线观看 | 黄色片一级片一级黄色片| 999精品在线视频| 波多野结衣一区麻豆| 国产日韩欧美视频二区| 欧美在线一区亚洲| 婷婷色综合www| 午夜福利在线免费观看网站| 9色porny在线观看| 成年动漫av网址| 可以免费在线观看a视频的电影网站| 中文字幕制服av| 这个男人来自地球电影免费观看| 97精品久久久久久久久久精品| 大陆偷拍与自拍| 精品第一国产精品| 亚洲第一青青草原| 青春草亚洲视频在线观看| 人人妻人人爽人人添夜夜欢视频| 亚洲国产最新在线播放| 日韩一本色道免费dvd| 成年av动漫网址| 一边亲一边摸免费视频| 黄色视频不卡| 国产精品一区二区精品视频观看| 在线观看免费午夜福利视频| 久久亚洲精品不卡| 日日夜夜操网爽| 久久人妻福利社区极品人妻图片 | 高清视频免费观看一区二区| 欧美日韩亚洲国产一区二区在线观看 | 男女边摸边吃奶| 免费日韩欧美在线观看| 久久精品国产亚洲av高清一级| 9热在线视频观看99| 久久精品国产亚洲av高清一级| 色婷婷久久久亚洲欧美| 国产免费福利视频在线观看| 国产一区二区 视频在线| 成年人免费黄色播放视频| 亚洲国产欧美网| 国产亚洲精品久久久久5区| 9热在线视频观看99| 又大又爽又粗| 一区二区三区激情视频| 精品熟女少妇八av免费久了| 成人国产一区最新在线观看 | 丝袜在线中文字幕| 一区在线观看完整版| 婷婷成人精品国产| 国产熟女午夜一区二区三区| 欧美亚洲日本最大视频资源| 亚洲天堂av无毛| 久久久久久久国产电影| 国产成人一区二区三区免费视频网站 | 婷婷色av中文字幕| 91国产中文字幕| 久久人人97超碰香蕉20202| 七月丁香在线播放| 国产成人系列免费观看| 久久久久精品国产欧美久久久 | av天堂在线播放| 狂野欧美激情性xxxx| 在线观看免费视频网站a站| 欧美大码av| 久久久久精品人妻al黑| 男男h啪啪无遮挡| 满18在线观看网站| 又紧又爽又黄一区二区| 两性夫妻黄色片| 久久人人97超碰香蕉20202| 亚洲精品乱久久久久久| 一区福利在线观看| 欧美精品av麻豆av| 女人久久www免费人成看片| 一本综合久久免费| 欧美精品一区二区免费开放| 久久精品熟女亚洲av麻豆精品| 久久 成人 亚洲| 麻豆av在线久日| 国产亚洲av片在线观看秒播厂| av天堂久久9| 满18在线观看网站| 18禁观看日本| 精品第一国产精品| 大型av网站在线播放| 乱人伦中国视频| 精品少妇久久久久久888优播|