• <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LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的電池SOC預(yù)測(cè)方法

    2019-11-06 02:15:12耿攀許夢(mèng)華薛士龍

    耿攀 許夢(mèng)華 薛士龍

    摘要:針對(duì)鋰離子電池荷電狀態(tài)(state of charge, SOC)預(yù)測(cè)問題,利用長(zhǎng)短期記憶(long short-term memory, LSTM)循環(huán)神經(jīng)網(wǎng)絡(luò)建立電池SOC預(yù)測(cè)模型。在恒阻放電情況下,將電池輸出電流、輸出電壓和電池表面溫度作為模型的主要輸入,使用訓(xùn)練樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,使用驗(yàn)證樣本進(jìn)行驗(yàn)證。結(jié)果表明,用該方法進(jìn)行電池SOC預(yù)測(cè)時(shí)可使最大絕對(duì)誤差僅為1.96%,均方根誤差為0.986%,可行性被驗(yàn)證。分析神經(jīng)網(wǎng)絡(luò)隱含層中不同的神經(jīng)元個(gè)數(shù)對(duì)預(yù)測(cè)結(jié)果的影響,對(duì)比不同批大小情況下訓(xùn)練出的神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差。將隱含層分別設(shè)置為1至3個(gè)LSTM細(xì)胞核,得到不同條件下神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差。結(jié)果為電池SOC預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型的隱含層神經(jīng)元個(gè)數(shù)、批大小和LSTM細(xì)胞核個(gè)數(shù)的設(shè)定提供參考。

    關(guān)鍵詞:鋰離子電池; 荷電狀態(tài)(SOC); 電動(dòng)汽車; 長(zhǎng)短期記憶(LSTM); 循環(huán)神經(jīng)網(wǎng)絡(luò)

    中圖分類號(hào): TM911

    文獻(xiàn)標(biāo)志碼: A

    Abstract:For the estimation problem of lithium-ion battery state of charge (SOC), a model of battery SOC estimation is established by the long short-term memory(LSTM) recurrent neural network. When the battery is discharging in constant-resistance circumstances,the output current, the output voltage and the surface temperature of the battery are used as the main inputs of the model, and the neural network is trained with training samples and verified with verification samples. The results show that the maximum absolute error is only 1.96% and the root mean square error is 0.986% when the battery SOC is estimated by this method, which validates the feasibility of the method. The effects of different number of neurons in the hidden layer of the neural network on the estimation results are analyzed, and the estimation errors of the neural network trained under different batch sizes are compared. The hidden layer is set to 1 to 3 LSTM nuclei, respectively, and the estimation errors of the neural network under different conditions are obtained. The results can provide reference for the setting of the number of neurons in the hidden layer and the batch size of the neural network model for estimating battery SOC and the setting of the number of LSTM nuclei.

    0 引 言

    鋰離子電池以能量密度高、使用壽命長(zhǎng)、自放電率低等優(yōu)點(diǎn)在電動(dòng)汽車上被廣泛應(yīng)用。鋰離子電池荷電狀態(tài)(state of charge,SOC)為能量管理和控制策略的主要依據(jù),因此準(zhǔn)確估計(jì)電池的SOC對(duì)電池的高效利用和整車能量管理具有重要意義[1]。

    目前常用的SOC預(yù)測(cè)方法分為3類:第一類直接根據(jù)電池的電壓、電流或內(nèi)阻進(jìn)行預(yù)測(cè),主要方法包括安時(shí)積分法[2],開路電壓法[3]和基于電池內(nèi)阻[4]的預(yù)測(cè)法;第二類是基于等效電池模型的預(yù)測(cè)法,如滑模觀測(cè)器[5]和龍貝格觀測(cè)器[6];第三類是近五年發(fā)展的基于機(jī)器學(xué)習(xí)的預(yù)測(cè)方法,主要包括支持向量機(jī)[7-8]、極限學(xué)習(xí)機(jī)[9]、徑向基神經(jīng)網(wǎng)絡(luò)[10]和循環(huán)神經(jīng)網(wǎng)絡(luò)[11]等方法。

    安時(shí)積分法通過先測(cè)量電流再對(duì)電流進(jìn)行積分實(shí)現(xiàn)電池SOC預(yù)測(cè),但無法解決累積誤差和不準(zhǔn)確的電池SOC初始值問題[12];開路電壓法的缺點(diǎn)是預(yù)測(cè)前需要電池長(zhǎng)時(shí)間靜置,不適合在線測(cè)量[13];基于電池內(nèi)阻的預(yù)測(cè)法受電池種類、數(shù)量和一致性的影響,很少在電動(dòng)汽車上使用[14]。

    等效電池模型一般采用等效電阻電容模擬電池的動(dòng)態(tài)響應(yīng),但忽略了電池單元內(nèi)部的物理和化學(xué)反應(yīng),當(dāng)電池處于過充過放等會(huì)導(dǎo)致劇烈物理和化學(xué)反應(yīng)的狀態(tài)時(shí),等效電路模型往往無法反映真實(shí)電池模型[13]。另外,這種方法計(jì)算量大,實(shí)際應(yīng)用中在不同環(huán)境下預(yù)測(cè)電池SOC需要額外的參數(shù)或者不同的電池模型。文獻(xiàn)[14]采用優(yōu)化電池模型的自適應(yīng)sigma卡爾曼算法預(yù)測(cè)電池SOC,但只是在一定程度上減少了電池模型的復(fù)雜度和計(jì)算量。同時(shí),灰色擴(kuò)展卡爾曼濾波[15]、平方根無跡卡爾曼濾波[16]等改進(jìn)算法被提出,此類卡爾曼濾波算法都依賴高精度的電池模型,計(jì)算復(fù)雜[17]。

    研究人員也曾使用涉及數(shù)據(jù)分析的第三類方法進(jìn)行電池SOC預(yù)測(cè),這些方法依賴于傳統(tǒng)的機(jī)器學(xué)習(xí)技術(shù):文獻(xiàn)[18]使用了支持向量機(jī)進(jìn)行預(yù)測(cè),文獻(xiàn)[9]使用了極限學(xué)習(xí)機(jī)進(jìn)行預(yù)測(cè),傳統(tǒng)的機(jī)器學(xué)習(xí)技術(shù)有著共同缺陷,即訓(xùn)練速度慢且容易陷入局部最小點(diǎn)[19]。針對(duì)上述三類方法存在的缺陷,本文使用具有長(zhǎng)短期記憶(long short-term memory, LSTM)[20]細(xì)胞核的循環(huán)神經(jīng)網(wǎng)絡(luò)(稱為L(zhǎng)STM循環(huán)神經(jīng)網(wǎng)絡(luò))使SOC預(yù)測(cè)的絕對(duì)誤差降至2%以下。

    近年來,隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展,一些深度學(xué)習(xí)模型逐漸被應(yīng)用到時(shí)序數(shù)據(jù)的研究中。深度學(xué)習(xí)模型是一種擁有多個(gè)非線性映射層級(jí)的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型,能夠?qū)斎胄盘?hào)逐層抽象并提取特征,挖掘出更深層的潛在規(guī)律?,F(xiàn)實(shí)生活中,搜索引擎的內(nèi)容篩選過濾、社交媒體個(gè)人喜好分析推薦以及各種可攜帶智能設(shè)備的自然語言處理等都使用了深度學(xué)習(xí)。這些成功的深度學(xué)習(xí)應(yīng)用案例使用的預(yù)測(cè)方式都可以歸結(jié)為人工神經(jīng)網(wǎng)絡(luò)的一個(gè)分支,被稱作LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)。

    LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)作為一種新型機(jī)器學(xué)習(xí)技術(shù),可以通過自身學(xué)習(xí)調(diào)整網(wǎng)絡(luò)權(quán)重和偏置等參數(shù)實(shí)現(xiàn)電池SOC的預(yù)測(cè)。這項(xiàng)技術(shù)可以將測(cè)量所得的各種信息,比如電壓,電流、電池表面溫度等準(zhǔn)確地映射到電池SOC,并且有效避免如卡爾曼濾波算法繁冗的參數(shù)推算過程,在訓(xùn)練過程中只需設(shè)置隱含層神經(jīng)元個(gè)數(shù)、批大小、最大迭代次數(shù)和LSTM細(xì)胞核個(gè)數(shù)便可以獲得最優(yōu)模型。利用LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)可以在不同工況環(huán)境下、不同輸入?yún)?shù)變量下甚至不同電池種類下得出不同的網(wǎng)絡(luò)參數(shù)模型,這一過程只需對(duì)不同種類電池采樣獲得一定量的訓(xùn)練數(shù)據(jù)。

    1 LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)模型

    循環(huán)神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)或者其他常規(guī)的機(jī)器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)不同,常規(guī)的神經(jīng)網(wǎng)絡(luò)都是將當(dāng)前時(shí)刻的輸入?yún)⒘枯斎氆@得當(dāng)前時(shí)刻的輸出,循環(huán)神經(jīng)網(wǎng)絡(luò)能夠?qū)⑶耙欢螘r(shí)刻的一系列信息傳遞給當(dāng)前時(shí)刻。循環(huán)神經(jīng)網(wǎng)絡(luò)標(biāo)準(zhǔn)模型及其展開模型如圖1所示(RNN表示循環(huán)神經(jīng)網(wǎng)絡(luò)):在輸入端輸入一個(gè)序列X=(x1,x2,…,xt),通過式(1)計(jì)算出一個(gè)隱含層序列H=(h1,h2,…,ht),再通過式(2)計(jì)算出一個(gè)輸出序列Y=(y1,y2,…,yt)。

    循環(huán)神經(jīng)網(wǎng)絡(luò)雖然可以有效地處理非線性時(shí)間序列,但隨著時(shí)間的不斷拉長(zhǎng),會(huì)產(chǎn)生一系列問題,比如梯度下降或者梯度爆炸,這會(huì)導(dǎo)致前期的有效信息丟失或者產(chǎn)生無效信息,從而預(yù)測(cè)錯(cuò)誤。為此,將傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)的循環(huán)神經(jīng)網(wǎng)絡(luò)細(xì)胞核替換成LSTM細(xì)胞核,使其具有長(zhǎng)期記憶能力,從而成功地解決長(zhǎng)期大量數(shù)據(jù)上的預(yù)測(cè)問題。LSTM細(xì)胞核結(jié)構(gòu)見圖2。

    在LSTM細(xì)胞核中,ct是LSTM的狀態(tài)單元,貫穿于整個(gè)細(xì)胞,LSTM細(xì)胞能夠向狀態(tài)單元填充有效信息或者移除無效信息,這一過程中使用的結(jié)構(gòu)被稱為門限。門限由一個(gè)sigmoid函數(shù)與矩陣點(diǎn)乘組成,sigmoid函數(shù)輸出0-1之間的數(shù)字,描述每個(gè)信息通過門限的程度,0表示禁止一切信息通過,1表示所有信息通過。整個(gè)LSTM細(xì)胞中有3個(gè)門限,分別為遺忘門f、輸入門i和輸出門o。LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)前向傳播可以表示為式中:σ和tanh分別為sigmoid激活函數(shù)和雙正切激活函數(shù);it、ft、ot、ct分別代表t時(shí)刻輸入、忘記、輸出和細(xì)胞狀態(tài)。基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的電池SOC預(yù)測(cè)模型訓(xùn)練框架(見圖3)包含輸入層、隱含層和輸出層:輸入層用于表征輸入變量,隱含層可以是一個(gè)或多個(gè)LSTM細(xì)胞核,輸出層用于表征輸出變量。全連接層根據(jù)權(quán)重W與偏置b組合實(shí)現(xiàn)隱含層線性輸出ht,ht再經(jīng)過輸出層可得到t時(shí)刻的輸出值。設(shè)隱含層的初始狀態(tài)矩陣為全零矩陣。

    如圖3所示,當(dāng)LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行前向傳播后,網(wǎng)絡(luò)輸出值與真實(shí)值之間的誤差計(jì)算式為式中:T表示為預(yù)測(cè)電池SOC選取的序列長(zhǎng)度;yt和y*t分別表示t時(shí)刻電池SOC的預(yù)測(cè)值和真實(shí)值。在每次迭代中,LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)都會(huì)進(jìn)行反向傳播,用Adam優(yōu)化方法[21]更新網(wǎng)絡(luò)權(quán)重和偏置:

    式中:mε和γε分別為第ε時(shí)間步時(shí)的初始L1、L2正則化衰減矩陣;ε和ε分別為mε和γε更新后的矩陣;衰減因子β1和β2通常在0.900至0.999之間取值;學(xué)習(xí)速率α一般設(shè)置為0.000 1;常數(shù)θ=1×10-8;Wε為權(quán)重矩陣。當(dāng)達(dá)到最大迭代次數(shù)后網(wǎng)絡(luò)訓(xùn)練結(jié)束,此時(shí)將訓(xùn)練好的模型保存,并挑選出符合性能要求的網(wǎng)絡(luò)模型供預(yù)測(cè)使用。

    2 實(shí)驗(yàn)測(cè)試與數(shù)據(jù)預(yù)處理

    2.1 實(shí)驗(yàn)測(cè)試

    本文采用與特斯拉電動(dòng)汽車相似的電池單元——松下公司生產(chǎn)的NCR18650PF鋰離子電池作為實(shí)驗(yàn)對(duì)象,該電池單元參數(shù)如下:電池質(zhì)量47.5 g,額定電壓3.6 V,額定電池容量2.9 A·h,額定內(nèi)阻35 mΩ,最大充電電壓4.2 V,放電截止電壓2.5 V,放電溫度-20~60 ℃。

    建立的單節(jié)電池充放電實(shí)驗(yàn)測(cè)試臺(tái)如圖4所示,主要由單節(jié)鋰離子電池、Chroma充電儀、WT1600功率儀和溫度傳感器構(gòu)成:Chroma充電儀可按照設(shè)定電壓、電流對(duì)電池進(jìn)行充電;WT1600功率儀可實(shí)現(xiàn)對(duì)電池電壓、電流的采集功能。所有實(shí)驗(yàn)均在室溫下進(jìn)行。

    為獲取電池放電數(shù)據(jù)用以訓(xùn)練和驗(yàn)證LSTM循環(huán)神經(jīng)網(wǎng)絡(luò),電池以4.2 V/2.9 A充電模式進(jìn)行充電,如果電池電壓保持在4.2 V,充電電流降至50 mA,則表示電池已充滿。充電結(jié)束后,將電池在室溫下靜置1 h,接0.5 Ω電阻對(duì)電池恒阻放電,記錄放出電量;如果電池電壓下降至2.5 V則表示電池電量全部放完;將電池再次靜置1 h,重新進(jìn)行充放電實(shí)驗(yàn),并記錄數(shù)據(jù);在室溫環(huán)境下,對(duì)電池重復(fù)充放電5次,獲得5組數(shù)據(jù)。這5組數(shù)據(jù)顯示的電池在放電階段的電壓、電流及其表面溫度變化曲線見圖5。

    選取其中4組數(shù)據(jù)作為L(zhǎng)STM循環(huán)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集,剩下的1組作為測(cè)試集。WT1600功率儀的誤差為±0.1%,精確度很高,可利用WT1600功率儀獲得電池真實(shí)SOC值。將基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果與真實(shí)值進(jìn)行比較。采用統(tǒng)計(jì)誤差評(píng)估LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的性能,統(tǒng)計(jì)誤差包括均方根誤差,平均絕對(duì)誤差和最大絕對(duì)誤差,計(jì)算式分別如下:

    2.2 數(shù)據(jù)預(yù)處理

    通過適當(dāng)?shù)臄?shù)據(jù)預(yù)處理,可以使網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)更加有效和穩(wěn)健。使用算術(shù)平均濾波法讓每組原始數(shù)據(jù)平滑化,再歸一化所有數(shù)據(jù),提高網(wǎng)絡(luò)模型訓(xùn)練時(shí)的收斂速度。利用下式把輸入和輸出數(shù)據(jù)歸一化到0與1之間:

    式中:xmax和xmin是LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)x的最大值和最小值。

    3 實(shí)驗(yàn)結(jié)果分析

    如前所述,Xt為第t時(shí)刻神經(jīng)網(wǎng)絡(luò)的輸入序列,Xt=(Vt,It,Tt),其中Vt為電池電壓,It為電池電流, Tt為電池表面溫度。經(jīng)過訓(xùn)練后,神經(jīng)網(wǎng)絡(luò)可自學(xué)得到整個(gè)網(wǎng)絡(luò)參數(shù),見圖6。

    設(shè)置LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)為單個(gè)LSTM細(xì)胞核,隱含層神經(jīng)元個(gè)數(shù)n為320,批大小為200,最大迭代次數(shù)為200,用4組數(shù)據(jù)去訓(xùn)練神經(jīng)網(wǎng)絡(luò),總用時(shí)117 s。得到的模型用剩下的1組數(shù)據(jù)進(jìn)行驗(yàn)證,得到預(yù)測(cè)結(jié)果的均方根誤差、平均絕對(duì)誤差和最大絕對(duì)誤差分別為0.986%、0.455%和1.96%,預(yù)測(cè)值與真實(shí)值偏離程度很小,因此可以確定能夠使用LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)建立電池SOC預(yù)測(cè)模型,該預(yù)測(cè)模型的性能見圖7。

    3.1 神經(jīng)網(wǎng)絡(luò)超參數(shù)設(shè)定對(duì)預(yù)測(cè)結(jié)果的影響

    隱含層神經(jīng)元個(gè)數(shù)n、批大小是LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)重要的超參數(shù),其中批大小為一次訓(xùn)練的樣本數(shù)目,它將整個(gè)樣本分為若干個(gè)小批次輸入神經(jīng)網(wǎng)絡(luò),這2個(gè)超參數(shù)的設(shè)定對(duì)模型預(yù)測(cè)精度有重要影響。

    設(shè)置隱含層為單個(gè)LSTM細(xì)胞核,批大小為512,最大迭代次數(shù)為200,隱含層神經(jīng)元個(gè)數(shù)分別為80、260和440。在隱含層神經(jīng)元個(gè)數(shù)n不同的情況下,選擇神經(jīng)網(wǎng)絡(luò)總訓(xùn)練時(shí)間、均方根誤差、平均絕對(duì)誤差和最大絕對(duì)誤差對(duì)模型預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià),見圖8和9。

    隨著隱含層神經(jīng)元個(gè)數(shù)n的增加,預(yù)測(cè)模型的訓(xùn)練時(shí)間增加,雖然平均絕對(duì)誤差和均方根誤差呈現(xiàn)下降趨勢(shì),但整體來說隱含層神經(jīng)元個(gè)數(shù)的增加對(duì)這兩種誤差的減少并沒有太大作用;隨著隱含層神經(jīng)元個(gè)數(shù)n的增加,最大絕對(duì)誤差下降較明顯,當(dāng)n=80時(shí)最大絕對(duì)誤差大于6%,當(dāng)n=440時(shí)最大絕對(duì)誤差小于4%。為實(shí)現(xiàn)預(yù)測(cè)模型的準(zhǔn)確可靠性,同時(shí)考慮模型訓(xùn)練時(shí)間,應(yīng)適當(dāng)增加隱含層神經(jīng)元的個(gè)數(shù)。

    為驗(yàn)證批大小對(duì)預(yù)測(cè)結(jié)果的影響,設(shè)置隱含層為單個(gè)LSTM細(xì)胞核,隱含層神經(jīng)元個(gè)數(shù)n為200, 最大迭代次數(shù)為200,批大小分別取200、356和512,不同批大小情況下訓(xùn)練出的LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果和預(yù)測(cè)誤差見表1和圖10。

    由表1可知:當(dāng)批大小增大時(shí),網(wǎng)絡(luò)總訓(xùn)練時(shí)間會(huì)減少;批大小的增加會(huì)使最大絕對(duì)誤差變大,但使均方根誤差和平均絕對(duì)誤差減小,提高了網(wǎng)絡(luò)預(yù)測(cè)的整體精度。為減少網(wǎng)絡(luò)總訓(xùn)練時(shí)間,應(yīng)當(dāng)增大批大小,但又考慮到預(yù)測(cè)結(jié)果的最大絕對(duì)誤差限制,不能將批大小增至過大,否則預(yù)測(cè)結(jié)果的最大絕對(duì)誤差超過5%,導(dǎo)致預(yù)測(cè)結(jié)果不準(zhǔn)確。

    3.2 LSTM細(xì)胞核個(gè)數(shù)對(duì)預(yù)測(cè)結(jié)果的影響

    為體現(xiàn)多個(gè)LSTM細(xì)胞核對(duì)預(yù)測(cè)結(jié)果的影響,在隱含層分別設(shè)計(jì)1、2、3個(gè)LSTM細(xì)胞核,每個(gè)LSTM細(xì)胞核的神經(jīng)元個(gè)數(shù)為320,批大小為400,最大迭代次數(shù)為200,分析對(duì)比在隱含層中LSTM細(xì)胞核個(gè)數(shù)不同時(shí)的預(yù)測(cè)結(jié)果和預(yù)測(cè)誤差,見圖11。

    a)預(yù)測(cè)結(jié)果

    b)預(yù)測(cè)誤差

    LSTM隱含層被設(shè)計(jì)有1個(gè)或2個(gè)LSTM細(xì)胞核時(shí),都能保證預(yù)測(cè)誤差在4%以下;當(dāng)隱含層被設(shè)計(jì)有3個(gè)LSTM細(xì)胞核時(shí),預(yù)測(cè)誤差較大,在電池SOC到達(dá)40%后,預(yù)測(cè)誤差大于5%,不能實(shí)現(xiàn)準(zhǔn)確預(yù)測(cè)。因此,隱含層LSTM細(xì)胞核個(gè)數(shù)應(yīng)該小于3個(gè),以防止訓(xùn)練出來的預(yù)測(cè)網(wǎng)格出現(xiàn)過擬合情況,從而不能達(dá)到良好的預(yù)測(cè)效果。

    4 結(jié) 論

    針對(duì)鋰離子電池荷電狀態(tài)(SOC)預(yù)測(cè)問題,提出了基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的鋰離子電池SOC預(yù)測(cè)方法。本文主要解決了4個(gè)問題:解決了以往電池SOC預(yù)測(cè)的電池物理建模問題,利用LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)將電池相關(guān)測(cè)量值(電壓、電流和表面溫度)直接映射到電池SOC;讓研究人員從人工計(jì)算電池模型參數(shù)或者預(yù)測(cè)算法(如卡爾曼濾波算法)參數(shù)中解放出來,LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)可利用收集得到的原始數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)所有網(wǎng)絡(luò)參數(shù);電池SOC預(yù)測(cè)精度提高,即通過實(shí)驗(yàn)驗(yàn)證,所建立的預(yù)測(cè)模型最大絕對(duì)誤差小于2%,低于實(shí)際應(yīng)用要求的5%,滿足實(shí)際應(yīng)用要求;關(guān)于基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的電池SOC預(yù)測(cè)模型的設(shè)計(jì)問題,通過對(duì)比LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)神經(jīng)元個(gè)數(shù)、批大小這2個(gè)重要超參數(shù)以及LSTM細(xì)胞核個(gè)數(shù)對(duì)預(yù)測(cè)誤差的影響可得到,在保證預(yù)測(cè)精度的前提下,LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)神經(jīng)元個(gè)數(shù)、批大小不宜過大,LSTM細(xì)胞核個(gè)數(shù)應(yīng)該小于3個(gè),以防止訓(xùn)練出來的預(yù)測(cè)模型出現(xiàn)過擬合情況。總之,LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)經(jīng)過實(shí)驗(yàn)驗(yàn)證并獲得了良好的性能。事實(shí)證明,它是鋰離子電池SOC預(yù)測(cè)的強(qiáng)大工具,也可能是未來工作中可能考慮的其他電池的診斷策略。鑒于能量存儲(chǔ)系統(tǒng)產(chǎn)生的數(shù)據(jù)量,考慮用機(jī)器學(xué)習(xí)算法來執(zhí)行狀態(tài)和參數(shù)估計(jì)是很自然的,本文展示了這些算法是如何自學(xué)來預(yù)測(cè)模型的參數(shù)的,討論并研究了LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)用于電池SOC預(yù)測(cè)時(shí)網(wǎng)絡(luò)超參數(shù)和細(xì)胞核個(gè)數(shù)的設(shè)定方式,即使暴露在稀缺的數(shù)據(jù)集中,也能實(shí)現(xiàn)競(jìng)爭(zhēng)性評(píng)估績(jī)效。

    參考文獻(xiàn):

    [1]費(fèi)亞龍, 謝長(zhǎng)君, 湯澤波, 等. 基于平方根無跡卡爾曼濾波的鋰電池狀態(tài)估計(jì)[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2017, 37(15): 4514-4520. DOI: 10.13334/j.0258-8013.pcsee.161687.

    [2]于海芳, 逯仁貴, 朱春波, 等. 基于安時(shí)法的鎳氫電池SOC估計(jì)誤差校正[J]. 電工技術(shù)學(xué)報(bào), 2012, 27(6): 12-18. DOI: 10.19595/j.cnki.1000-6753.tces.2012.06.003.

    [3]WENG Caihao, SUN Jing, PENG Huei. A unified open-circuit-voltage model of lithiumion batteries for state-of-charge estimation and state-of-health monitoring[J]. Journal of Power Sources, 2014, 258(14): 228-237. DOI: 10.1016/j.jpowsour.2014.02.026.

    [4]李革臣, 古艷磊. 電化學(xué)阻抗譜法預(yù)測(cè)鋰電池荷電狀態(tài)[J]. 電源技術(shù), 2008, 32(9): 599-602.

    [5]孫東, 陳息坤. 基于離散滑模觀測(cè)器的鋰電池荷電狀態(tài)估計(jì)[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2015, 35(1): 185-191. DOI: 10.13334/j.0258-8013.pcsee.2015.01.023.

    [6]WAAG W, FLEISCHER C, VIEJO C B, et al. Critical review of the methods for monitoring of lithium-ion battery in electric and hybrid vehicles[J]. Journal of Power Sources, 2014, 258: 321-339. DOI: 10.1016/j.jpowsour.2014.02.064.

    [7]MENG Jinhao, LUO Guangzhao, GAO Fei. Lithium polymer battery state-of-charge estimation based on adaptive unscented Kalman filter and support vector machine[J]. IEEE Transactions on Power Electronics, 2016, 31(3): 2226-2238. DOI: 10.1109/TPEL.2015.2439578.

    [8]ANTON J C A, NIETO P J G, JUEZ F E D C, et al. Battery state-of-charge estimator using the SVM technique[J]. Applied Mathematical Modeling, 2013, 37(9): 6244-6253. DOI: 10.1016/j.apm.2013.01.024.

    [9]DU Jiani, LIU Zhitao, WANG Youyi. State of charge estimation for Li-ion battery based on model from extreme learning machine[J]. Control Engineering Practice, 2014, 26: 11-19. DOI: 10.1016/j.conengprac.2013.12.014.

    [10]CHANG Wen-Yeau. Estimation of the state of charge for an LFP battery using a hybrid method that combines an RBF neural network, an OLS algorithm and AGA[J]. International Journal of Electrical Power and Energy Systems, 2013, 53: 603-611. DOI: 10.1016/j.ijepes.2013.05.038.

    [11]CHAOUI H, IBE-EKEOCHA C C. State of charge and state of health estimation for lithium batteries using recurrent neural networks[J]. IEEE Transactions on Vehicular Technology, 2017, 66(10): 8773-8783.

    [12]MEJDOUBI A E, OUKAOUR A, CHAOUI H, et al. State-of-charge and state-of-health lithiumion batteries diagnosis according to surface temperature varoation[J]. IEEE Transactions on Industrial Electronics, 2016, 63(4): 2391-2402. DOI: 10.1109/TIE.2015.2509916.

    [13]CHEN Lin, WANG Zhengzheng, LU Zhiqiang, et al. A novel state-of-charge estimation method of lithiumion batteries combining the grey model and genetic algorithms[J]. IEEE Transactions on Power Electronics, 2017, 33(10): 8797-8807. DOI: 10.1109/TPEL.2017.2782721.

    [14]劉毅, 譚國(guó)俊, 何曉俊. 優(yōu)化電池模型的自適應(yīng)Sigma卡爾曼荷電狀態(tài)估算[J]. 電工技術(shù)學(xué)報(bào), 2017, 32(2): 108-118.

    [15]潘海鴻, 呂治強(qiáng), 李君子, 等. 基于灰色擴(kuò)展卡爾曼濾波的鋰離子電池荷電狀態(tài)估算[J]. 電工技術(shù)學(xué)報(bào), 2017, 32(21): 1-8. DOI: 0.19595/j.cnki.1000-6753.tces.160837.

    [16]AUNG H, LOW K S, GOH S T. State-of-charge estimation of lithiumion battery using square root spherical unscented Kalman filter (Sqrt-UKFST) in nanosatellite[J]. IEEE Transactions on Power Electronics, 2015, 30(9): 4774-4783. DOI: 10.1109/TPEL.2014.2361755.

    [17]SHENG Hanmin, XIAO Jian, WANG Peng. Lithium iron phosphate battery electric vehicle state-of-charge estimation based on evolutionary Gaussian mixture regression[J]. IEEE Transactions on Industrial Electronics, 2017, 64(1): 544-551. DOI: 10.1109/TIE.2016.2606588.

    [18]ANTON J C A, NEITO P J G, VIEJO C B, et al. Support vector machines used to estimate the battery state of charge[J]. IEEE Transactions on Power Electronics, 2013, 28(12): 5919-5926. DOI: 10.1109/TPEL.2013.2243918.

    [19]王琪, 孫玉坤, 倪福銀, 等. 一種混合動(dòng)力電動(dòng)汽車電池荷電狀態(tài)預(yù)測(cè)的新方法[J]. 電工技術(shù)學(xué)報(bào), 2016, 31(9): 189-196. DOI: 10.3969/j.issn.1000-6753.2016.09.024.

    [20]HOCHREITER S, SCHMIDHUBER J. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735-1780.

    [21]KINGMA D P, BA J L. Adam: a method for stochastic optimization[C]//3rd International Conference for Learning Representations, San Diego, 2015. arXiv:1412.6980[cs.LG]. https://arxiv.org/abs/1412.6980.

    (編輯 趙勉)

    黄片无遮挡物在线观看| 国产欧美日韩一区二区三区在线| 2022亚洲国产成人精品| 欧美黄色片欧美黄色片| 国产不卡av网站在线观看| 日韩视频在线欧美| 韩国精品一区二区三区| 欧美日韩亚洲高清精品| 丰满饥渴人妻一区二区三| 欧美精品亚洲一区二区| 国产老妇伦熟女老妇高清| 午夜老司机福利剧场| 男男h啪啪无遮挡| 免费观看性生交大片5| 啦啦啦在线免费观看视频4| 在线观看国产h片| 青春草亚洲视频在线观看| 亚洲精品国产色婷婷电影| 亚洲欧洲精品一区二区精品久久久 | 亚洲伊人色综图| 国产精品99久久99久久久不卡 | 亚洲av免费高清在线观看| 最近手机中文字幕大全| 免费在线观看视频国产中文字幕亚洲 | 亚洲国产欧美在线一区| 制服诱惑二区| 久久99蜜桃精品久久| 国产精品成人在线| 91国产中文字幕| 男女啪啪激烈高潮av片| 1024视频免费在线观看| 1024视频免费在线观看| 久久精品亚洲av国产电影网| 如日韩欧美国产精品一区二区三区| 如日韩欧美国产精品一区二区三区| 制服诱惑二区| 国产麻豆69| 精品一区二区三区四区五区乱码 | 中文字幕精品免费在线观看视频| 亚洲精品国产av成人精品| 欧美国产精品va在线观看不卡| 高清欧美精品videossex| 国产精品嫩草影院av在线观看| 在现免费观看毛片| av女优亚洲男人天堂| 九色亚洲精品在线播放| 亚洲欧美精品综合一区二区三区 | h视频一区二区三区| 国产精品国产av在线观看| av视频免费观看在线观看| 免费在线观看完整版高清| 久久精品国产亚洲av涩爱| 久久久国产精品麻豆| 国产精品av久久久久免费| 最近最新中文字幕大全免费视频 | 性色av一级| 欧美成人精品欧美一级黄| 国产深夜福利视频在线观看| 男女午夜视频在线观看| 国产一区有黄有色的免费视频| 久久久a久久爽久久v久久| 国产乱人偷精品视频| 国产又爽黄色视频| 午夜福利乱码中文字幕| 黄片小视频在线播放| 99国产精品免费福利视频| 伦理电影大哥的女人| 国产高清不卡午夜福利| 男女免费视频国产| 日韩一本色道免费dvd| 一区二区三区精品91| 免费观看a级毛片全部| 免费在线观看黄色视频的| 人人妻人人爽人人添夜夜欢视频| 久久亚洲国产成人精品v| 老汉色av国产亚洲站长工具| 亚洲经典国产精华液单| 亚洲欧美一区二区三区黑人 | 国产在视频线精品| 亚洲国产精品成人久久小说| 国产乱来视频区| 国产精品久久久久久精品古装| 狠狠精品人妻久久久久久综合| 国产日韩欧美亚洲二区| 免费少妇av软件| 国产又色又爽无遮挡免| 久久久久国产网址| 久久国产精品大桥未久av| 亚洲av日韩在线播放| 久久免费观看电影| 亚洲美女黄色视频免费看| 国产欧美日韩综合在线一区二区| 日韩中文字幕视频在线看片| 亚洲精品国产一区二区精华液| 青春草亚洲视频在线观看| 美女福利国产在线| 欧美国产精品va在线观看不卡| 精品少妇一区二区三区视频日本电影 | 久久久亚洲精品成人影院| av福利片在线| 精品久久蜜臀av无| 青春草亚洲视频在线观看| 精品卡一卡二卡四卡免费| 亚洲国产色片| 热re99久久精品国产66热6| 亚洲图色成人| 久久精品熟女亚洲av麻豆精品| 另类亚洲欧美激情| 成人免费观看视频高清| 久久99一区二区三区| 国产精品偷伦视频观看了| 亚洲av.av天堂| 九草在线视频观看| 99精国产麻豆久久婷婷| 一级片免费观看大全| 男人操女人黄网站| 成人国产av品久久久| 国产亚洲av片在线观看秒播厂| 国产av一区二区精品久久| 女性生殖器流出的白浆| 亚洲一码二码三码区别大吗| 久久99蜜桃精品久久| 国产成人免费观看mmmm| 夫妻午夜视频| 国产成人免费无遮挡视频| 老司机亚洲免费影院| 亚洲国产欧美日韩在线播放| 天天影视国产精品| 久久久久精品人妻al黑| 久久人妻熟女aⅴ| 91国产中文字幕| 色吧在线观看| 久久久久久久久免费视频了| 婷婷色综合www| 国产乱来视频区| av在线老鸭窝| 91精品三级在线观看| 狠狠婷婷综合久久久久久88av| 超色免费av| 一级毛片 在线播放| 久久热在线av| 国产在视频线精品| 国产精品久久久久久精品古装| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲第一青青草原| 精品国产乱码久久久久久男人| 青草久久国产| 国产一区亚洲一区在线观看| 校园人妻丝袜中文字幕| 国产精品嫩草影院av在线观看| 女的被弄到高潮叫床怎么办| 亚洲第一av免费看| 免费在线观看完整版高清| 国产av码专区亚洲av| 免费人妻精品一区二区三区视频| av免费在线看不卡| 免费av中文字幕在线| 99九九在线精品视频| 秋霞在线观看毛片| 涩涩av久久男人的天堂| 国产伦理片在线播放av一区| 久久人妻熟女aⅴ| 波多野结衣一区麻豆| xxx大片免费视频| 久久99热这里只频精品6学生| 日本欧美国产在线视频| 飞空精品影院首页| 美女午夜性视频免费| 欧美激情极品国产一区二区三区| 欧美精品一区二区大全| 国产欧美日韩综合在线一区二区| 国产精品欧美亚洲77777| 国语对白做爰xxxⅹ性视频网站| 亚洲精品中文字幕在线视频| 人妻 亚洲 视频| 国产男女超爽视频在线观看| 免费高清在线观看视频在线观看| 色吧在线观看| 久久99热这里只频精品6学生| 亚洲国产精品成人久久小说| 伊人久久国产一区二区| 午夜福利,免费看| 电影成人av| 少妇人妻久久综合中文| 午夜免费鲁丝| 国产精品久久久久久精品电影小说| 在线观看人妻少妇| 精品人妻熟女毛片av久久网站| 亚洲一区二区三区欧美精品| 免费不卡的大黄色大毛片视频在线观看| 日本av手机在线免费观看| 777久久人妻少妇嫩草av网站| 乱人伦中国视频| 午夜福利,免费看| 永久免费av网站大全| 又大又黄又爽视频免费| 亚洲欧洲精品一区二区精品久久久 | 久久国产精品大桥未久av| 两性夫妻黄色片| 亚洲欧洲日产国产| 人妻人人澡人人爽人人| 国产成人欧美| 免费看不卡的av| 人成视频在线观看免费观看| 国产成人91sexporn| 国产综合精华液| 日韩 亚洲 欧美在线| 在线观看一区二区三区激情| 伦理电影大哥的女人| 最新的欧美精品一区二区| 中文字幕色久视频| 国产精品久久久久久av不卡| a级毛片黄视频| 一个人免费看片子| 亚洲av电影在线进入| 久久精品亚洲av国产电影网| www.精华液| 欧美 亚洲 国产 日韩一| 天天躁夜夜躁狠狠躁躁| 18禁国产床啪视频网站| 永久免费av网站大全| av免费在线看不卡| 一二三四中文在线观看免费高清| 另类精品久久| 国产成人午夜福利电影在线观看| 永久免费av网站大全| 日日撸夜夜添| 最近中文字幕高清免费大全6| 建设人人有责人人尽责人人享有的| 久久婷婷青草| 成年美女黄网站色视频大全免费| 精品久久久久久电影网| 啦啦啦中文免费视频观看日本| 免费黄色在线免费观看| 久久久a久久爽久久v久久| 精品酒店卫生间| 国产 一区精品| 9色porny在线观看| 水蜜桃什么品种好| 欧美97在线视频| 免费观看av网站的网址| 久久精品久久久久久噜噜老黄| 黄色怎么调成土黄色| 激情视频va一区二区三区| 久久久欧美国产精品| 亚洲精品aⅴ在线观看| 亚洲国产欧美在线一区| 欧美日韩国产mv在线观看视频| 伊人久久大香线蕉亚洲五| 久久精品国产亚洲av涩爱| 久久99蜜桃精品久久| 国产人伦9x9x在线观看 | 欧美xxⅹ黑人| 美女国产视频在线观看| 精品卡一卡二卡四卡免费| 国产欧美日韩一区二区三区在线| 成年人免费黄色播放视频| 午夜日本视频在线| 国产精品三级大全| 老司机影院成人| 波多野结衣av一区二区av| 叶爱在线成人免费视频播放| 国产精品亚洲av一区麻豆 | 卡戴珊不雅视频在线播放| 999久久久国产精品视频| 国产精品二区激情视频| 青草久久国产| 青青草视频在线视频观看| 亚洲成人一二三区av| 国产探花极品一区二区| 亚洲精品,欧美精品| 国产综合精华液| 久久精品久久久久久久性| 欧美黄色片欧美黄色片| 大香蕉久久成人网| 久久综合国产亚洲精品| 天堂俺去俺来也www色官网| a级片在线免费高清观看视频| 亚洲激情五月婷婷啪啪| 欧美国产精品一级二级三级| 黄色视频在线播放观看不卡| 人妻 亚洲 视频| a级毛片在线看网站| 男女边吃奶边做爰视频| 黄色视频在线播放观看不卡| 久久久精品免费免费高清| 亚洲激情五月婷婷啪啪| 激情五月婷婷亚洲| 久久久久国产精品人妻一区二区| 秋霞伦理黄片| 久久久亚洲精品成人影院| 男女国产视频网站| 一边摸一边做爽爽视频免费| 亚洲国产精品999| 亚洲美女黄色视频免费看| 人人妻人人添人人爽欧美一区卜| 成人二区视频| 久久鲁丝午夜福利片| 视频区图区小说| av卡一久久| 乱人伦中国视频| 中文字幕另类日韩欧美亚洲嫩草| 一边亲一边摸免费视频| 国产精品99久久99久久久不卡 | 考比视频在线观看| 日韩一本色道免费dvd| 久久午夜综合久久蜜桃| 婷婷成人精品国产| 黄色配什么色好看| 免费播放大片免费观看视频在线观看| 久久午夜福利片| videos熟女内射| 寂寞人妻少妇视频99o| 熟女少妇亚洲综合色aaa.| 一级a爱视频在线免费观看| 黄片小视频在线播放| 国产极品粉嫩免费观看在线| 99久久综合免费| 久久久a久久爽久久v久久| 亚洲一码二码三码区别大吗| 男女高潮啪啪啪动态图| 亚洲精品在线美女| 黄色一级大片看看| 七月丁香在线播放| 春色校园在线视频观看| 美女中出高潮动态图| 18在线观看网站| 久久精品久久精品一区二区三区| 熟妇人妻不卡中文字幕| 老司机影院毛片| 777米奇影视久久| 亚洲精品成人av观看孕妇| 亚洲男人天堂网一区| 久久久久精品久久久久真实原创| 一级毛片我不卡| 亚洲精品久久成人aⅴ小说| 大香蕉久久成人网| 日日摸夜夜添夜夜爱| 丁香六月天网| 亚洲av欧美aⅴ国产| 在线观看国产h片| 欧美日韩亚洲高清精品| 丝袜美腿诱惑在线| 欧美中文综合在线视频| 亚洲精品在线美女| 久久久久久久久久久免费av| 国产精品亚洲av一区麻豆 | 777久久人妻少妇嫩草av网站| 熟女av电影| 久久久久精品久久久久真实原创| 午夜老司机福利剧场| 精品视频人人做人人爽| 亚洲精品,欧美精品| 在线观看免费高清a一片| 天天影视国产精品| 欧美成人精品欧美一级黄| 成人亚洲精品一区在线观看| av又黄又爽大尺度在线免费看| 色婷婷久久久亚洲欧美| 亚洲精品一二三| 婷婷色综合大香蕉| 一级毛片我不卡| 成年女人在线观看亚洲视频| 黄片无遮挡物在线观看| 精品卡一卡二卡四卡免费| 一区福利在线观看| 欧美日韩视频精品一区| 久久精品国产综合久久久| 亚洲精品久久成人aⅴ小说| 午夜av观看不卡| av不卡在线播放| 午夜福利,免费看| 色婷婷av一区二区三区视频| 黄色视频在线播放观看不卡| 成年人免费黄色播放视频| 精品久久蜜臀av无| 国产亚洲一区二区精品| 久久女婷五月综合色啪小说| 高清av免费在线| 欧美亚洲日本最大视频资源| 大陆偷拍与自拍| 黑人猛操日本美女一级片| 国产成人欧美| 免费女性裸体啪啪无遮挡网站| 国产人伦9x9x在线观看 | 欧美人与性动交α欧美精品济南到 | 久久国产亚洲av麻豆专区| 精品视频人人做人人爽| 国产熟女午夜一区二区三区| 一本大道久久a久久精品| 亚洲精华国产精华液的使用体验| 日韩不卡一区二区三区视频在线| 中文乱码字字幕精品一区二区三区| 国产成人一区二区在线| 亚洲伊人久久精品综合| 97人妻天天添夜夜摸| 免费大片黄手机在线观看| 国产精品人妻久久久影院| 黄网站色视频无遮挡免费观看| 看十八女毛片水多多多| 欧美日韩亚洲国产一区二区在线观看 | 自拍欧美九色日韩亚洲蝌蚪91| 99热全是精品| 午夜福利在线免费观看网站| 熟女少妇亚洲综合色aaa.| 亚洲国产欧美日韩在线播放| 欧美日韩一区二区视频在线观看视频在线| 丰满乱子伦码专区| 99久久人妻综合| 亚洲一区二区三区欧美精品| 久久午夜福利片| 亚洲精品一二三| 成人国产av品久久久| 大香蕉久久成人网| 人妻人人澡人人爽人人| 亚洲欧美成人精品一区二区| 精品久久久久久电影网| 少妇人妻精品综合一区二区| 90打野战视频偷拍视频| 亚洲精品国产色婷婷电影| 91成人精品电影| 成人手机av| 亚洲四区av| 免费大片黄手机在线观看| 丰满乱子伦码专区| 亚洲av在线观看美女高潮| 视频在线观看一区二区三区| 亚洲国产欧美网| 国产毛片在线视频| 亚洲国产欧美在线一区| 香蕉精品网在线| 国产精品 国内视频| 少妇猛男粗大的猛烈进出视频| 久久婷婷青草| 精品一区二区免费观看| 免费看av在线观看网站| 久久免费观看电影| 97在线视频观看| 一区二区三区激情视频| 男女免费视频国产| 黄片播放在线免费| 国产精品久久久av美女十八| 久久精品国产亚洲av高清一级| 久久久国产一区二区| 中文字幕亚洲精品专区| 国产一区二区三区综合在线观看| 日本vs欧美在线观看视频| 国产亚洲一区二区精品| 黄频高清免费视频| 久久久久久久精品精品| 成人午夜精彩视频在线观看| 亚洲国产av影院在线观看| 建设人人有责人人尽责人人享有的| 久久人妻熟女aⅴ| 中文字幕av电影在线播放| 80岁老熟妇乱子伦牲交| 18禁裸乳无遮挡动漫免费视频| 美女视频免费永久观看网站| 国产成人精品无人区| 国产免费视频播放在线视频| 18禁国产床啪视频网站| av又黄又爽大尺度在线免费看| 免费黄网站久久成人精品| 黄色配什么色好看| 一级毛片电影观看| videos熟女内射| av免费观看日本| 国产黄色视频一区二区在线观看| 一级毛片黄色毛片免费观看视频| 成人漫画全彩无遮挡| 午夜影院在线不卡| 免费人妻精品一区二区三区视频| 欧美国产精品va在线观看不卡| 五月开心婷婷网| 国产成人av激情在线播放| 美女中出高潮动态图| 日日撸夜夜添| 晚上一个人看的免费电影| 日韩av在线免费看完整版不卡| 99久国产av精品国产电影| 国产免费现黄频在线看| xxxhd国产人妻xxx| 老汉色av国产亚洲站长工具| 免费av中文字幕在线| 免费黄频网站在线观看国产| 精品国产乱码久久久久久小说| 麻豆精品久久久久久蜜桃| 免费观看在线日韩| 9191精品国产免费久久| 精品少妇黑人巨大在线播放| 亚洲精品国产色婷婷电影| 国产成人精品一,二区| 亚洲伊人久久精品综合| 老汉色∧v一级毛片| 日产精品乱码卡一卡2卡三| 2021少妇久久久久久久久久久| 性高湖久久久久久久久免费观看| 亚洲情色 制服丝袜| 午夜免费观看性视频| 亚洲成国产人片在线观看| 熟妇人妻不卡中文字幕| 波多野结衣一区麻豆| 一级黄片播放器| 亚洲av欧美aⅴ国产| 欧美国产精品va在线观看不卡| 波野结衣二区三区在线| 日日摸夜夜添夜夜爱| 亚洲久久久国产精品| 久久午夜综合久久蜜桃| 国产av一区二区精品久久| 精品久久蜜臀av无| 精品亚洲成a人片在线观看| 精品国产一区二区久久| 国产成人欧美| 国产一区二区三区av在线| 侵犯人妻中文字幕一二三四区| 亚洲精品aⅴ在线观看| 免费在线观看视频国产中文字幕亚洲 | 久久人人97超碰香蕉20202| 香蕉国产在线看| 在线观看www视频免费| 免费高清在线观看视频在线观看| 国产精品免费视频内射| 成人毛片60女人毛片免费| 我要看黄色一级片免费的| 叶爱在线成人免费视频播放| 精品国产国语对白av| 女人久久www免费人成看片| 国精品久久久久久国模美| 久久久久国产网址| 观看美女的网站| 欧美黄色片欧美黄色片| 亚洲av电影在线观看一区二区三区| 久热这里只有精品99| 国产精品免费大片| 成年女人在线观看亚洲视频| 自拍欧美九色日韩亚洲蝌蚪91| 久久久a久久爽久久v久久| 日韩大片免费观看网站| 精品亚洲乱码少妇综合久久| 亚洲美女视频黄频| 伊人久久大香线蕉亚洲五| 又大又黄又爽视频免费| 国产精品蜜桃在线观看| 免费观看a级毛片全部| 黄色 视频免费看| 日本色播在线视频| 亚洲精品在线美女| 国产精品无大码| 婷婷成人精品国产| 成人黄色视频免费在线看| 激情视频va一区二区三区| 亚洲精品,欧美精品| 国产无遮挡羞羞视频在线观看| 91午夜精品亚洲一区二区三区| 九色亚洲精品在线播放| 男女边摸边吃奶| 水蜜桃什么品种好| 天天躁夜夜躁狠狠久久av| 九色亚洲精品在线播放| 亚洲精品日韩在线中文字幕| 韩国av在线不卡| freevideosex欧美| 麻豆精品久久久久久蜜桃| 大香蕉久久成人网| 超碰97精品在线观看| 观看av在线不卡| 中文字幕亚洲精品专区| 久久精品国产自在天天线| 999久久久国产精品视频| 精品一区二区三区四区五区乱码 | 欧美xxⅹ黑人| 亚洲国产色片| 亚洲av中文av极速乱| 精品少妇一区二区三区视频日本电影 | 亚洲欧美一区二区三区国产| 久久免费观看电影| 亚洲五月色婷婷综合| 亚洲精品日韩在线中文字幕| 国产精品国产三级国产专区5o| 免费人妻精品一区二区三区视频| 超碰97精品在线观看| 又大又黄又爽视频免费| av在线app专区| 色吧在线观看| 国产成人精品一,二区| 一级片'在线观看视频| 成年av动漫网址| 欧美亚洲 丝袜 人妻 在线| 激情视频va一区二区三区| 69精品国产乱码久久久| 日韩制服丝袜自拍偷拍| 中国三级夫妇交换| 亚洲三级黄色毛片| 国产视频首页在线观看| 亚洲久久久国产精品| 少妇猛男粗大的猛烈进出视频| 精品国产一区二区三区久久久樱花| 我要看黄色一级片免费的| 亚洲精品aⅴ在线观看| 一级黄片播放器| 制服诱惑二区| 18禁观看日本| 色婷婷av一区二区三区视频| 巨乳人妻的诱惑在线观看| www.熟女人妻精品国产| 亚洲久久久国产精品| 热re99久久国产66热| 免费女性裸体啪啪无遮挡网站| 欧美日韩精品网址| 免费人妻精品一区二区三区视频| 老汉色∧v一级毛片| 久久久精品国产亚洲av高清涩受| 国产亚洲精品第一综合不卡| 一级片'在线观看视频|