• <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 ?

    基于多尺度跳躍深度長短期記憶網(wǎng)絡(luò)的短期多變量負荷預(yù)測

    2021-01-21 03:23:34鄭楷洪鄭鎮(zhèn)境馬千里
    計算機應(yīng)用 2021年1期
    關(guān)鍵詞:模型

    肖 勇,鄭楷洪,鄭鎮(zhèn)境,錢 斌,李 森,馬千里*

    (1.南方電網(wǎng)科學研究院有限責任公司,廣州 510080;2.華南理工大學計算機科學與工程學院,廣州 510006)

    0 引言

    隨著社會經(jīng)濟的發(fā)展和人民生活水平的提高,對供電質(zhì)量提出了更高的要求。精確的電力負荷預(yù)測能為電量生產(chǎn)和供電調(diào)度提供可靠的指導,從而提升電力系統(tǒng)的供電質(zhì)量。

    傳統(tǒng)的電力負荷預(yù)測方法有時間序列分析[1]、回歸分析[2]和卡爾曼濾波[3]等。隨著人工智能技術(shù)的發(fā)展,神經(jīng)網(wǎng)絡(luò)[4-5]、支持向量回歸[6]和高斯過程[7]等智能方法被應(yīng)用于電力負荷預(yù)測,其中神經(jīng)網(wǎng)絡(luò)擁有較強的非線性擬合和自學習能力,能夠較好地解決傳統(tǒng)方法非線性擬合能力差的缺陷。循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)[8]是一類擁有循環(huán)連接的神經(jīng)網(wǎng)絡(luò),能夠?qū)r序數(shù)據(jù)進行建模。因此,在人工智能方法中使用RNN 為主體構(gòu)建的預(yù)測模型成為短期電力負荷預(yù)測模型的典型代表。雖然RNN 具有時序建模的能力,但存在“梯度消失”和“梯度爆炸”的問題。為了解決該問題,Hochreiter 等[9]提出了長短期記憶(Long Short-Term Memory,LSTM)網(wǎng)絡(luò)。文獻[10]和文獻[11]成功將LSTM 應(yīng)用到短期電力負荷預(yù)測中,提升了負荷預(yù)測精度。然而,短期電力負荷數(shù)據(jù)中存在著多尺度時序特征,其具體表現(xiàn)為在年、月、星期和日不同期限上均具有明顯的周期性[12]。近年來,在時間序列分類[13]和聚類[14]任務(wù)中,多尺度特征已經(jīng)展示出能有效提升模型性能的潛力。然而,如何高效地對存在于短期電力負荷數(shù)據(jù)中的多尺度時間結(jié)構(gòu)進行建模,進一步提升短期電力負荷預(yù)測的精度,仍未得到廣泛的研究。

    針對電力負荷數(shù)據(jù)中存在的多尺度時間結(jié)構(gòu),本文提出了一種基于多尺度跳躍深度LSTM(Multi-scale Skip Deep Long Short-Term Memory,MSD-LSTM)的短期電力負荷預(yù)測模型。該模型使用多層LSTM 網(wǎng)絡(luò)架構(gòu)并且每層設(shè)計不同的跳躍連接。LSTM能夠較好地對電力負荷進行建模,跳躍連接使得模型具有捕獲負荷數(shù)據(jù)中多尺度時序特征的能力。實驗結(jié)果證明該模型有效地提升了短期電力負荷預(yù)測的精度。

    本文的主要貢獻如下:

    1)提出了一種基于多尺度跳躍深度LSTM 的短期電力負荷預(yù)測模型,通過使用不同的跳躍連接來捕獲短期電力負荷數(shù)據(jù)中的多尺度時序結(jié)構(gòu)特征,幫助模型更好地進行負荷預(yù)測;

    2)兩個地區(qū)負荷數(shù)據(jù)的實驗結(jié)果表明所提出的短期負荷預(yù)測方法可以有效提高電力負荷預(yù)測精度。

    1 時間序列分析

    電力負荷數(shù)據(jù)從長期來看是波動變化的,但是這種波動變化會呈現(xiàn)出周期性和連續(xù)性的特點。對于短期電力負荷預(yù)測而言,其在年、月、星期、日不同期限上均具有明顯的周期性。

    圖1 所示為某地區(qū)四個星期的電力負荷變化曲線。從圖1 可以看出,每個星期中工作日的負荷值較為平穩(wěn),此時工業(yè)和商業(yè)用電主導。在休息日,負荷從工業(yè)和商業(yè)用電主導轉(zhuǎn)變?yōu)榧彝ビ秒娭鲗?,負荷值呈現(xiàn)下降趨勢。此外,從圖1 中可以看出電力負荷值在星期這個時間尺度上呈現(xiàn)出明顯的周期性。

    通過上述分析可以發(fā)現(xiàn),時間是短期電力負荷預(yù)測中重要的影響因素,這使得電力負荷數(shù)據(jù)呈現(xiàn)出規(guī)律波動的特點并具有明顯的周期性。針對短期電力負荷數(shù)據(jù)存在的周期性變化,本文利用多層LSTM 并且在每層設(shè)置不同的跳躍連接數(shù),顯式地建模電力負荷數(shù)據(jù)中存在的多尺度時間結(jié)構(gòu),從而更好地進行短期電力負荷預(yù)測。

    圖1 某地區(qū)四周的負荷變化曲線Fig.1 Four-week load curve of an area

    2 LSTM

    雖然RNN 具有時序建模的能力,能夠較好地應(yīng)用于電力負荷預(yù)測任務(wù),但在誤差反向傳播時,會存在“梯度消失”和“梯度爆炸”的問題。為了解決RNN 存在的問題,Hochreiter等[9]提出了LSTM。LSTM 通過專門地設(shè)計隱含層單元來解決長期依賴問題。不同于標準的RNN,LSTM 在隱含層的內(nèi)部設(shè)計了遺忘門、輸入門、輸出門以及細胞狀態(tài),這使得LSTM能夠擁有良好的長短期記憶能力。

    LSTM的隱含層單元可以看作一個細胞,細胞狀態(tài)保存了長期記憶。細胞狀態(tài)在每個時刻與當前輸入進行少量的線性交互,從而允許網(wǎng)絡(luò)在較長持續(xù)時間內(nèi)保存信息。此外,當信息被使用,網(wǎng)絡(luò)可以遺忘舊的狀態(tài)。

    LSTM 的隱含層內(nèi)部結(jié)構(gòu)如圖2 所示,其中xt表示t時刻LSTM 輸入變量,ht和ht-1分別表示t和t-1 時刻的隱含層狀態(tài),Ct和Ct-1分別表示t和t-1時刻的細胞狀態(tài),ft表示遺忘門的輸出,it表示輸入門的輸出,C~t表示t時刻用來更新細胞狀態(tài)的備選信息,ot表示輸出門的輸出,σ表示sigmoid函數(shù)。

    圖2 LSTM隱含層內(nèi)部結(jié)構(gòu)Fig.2 Hidden layer internal structure of LSTM

    式(1)中:Wf表示遺忘門權(quán)重矩陣,bf表示遺忘門偏置。根據(jù)式(1)和式(2)可知,ft為一個0 到1 的實數(shù),這決定了細胞狀態(tài)的遺忘比例。

    同樣的,式中的Wi和WC表示連接權(quán)重矩陣,bi和bC表示偏置。it為0到1的實數(shù)表示t時刻用來更新細胞狀態(tài)的備選信息,tanh(·)表示雙曲正切函數(shù)。

    在遺忘門中細胞狀態(tài)與ft相乘,遺忘需要丟棄的信息;在輸入門中再加上更新細胞狀態(tài)。這可以用以下公式表示:

    最后,LSTM 需要確定輸出什么值,這個輸出是基于經(jīng)過更新的細胞狀態(tài),具體過程可以用以下公式表示:

    其中:Wo表示輸出門權(quán)重矩陣,bo表示輸出門偏置。簡便起見,本文將LSTM 隱含層狀態(tài)的更新過程表示為函數(shù)FLSTM(·),在長短期記憶網(wǎng)絡(luò)的前向傳播過程中,隱含層狀態(tài)的更新公式為:

    3 基于MSD-LSTM的負荷預(yù)測模型

    3.1 MSD-LSTM

    LSTM 雖然有效地解決了RNN 存在的無法有效學習長時依賴的問題,但是電力負荷數(shù)據(jù)中存在著不同尺度的時間結(jié)構(gòu)特征,而LSTM 卻不具備捕捉多尺度時間特征的能力。針對該問題,本文對LSTM 進行改進,提出了一種基于多尺度跳躍深度長短期記憶(MSD-LSTM)網(wǎng)絡(luò)的短期負荷預(yù)測方法,使其具有捕捉電力負荷數(shù)據(jù)中多尺度時序信息的能力。MSD-LSTM 通過把LSTM 的拓撲結(jié)構(gòu)設(shè)計為多層并且加入循環(huán)跳躍連接[15],以此改變歷史信息與當前信息的交互周期,使得每層擁有了不同時間周期的建模能力,顯式地對電力負荷數(shù)據(jù)中的多尺度時間結(jié)構(gòu)進行建模。MSD-LSTM 的每一層使用不同循環(huán)跳躍尺度的LSTM,即每個時刻的隱含層狀態(tài)更新時依賴的不是上一個時刻的隱含層狀態(tài),而是依賴多個時刻之前的狀態(tài)。如圖3 所示,第一層的跳躍連接數(shù)為1,則第一層為傳統(tǒng)的LSTM;第二層的跳躍連接數(shù)為2,則隱含層狀態(tài)更新時依賴的是往前兩個時刻的隱含層狀態(tài);第三層的跳躍連接數(shù)為4,則隱含層狀態(tài)更新時依賴的是往前4個時刻的隱含層狀態(tài)。加入循環(huán)跳躍連接后的LSTM 的更新過程可以表示為:

    其中上標i表示層數(shù),后續(xù)模型部分的所有上標皆為該含義。

    在網(wǎng)絡(luò)訓練的前向傳播過程中,第一層LSTM 的輸入為預(yù)處理后的電力負荷數(shù)據(jù)以及天氣數(shù)據(jù)組成的多維變量序列,如圖3 中輸入數(shù)據(jù)為1 到T時刻的負荷數(shù)據(jù),維度為T×D,T表示輸入的時刻數(shù),D表示每個時刻輸入的向量的維度;輸出為T+1時刻的負荷預(yù)測值。天氣數(shù)據(jù)幫助模型更好地進行負荷預(yù)測。其余層的輸入為上一層LSTM 的輸出,最后把每一層最后一個時刻的隱含層狀態(tài)進行拼接后輸入到全連接層形成融合特征,利用該融合特征進行未來負荷值的預(yù)測。多層不同跳躍尺度的LSTM 前向傳播過程可以用下列公式表示:

    MSD-LSTM的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示,其中方框內(nèi)的圓形表示圖2的LSTM 單元,圓形左邊的箭頭表示接收上一個時刻的隱含層狀態(tài);右邊的箭頭當前時刻的隱含層狀態(tài)輸入到下一個時刻的LSTM 單元;下方的箭頭表示當前時刻的輸入;上方的箭頭表示當前時刻的LSTM 單元的輸出。使用前T個時刻的數(shù)據(jù)來預(yù)測T+1 時刻的負荷值,每個時刻的輸入為一個6維向量,即D為6,包含負荷數(shù)據(jù)以及天氣數(shù)據(jù)。網(wǎng)絡(luò)層數(shù)設(shè)為3 層,每一層的跳躍連接數(shù)分別為1,2 和4。最后,通過全連接層將每層LSTM 第T個時刻的隱含層狀態(tài)進行融合得到融合特征,利用該融合特征去預(yù)測下一時刻的負荷值。

    圖3 MSD-LSTM網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Structure of MSD-LSTM network

    MSD-LSTM 通過給每層LSTM 設(shè)計不同的跳躍連接數(shù),使得每層擁有不同時間周期的建模能力。本文研究的負荷預(yù)測是短期電力負荷預(yù)測,其在年、月、星期、日不同期限上均具有明顯的周期性。因此,MSD-LSTM 第一層的跳躍連接數(shù)設(shè)為1,捕捉日依賴關(guān)系;第二層的跳躍連接數(shù)設(shè)為7,捕捉周依賴關(guān)系;第三層的跳躍連接數(shù)設(shè)為30,捕捉月依賴關(guān)系。最后通過引入全連接層,把每層提取到的不同尺度信息進行融合,即將每層T時刻的隱含層狀態(tài)拼接后作為全連接層的輸入,實現(xiàn)多尺度結(jié)構(gòu)信息的融合,并把全連接層的輸出作為預(yù)測值,即T+1時刻的負荷值。全連接層可以使用以下公式表示:

    其中:Wfc為全連接層權(quán)重,b表示偏置,xT+1為全連接層的輸出,HT為各層LSTM 最后一個時刻隱含層狀態(tài)的拼接,可以用以下公式表示:

    3.2 基于MSD-LSTM的短期負荷預(yù)測算法流程

    步驟1 構(gòu)建時間序列數(shù)據(jù)進行訓練和測試。對電力負荷數(shù)據(jù)以及天氣數(shù)據(jù)進行歸一化,采取一步預(yù)測的方法并對歸一化后的數(shù)據(jù)做窗口滑動處理得到N條長度為T的負荷序列樣本集,即以前T個時間點的數(shù)據(jù)作為“特征”,下一個時間點的數(shù)據(jù)作為“標簽”。將樣本集按7∶3 的比例劃分為訓練集和測試集,即前0.7×N條序列作為訓練集,后0.3×N條序列作為測試集。

    步驟2 逐層構(gòu)建LSTM,每一層設(shè)置不同的跳躍連接以建模多尺度時序依賴關(guān)系。

    步驟3 構(gòu)建全連接層將各層LSTM 的依賴關(guān)系進行融合并把全連接層的輸出作為預(yù)測值形成多尺度跳躍深度LSTM模型。

    步驟4 訓練步驟3構(gòu)建的模型,在網(wǎng)絡(luò)訓練的前向傳播過程中,第一層LSTM 輸入為經(jīng)步驟1 處理過的訓練數(shù)據(jù)集,其余層的輸入為上一層LSTM 的輸出,把每一層最后一個時刻的隱含層狀態(tài)進行拼接后輸入到全連接層形成融合特征,利用該融合特征進行未來負荷值的預(yù)測。在網(wǎng)絡(luò)訓練的反向傳播過程中,使用基于時間的反向傳播(BackPropagation Through Time,BPTT)算法[16]來最小化損失函數(shù),即均方誤差,從而優(yōu)化模型的參數(shù)。

    步驟5 使用訓練后的模型對經(jīng)步驟1 處理過的電力負荷測試數(shù)據(jù)集進行預(yù)測,計算預(yù)測值和真實值之間的均方誤差。

    4 實驗分析與比較

    4.1 數(shù)據(jù)來源

    本文研究的是帶有天氣數(shù)據(jù)的短期電力負荷預(yù)測,使用2012年1月1日到2014年12月31日兩個地區(qū)真實負荷數(shù)據(jù),數(shù)據(jù)來源于2016 年電工數(shù)學建模競賽A 題。此外,這個數(shù)據(jù)集還提供最高溫度、最低溫度、平均溫度、相對濕度和降雨量5個天氣數(shù)據(jù)。本文利用這5個天氣數(shù)據(jù)來幫助負荷預(yù)測,即將負荷數(shù)據(jù)以及5個天氣數(shù)據(jù)拼接為6維向量。

    本文分別抽取兩個地區(qū)每天6:00、12:00和18:00的負荷值進行負荷預(yù)測,因此總的樣本集有6 個,每個樣本集中有1 096 個時間點,每個時間點為一個6 維的向量,包含負荷及天氣數(shù)據(jù)。負荷和天氣數(shù)據(jù)擁有不同的數(shù)量級和量綱。為了去除這些影響,需要對輸入量進行歸一化處理,將其轉(zhuǎn)化為無量綱的純數(shù)值。本文采取離差標準化的歸一化方式。每個樣本集原始數(shù)據(jù)表示為s=[s1,s2,…,sn]T其中sj=對原始數(shù)據(jù)進行如下歸一化:

    得到歸一化的樣本集e=[e1,e2,…,en]T。

    4.2 實驗設(shè)置

    這部分展示了MSD-LSTM 應(yīng)用在短期電力負荷預(yù)測上的實驗設(shè)置。本文將MSD-LSTM 與多層長短期記憶(Multi-layer Long Short-Term Memory,MLSTM)網(wǎng)絡(luò)、單層長短期記憶(Single-layer Long Short-Term Memory,SLSTM)網(wǎng)絡(luò)、支持向量回歸(Support Vector Regression,SVR)[17]和高斯過程(Gaussian Process,GP)[18]進行了對比實驗。使用過去35 天的負荷值和天氣數(shù)據(jù)來預(yù)測下一天的負荷值,則對樣本集做窗口滑動處理得到1 062 條長度為35 的序列,即樣本。構(gòu)建時間序列數(shù)據(jù)進行訓練和測試時,將1 062 個樣本集按7∶3 的比例劃分為訓練集和測試集。MSD-LSTM 的層數(shù)設(shè)為3,每層的跳躍尺度分別設(shè)為1、7、30,相應(yīng)的每層分別對時間尺度以天、周、月為單位的電力負荷數(shù)據(jù)時序依賴關(guān)系進行捕捉。為了檢驗MSD-LSTM 對電力負荷數(shù)據(jù)中的多尺度時間結(jié)構(gòu)的捕捉能力,本文設(shè)置了MLSTM 和SLSTM 兩個對比實驗。MLSTM 的層數(shù)設(shè)為3,每一層的跳躍尺度設(shè)為1,以檢驗多尺度時間結(jié)構(gòu)對預(yù)測性能的提升;SLSTM 的層數(shù)設(shè)為1,跳躍尺度設(shè)為1,以檢驗深層網(wǎng)絡(luò)結(jié)構(gòu)對預(yù)測性能的提升。LSTM 的隱含層單元數(shù)固定為48。為了保證對比實驗的公平,本文保持上述三種模型在每個樣本集上所使用的隱含層單元數(shù)一致。SVR 和GP 同樣使用過去35 天的負荷值和天氣數(shù)據(jù)來預(yù)測下一天的負荷值。每天的數(shù)據(jù)包含負荷值以及5 個天氣數(shù)據(jù),因此本文將35天的數(shù)據(jù)拼接成一個35×6的向量作為模型的輸入,并預(yù)測下一天的負荷值。此外,SVR 和GP 都是基于核函數(shù)的模型,在本文中SVR 和GP 的核函數(shù)都選取高斯核函數(shù)。

    MSD-LSTM、MLSTM 和SLSTM 訓練時使用mini-batch 技術(shù),batch size 設(shè)置為32,即訓練時每次迭代輸入32 個樣本并計算損失函數(shù),根據(jù)損失函數(shù)反向傳播更新網(wǎng)絡(luò)的參數(shù)。訓練時使用mini-batch 技術(shù),可以使網(wǎng)絡(luò)參數(shù)更新更快,同時有利于網(wǎng)絡(luò)參數(shù)更加魯棒地收斂。此外,為了防止過擬合,在全連接層使用Dropout,Dropout率設(shè)為0.05。

    4.3 實驗結(jié)果

    4.3.1 對比實驗

    使用MSD-LSTM 與MLSTM、SLSTM、SVR 和GP 分別進行實驗并對比。表1 為各模型在短期電力負荷上的預(yù)測結(jié)果,采用均方誤差(Mean Squared Error,MSE)作為評判標準:

    其中:yi和分別表示測試集中對應(yīng)第i個樣本的真實值和預(yù)測值,M表示測試集樣本個數(shù)。

    從表1 可以看出,MSD-LSTM 在6 個樣本集中的短期負荷預(yù)測都取得了較好的預(yù)測精度。一方面,與SVR 和GP 對比,MSD-LSTM 是以LSTM 為主體構(gòu)建的預(yù)測模型,能夠較好地處理序列建模任務(wù),而SVR和GP并未對存在于電力負荷數(shù)據(jù)中的時序依賴關(guān)系進行建模,因此MSD-LSTM 的預(yù)測性能要明顯優(yōu)于這兩種方法;另一方面,與SLSTM 對比,MSD-LSTM 由三層LSTM 構(gòu)成,能夠更好地建模電力負荷數(shù)據(jù)中的動態(tài)特性,取得了更好的預(yù)測精度,表明深層網(wǎng)絡(luò)結(jié)構(gòu)有利于預(yù)測性能的提升。與MLSTM 對比,MSD-LSTM 通過循環(huán)跳躍連接對短期電力負荷中的日、周和月的時序依賴關(guān)系進行建模,增強了LSTM 對多尺度時序結(jié)構(gòu)建模的能力,取得了更好的預(yù)測精度,表明多尺度時間結(jié)構(gòu)能夠提升預(yù)測性能。因此,MSDLSTM 通過結(jié)合深層網(wǎng)絡(luò)結(jié)構(gòu)建模動態(tài)特性的能力以及多尺度跳躍連接提取多尺度時間結(jié)構(gòu)信息的能力,有效地提升了短期電力負荷預(yù)測精度。

    表1 不同方法的負荷預(yù)測均方誤差(MSE)對比Tab.1 Comparison of load forecasting MSE of different methods

    更進一步地,本文從6 個樣本集中隨機抽取1 個樣本集,使用上述各種模型對其進行負荷預(yù)測,并對比了各種模型的絕對誤差。絕對誤差越接近0說明預(yù)測精度越高,越遠離0說明預(yù)測精度越低。圖4 展示了MSD-LSTM、SLSTM、MLSTM、SVR 和GP 五種模型預(yù)測的負荷值與實際負荷值的絕對誤差曲線。對比5 條絕對誤差曲線,可以看出MSD-LSTM 能夠取得最好的預(yù)測精度,具體表現(xiàn)為取得了最低的絕對誤差,平均值為0.069。

    圖4 不同方法的絕對誤差曲線Fig.4 Absolute error curves of different methods

    4.3.2 超參數(shù)探究

    為了探究層數(shù)、跳躍數(shù)以及步長(即使用過去多少天的數(shù)據(jù)來進行下一天的負荷預(yù)測)對MSD-LSTM 性能的影響,本文設(shè)置了7組使用不同超參數(shù)的對比實驗,其在6個樣本集上的結(jié)果如表2所示。首先,對比實驗1和實驗4的結(jié)果,實驗4取得了更低的MSE,這表明深層網(wǎng)絡(luò)有利于提升短期負荷預(yù)測的精度。對比實驗2 和實驗7 可以得到同樣的結(jié)果。進一步的,對比實驗4,5 和7 的結(jié)果,實驗7 取得了最低的MSE。這表明跳躍數(shù)會影響模型的性能,同時根據(jù)數(shù)據(jù)實際的多尺度時間結(jié)構(gòu)來選擇合適的跳躍數(shù)有利于提升模型的性能。最后,對比實驗2,3 以及實驗6,7 的結(jié)果,可以發(fā)現(xiàn)具有更短步長的模型可以取得更好的結(jié)果。因此,有效地使用MSDLSTM需要綜合考慮多個超參數(shù)的影響。

    表2 不同超參數(shù)設(shè)置的負荷預(yù)測均方誤差(MSE)對比Tab.2 Comparison of load forecasting MSE of different hyperparameter settings

    5 結(jié)語

    本文針對LSTM 無法有效建模電力負荷數(shù)據(jù)中存在的多尺度時間結(jié)構(gòu)的問題,提出了MSD-LSTM。MSD-LSTM 將LSTM 的拓撲結(jié)構(gòu)設(shè)計為多層并在每層中設(shè)置不同的跳躍連接,顯式地對短期電力負荷數(shù)據(jù)中的多尺度時間結(jié)構(gòu)進行建模。通過兩個地區(qū)負荷數(shù)據(jù)的實驗分析,證明了MSD-LSTM能夠有效地捕捉短期電力負荷數(shù)據(jù)中的多尺度時間結(jié)構(gòu),從而提升負荷預(yù)測精度。

    MSD-LSTM 采取的跳躍連接數(shù)是手工設(shè)置的,需要依靠先驗知識,無法自適應(yīng)地學習電力負荷數(shù)據(jù)的多尺度結(jié)構(gòu)。未來的工作會研究如何動態(tài)自適應(yīng)地學習跳躍連接,更好地根據(jù)電力負荷數(shù)據(jù)來學習多尺度結(jié)構(gòu)并對其進行建模,進一步提高電力負荷預(yù)測的精度。

    猜你喜歡
    模型
    一半模型
    一種去中心化的域名服務(wù)本地化模型
    適用于BDS-3 PPP的隨機模型
    提煉模型 突破難點
    函數(shù)模型及應(yīng)用
    p150Glued在帕金森病模型中的表達及分布
    函數(shù)模型及應(yīng)用
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權(quán)M-估計的漸近分布
    3D打印中的模型分割與打包
    亚洲国产色片| 青青草视频在线视频观看| 不卡视频在线观看欧美| 午夜久久久久精精品| 日本爱情动作片www.在线观看| 色综合站精品国产| 日韩av免费高清视频| 国产一区二区在线观看日韩| 99久久中文字幕三级久久日本| 欧美日韩精品成人综合77777| 日产精品乱码卡一卡2卡三| 日本免费在线观看一区| 免费大片黄手机在线观看| 日韩,欧美,国产一区二区三区| 国产在线男女| 欧美日韩亚洲高清精品| 麻豆精品久久久久久蜜桃| 性色avwww在线观看| 国产亚洲午夜精品一区二区久久 | 精品午夜福利在线看| 全区人妻精品视频| 丝袜喷水一区| 亚洲欧美日韩卡通动漫| av又黄又爽大尺度在线免费看| 亚洲精品aⅴ在线观看| 搞女人的毛片| 80岁老熟妇乱子伦牲交| 国产精品不卡视频一区二区| 亚洲在线自拍视频| 秋霞在线观看毛片| 美女高潮的动态| 亚洲最大成人av| 精品一区二区免费观看| 国内少妇人妻偷人精品xxx网站| 网址你懂的国产日韩在线| 高清视频免费观看一区二区 | 永久免费av网站大全| 中文字幕久久专区| 国产在线一区二区三区精| 欧美3d第一页| 好男人视频免费观看在线| 久久久久久久久久黄片| 亚洲欧美日韩无卡精品| 国产精品国产三级专区第一集| av福利片在线观看| 亚洲av中文字字幕乱码综合| 日本黄色片子视频| 亚洲婷婷狠狠爱综合网| 美女黄网站色视频| 一个人看视频在线观看www免费| 18禁动态无遮挡网站| 直男gayav资源| 国产精品蜜桃在线观看| 亚洲精品国产av蜜桃| 国产成人精品一,二区| 亚洲美女视频黄频| 日本-黄色视频高清免费观看| 欧美最新免费一区二区三区| 午夜精品一区二区三区免费看| 亚洲精品一二三| 欧美潮喷喷水| 国产在线男女| 大陆偷拍与自拍| 国产男女超爽视频在线观看| 久久久久久久亚洲中文字幕| 国产乱来视频区| 舔av片在线| 欧美成人一区二区免费高清观看| 久久久久网色| 超碰97精品在线观看| 久久久精品免费免费高清| 亚洲色图av天堂| 少妇丰满av| 国产黄片视频在线免费观看| 国产人妻一区二区三区在| 欧美一级a爱片免费观看看| 亚洲国产高清在线一区二区三| 亚洲av成人精品一二三区| 91久久精品国产一区二区成人| 国产精品久久久久久久久免| 色综合色国产| 日日撸夜夜添| 国产片特级美女逼逼视频| 日韩欧美国产在线观看| 国产熟女欧美一区二区| 久久久久久久久大av| 亚洲综合精品二区| 美女被艹到高潮喷水动态| 人妻夜夜爽99麻豆av| 久久久久久久久久黄片| 国产美女午夜福利| 亚洲丝袜综合中文字幕| 免费高清在线观看视频在线观看| 久久综合国产亚洲精品| 亚洲精品中文字幕在线视频 | 亚洲成人久久爱视频| 一二三四中文在线观看免费高清| 国产黄色小视频在线观看| 午夜福利视频精品| 亚洲va在线va天堂va国产| 听说在线观看完整版免费高清| 国产精品爽爽va在线观看网站| 国产精品久久久久久av不卡| 免费观看的影片在线观看| 久99久视频精品免费| 美女高潮的动态| 国产在线一区二区三区精| 国产一区有黄有色的免费视频 | 波野结衣二区三区在线| 亚洲欧美精品专区久久| 有码 亚洲区| 一本久久精品| 成人鲁丝片一二三区免费| 又爽又黄a免费视频| 高清视频免费观看一区二区 | 最近手机中文字幕大全| 18禁动态无遮挡网站| 国产又色又爽无遮挡免| 尾随美女入室| 午夜激情福利司机影院| 成年免费大片在线观看| 狠狠精品人妻久久久久久综合| 久久这里有精品视频免费| 亚洲最大成人中文| 亚洲精品日韩在线中文字幕| 国产精品国产三级国产av玫瑰| 日韩成人av中文字幕在线观看| 成人性生交大片免费视频hd| 九九爱精品视频在线观看| 99久久精品一区二区三区| 九九在线视频观看精品| 亚洲精品自拍成人| 色综合亚洲欧美另类图片| 少妇人妻一区二区三区视频| 亚洲av男天堂| 一级二级三级毛片免费看| 精品一区二区三区视频在线| 麻豆av噜噜一区二区三区| 精品人妻一区二区三区麻豆| 人妻一区二区av| 白带黄色成豆腐渣| 国产白丝娇喘喷水9色精品| 看十八女毛片水多多多| 最近中文字幕2019免费版| 亚洲欧美精品自产自拍| 国产真实伦视频高清在线观看| 99九九线精品视频在线观看视频| 极品教师在线视频| 国产熟女欧美一区二区| 偷拍熟女少妇极品色| 国产精品伦人一区二区| 熟女电影av网| 舔av片在线| 成人亚洲精品av一区二区| 岛国毛片在线播放| 午夜激情久久久久久久| 啦啦啦啦在线视频资源| 色综合色国产| 久久久久久国产a免费观看| 麻豆乱淫一区二区| 黄色一级大片看看| 久久久国产一区二区| 97精品久久久久久久久久精品| 99re6热这里在线精品视频| 自拍偷自拍亚洲精品老妇| 久久99热这里只频精品6学生| 亚洲国产精品国产精品| 日本-黄色视频高清免费观看| a级毛片免费高清观看在线播放| 久久久久精品性色| 国产亚洲精品av在线| 亚洲成人中文字幕在线播放| 国产亚洲av嫩草精品影院| 久久久久久久久中文| 国产精品国产三级专区第一集| 国产国拍精品亚洲av在线观看| 最近2019中文字幕mv第一页| 亚洲最大成人中文| 中文精品一卡2卡3卡4更新| 久久久色成人| 亚洲性久久影院| 日本午夜av视频| 91久久精品国产一区二区成人| 十八禁国产超污无遮挡网站| 亚洲成人精品中文字幕电影| 少妇猛男粗大的猛烈进出视频 | 欧美日本视频| 国产 亚洲一区二区三区 | 中文乱码字字幕精品一区二区三区 | av线在线观看网站| 汤姆久久久久久久影院中文字幕 | 99久久人妻综合| 成年女人看的毛片在线观看| 亚洲欧美成人精品一区二区| 看免费成人av毛片| 一边亲一边摸免费视频| 国产久久久一区二区三区| 亚洲精品aⅴ在线观看| 少妇裸体淫交视频免费看高清| 精品久久久久久成人av| 日韩av不卡免费在线播放| 一区二区三区四区激情视频| 免费少妇av软件| 欧美精品一区二区大全| 18禁在线无遮挡免费观看视频| 免费观看精品视频网站| 草草在线视频免费看| 日韩亚洲欧美综合| 国产毛片a区久久久久| 最近最新中文字幕免费大全7| 国产成人aa在线观看| 国内精品一区二区在线观看| 成人特级av手机在线观看| 91精品国产九色| 国产av码专区亚洲av| 亚洲av成人av| 亚洲一区高清亚洲精品| 大话2 男鬼变身卡| 最近中文字幕高清免费大全6| 中文在线观看免费www的网站| 亚洲精品日韩在线中文字幕| 性插视频无遮挡在线免费观看| 免费看av在线观看网站| 精品一区二区三区人妻视频| 校园人妻丝袜中文字幕| 丝袜喷水一区| 国产精品1区2区在线观看.| 黄片无遮挡物在线观看| 春色校园在线视频观看| 老师上课跳d突然被开到最大视频| 人人妻人人澡人人爽人人夜夜 | 久久人人爽人人片av| 国产精品一区二区三区四区免费观看| 五月玫瑰六月丁香| 亚洲图色成人| 亚洲精品视频女| 天天躁日日操中文字幕| 美女被艹到高潮喷水动态| 美女大奶头视频| 春色校园在线视频观看| 免费看光身美女| 国产精品一区二区三区四区久久| 久久久久久久国产电影| 亚洲精品久久久久久婷婷小说| 男女视频在线观看网站免费| 国产激情偷乱视频一区二区| 久久精品国产自在天天线| 久久国内精品自在自线图片| 国产伦在线观看视频一区| 久久久久久久久久黄片| 在线免费观看不下载黄p国产| 黄色一级大片看看| 成人特级av手机在线观看| 亚洲精品一区蜜桃| 男女边摸边吃奶| 毛片一级片免费看久久久久| 久久久欧美国产精品| 久久这里只有精品中国| 久久久久精品性色| 赤兔流量卡办理| 少妇丰满av| 亚洲av免费高清在线观看| 国产精品人妻久久久久久| 免费av毛片视频| 久久人人爽人人片av| 在线天堂最新版资源| 一个人免费在线观看电影| 成人综合一区亚洲| 亚洲伊人久久精品综合| 国产精品久久久久久久久免| av在线观看视频网站免费| 美女cb高潮喷水在线观看| 色5月婷婷丁香| 亚洲一级一片aⅴ在线观看| 国产乱来视频区| 亚洲第一区二区三区不卡| 国产黄片视频在线免费观看| 99久久精品一区二区三区| 国产伦精品一区二区三区视频9| 国产成人aa在线观看| 精品不卡国产一区二区三区| 免费观看性生交大片5| 欧美潮喷喷水| 国产精品一区二区三区四区久久| 国产在视频线在精品| 汤姆久久久久久久影院中文字幕 | 亚洲精华国产精华液的使用体验| xxx大片免费视频| 天堂网av新在线| 欧美区成人在线视频| 午夜激情久久久久久久| 男人爽女人下面视频在线观看| 亚洲精品国产av蜜桃| 午夜福利网站1000一区二区三区| av卡一久久| 亚洲丝袜综合中文字幕| 精品午夜福利在线看| 国产单亲对白刺激| 91午夜精品亚洲一区二区三区| 久久午夜福利片| 搞女人的毛片| 成人漫画全彩无遮挡| 中文在线观看免费www的网站| 97人妻精品一区二区三区麻豆| 日韩 亚洲 欧美在线| 你懂的网址亚洲精品在线观看| 91在线精品国自产拍蜜月| 午夜免费男女啪啪视频观看| 国产成人精品婷婷| av黄色大香蕉| 草草在线视频免费看| 成人二区视频| av又黄又爽大尺度在线免费看| 成年av动漫网址| 亚洲精品亚洲一区二区| 精品一区二区三区视频在线| 夜夜看夜夜爽夜夜摸| 卡戴珊不雅视频在线播放| 欧美变态另类bdsm刘玥| 午夜激情久久久久久久| 亚洲在线观看片| 精品国产三级普通话版| 中文字幕免费在线视频6| 国产爱豆传媒在线观看| 一本一本综合久久| 午夜福利在线观看免费完整高清在| 男女视频在线观看网站免费| 色综合色国产| 一二三四中文在线观看免费高清| 搞女人的毛片| 日本免费a在线| 日韩欧美一区视频在线观看 | 在线观看人妻少妇| 人妻夜夜爽99麻豆av| 成人特级av手机在线观看| 91精品伊人久久大香线蕉| 黄色一级大片看看| 亚洲内射少妇av| 亚洲精品中文字幕在线视频 | 1000部很黄的大片| 国产 亚洲一区二区三区 | 最近手机中文字幕大全| 80岁老熟妇乱子伦牲交| 男人舔女人下体高潮全视频| 卡戴珊不雅视频在线播放| 99热这里只有是精品50| 永久网站在线| 精品不卡国产一区二区三区| 久久精品综合一区二区三区| 亚洲图色成人| 国产午夜福利久久久久久| 亚洲精品成人久久久久久| 少妇裸体淫交视频免费看高清| 精品人妻一区二区三区麻豆| 91久久精品电影网| 欧美另类一区| 美女高潮的动态| 熟妇人妻久久中文字幕3abv| 午夜福利在线在线| 激情五月婷婷亚洲| 久久热精品热| 亚洲精品国产成人久久av| 在线免费观看不下载黄p国产| 国产精品人妻久久久久久| 国产 一区精品| 高清欧美精品videossex| 国产成人午夜福利电影在线观看| 深夜a级毛片| 欧美成人一区二区免费高清观看| 天堂av国产一区二区熟女人妻| 亚洲第一区二区三区不卡| 国产精品精品国产色婷婷| 国产探花在线观看一区二区| xxx大片免费视频| 九九爱精品视频在线观看| 午夜日本视频在线| 色视频www国产| 国产黄色免费在线视频| 日本黄色片子视频| 精华霜和精华液先用哪个| 91精品国产九色| 美女大奶头视频| 国产单亲对白刺激| 久久精品久久久久久噜噜老黄| 男人狂女人下面高潮的视频| 91av网一区二区| 国产乱来视频区| freevideosex欧美| 久久人人爽人人片av| 亚洲av国产av综合av卡| 非洲黑人性xxxx精品又粗又长| 我的老师免费观看完整版| 亚洲欧美清纯卡通| 插逼视频在线观看| 亚洲精品国产av成人精品| 一级毛片黄色毛片免费观看视频| 禁无遮挡网站| 成人毛片a级毛片在线播放| 五月天丁香电影| 国产精品久久久久久久电影| 一本久久精品| 午夜福利网站1000一区二区三区| 久久精品夜色国产| 男人舔奶头视频| 亚洲精品第二区| 日韩精品青青久久久久久| 亚洲人与动物交配视频| 亚洲精品亚洲一区二区| 免费看av在线观看网站| 久久精品夜夜夜夜夜久久蜜豆| 午夜免费男女啪啪视频观看| 97在线视频观看| 国产伦精品一区二区三区四那| 精品久久国产蜜桃| 中国美白少妇内射xxxbb| 亚洲av一区综合| 欧美日本视频| 成人漫画全彩无遮挡| av在线亚洲专区| 最近视频中文字幕2019在线8| 亚洲av中文字字幕乱码综合| 淫秽高清视频在线观看| 日韩国内少妇激情av| 女人十人毛片免费观看3o分钟| 国产伦一二天堂av在线观看| 日日干狠狠操夜夜爽| 网址你懂的国产日韩在线| 欧美成人a在线观看| 看十八女毛片水多多多| 亚洲国产最新在线播放| 日本-黄色视频高清免费观看| 日本欧美国产在线视频| 欧美xxⅹ黑人| 少妇人妻精品综合一区二区| 久久久亚洲精品成人影院| 亚洲精品国产av成人精品| 不卡视频在线观看欧美| 久久久精品欧美日韩精品| 欧美潮喷喷水| 久久久久久久久久黄片| 亚洲av在线观看美女高潮| 神马国产精品三级电影在线观看| 丰满少妇做爰视频| 天天一区二区日本电影三级| 色哟哟·www| 观看免费一级毛片| 亚洲精品日韩av片在线观看| 毛片女人毛片| 人妻制服诱惑在线中文字幕| 中国国产av一级| 国产一区有黄有色的免费视频 | 在线免费观看的www视频| 非洲黑人性xxxx精品又粗又长| 亚洲欧美一区二区三区黑人 | 菩萨蛮人人尽说江南好唐韦庄| 免费看av在线观看网站| 亚洲av成人精品一二三区| 在线播放无遮挡| 免费观看av网站的网址| 国产综合精华液| 久久精品熟女亚洲av麻豆精品 | 亚洲国产欧美在线一区| 欧美 日韩 精品 国产| 久久久久久九九精品二区国产| 久久韩国三级中文字幕| 午夜免费观看性视频| 爱豆传媒免费全集在线观看| 熟妇人妻不卡中文字幕| 中文欧美无线码| 女的被弄到高潮叫床怎么办| 国产精品久久久久久精品电影| 又黄又爽又刺激的免费视频.| 亚洲自偷自拍三级| 国产在线男女| 亚洲av一区综合| 国产黄片美女视频| 成年人午夜在线观看视频 | 久久久久九九精品影院| 国产爱豆传媒在线观看| 嘟嘟电影网在线观看| 免费av毛片视频| 精品国内亚洲2022精品成人| 激情 狠狠 欧美| 精品少妇黑人巨大在线播放| 嫩草影院入口| 国产女主播在线喷水免费视频网站 | 免费看不卡的av| 亚洲国产欧美人成| 不卡视频在线观看欧美| 一区二区三区乱码不卡18| 国内精品美女久久久久久| 日韩一区二区三区影片| 日本wwww免费看| 国产精品麻豆人妻色哟哟久久 | 特级一级黄色大片| 一级毛片我不卡| 永久免费av网站大全| 免费看av在线观看网站| 搡女人真爽免费视频火全软件| 十八禁国产超污无遮挡网站| 舔av片在线| h日本视频在线播放| 免费观看的影片在线观看| 国产黄色免费在线视频| 高清毛片免费看| 久久人人爽人人爽人人片va| 久久久久久久久久成人| 婷婷色综合www| 久久久亚洲精品成人影院| 国产精品蜜桃在线观看| 亚洲国产精品专区欧美| 国产探花在线观看一区二区| 青春草亚洲视频在线观看| 欧美激情国产日韩精品一区| 春色校园在线视频观看| 自拍偷自拍亚洲精品老妇| 久久久久久久久久久丰满| 麻豆国产97在线/欧美| 91狼人影院| 日韩欧美精品免费久久| 午夜福利在线在线| 直男gayav资源| 97在线视频观看| 黄色一级大片看看| 国产淫片久久久久久久久| 日本与韩国留学比较| 日日啪夜夜爽| 2018国产大陆天天弄谢| 午夜免费观看性视频| 国产视频首页在线观看| 伊人久久精品亚洲午夜| 一本一本综合久久| 亚洲精品日韩av片在线观看| 精品久久久噜噜| 亚洲av电影在线观看一区二区三区 | 色5月婷婷丁香| 亚洲婷婷狠狠爱综合网| 午夜福利高清视频| 内地一区二区视频在线| 亚洲熟妇中文字幕五十中出| 日韩成人伦理影院| 亚洲综合精品二区| 精品人妻偷拍中文字幕| 亚洲美女搞黄在线观看| 精品午夜福利在线看| 国产伦一二天堂av在线观看| 禁无遮挡网站| 精品人妻视频免费看| 久久久久久久亚洲中文字幕| 一个人免费在线观看电影| 天堂中文最新版在线下载 | 亚洲成人一二三区av| www.色视频.com| 免费av观看视频| 男女视频在线观看网站免费| 日韩av在线免费看完整版不卡| 亚洲精品国产av蜜桃| 日本猛色少妇xxxxx猛交久久| 精品酒店卫生间| 国精品久久久久久国模美| 中文天堂在线官网| 亚洲美女搞黄在线观看| 淫秽高清视频在线观看| 99视频精品全部免费 在线| 国产乱来视频区| 丰满人妻一区二区三区视频av| 国产成人午夜福利电影在线观看| 亚洲国产最新在线播放| 日本与韩国留学比较| 久久久久久久亚洲中文字幕| 久久99热这里只频精品6学生| av在线蜜桃| 久久久久久久国产电影| 丰满乱子伦码专区| 精品国产一区二区三区久久久樱花 | 国产精品无大码| 欧美一级a爱片免费观看看| 亚洲自偷自拍三级| 国产成人精品福利久久| 国产麻豆成人av免费视频| 久久国产乱子免费精品| 联通29元200g的流量卡| 毛片一级片免费看久久久久| 久久久午夜欧美精品| 亚洲精品乱码久久久v下载方式| 一边亲一边摸免费视频| 熟妇人妻久久中文字幕3abv| 亚洲国产色片| 亚洲怡红院男人天堂| 人人妻人人看人人澡| 最近手机中文字幕大全| 亚洲成人中文字幕在线播放| 久久这里有精品视频免费| 国模一区二区三区四区视频| 国产午夜精品久久久久久一区二区三区| 久久久久久久亚洲中文字幕| 久久6这里有精品| 久久久久久九九精品二区国产| 色尼玛亚洲综合影院| 99九九线精品视频在线观看视频| 午夜福利在线观看免费完整高清在| 中文字幕亚洲精品专区| 亚洲精品国产成人久久av| 一级毛片黄色毛片免费观看视频| 国产精品久久久久久久久免| 久久久久久久午夜电影| 国产熟女欧美一区二区| 国产精品蜜桃在线观看| 成人特级av手机在线观看| 一级毛片黄色毛片免费观看视频| 国产精品久久久久久久久免| 国产精品日韩av在线免费观看| 免费无遮挡裸体视频| 国产精品一二三区在线看| 国产成人免费观看mmmm|