• <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 ?

    基于經(jīng)驗(yàn)?zāi)B(tài)分解與多分支神經(jīng)網(wǎng)絡(luò)的超短期風(fēng)功率預(yù)測(cè)

    2021-01-21 03:23:34孟鑫禹王睿涵張喜平王明杰王政霞
    計(jì)算機(jī)應(yīng)用 2021年1期
    關(guān)鍵詞:特征信號(hào)模型

    孟鑫禹,王睿涵,張喜平,王明杰,丘 剛,王政霞

    (1.重慶交通大學(xué)信息科學(xué)與工程學(xué)院,重慶 400074;2.中國大唐集團(tuán)新能源科學(xué)技術(shù)研究院有限公司,北京 100043;3.積成電子股份有限公司,濟(jì)南 250104;4.國網(wǎng)新疆電力公司,烏魯木齊 830002;5.海南大學(xué)計(jì)算機(jī)與網(wǎng)絡(luò)空間安全學(xué)院,海口 570228)

    0 引言

    當(dāng)今世界面臨能源危機(jī),風(fēng)能是最具開發(fā)前景的一種可再生能源。風(fēng)力發(fā)電具有環(huán)??沙掷m(xù)、成本低廉、規(guī)模經(jīng)濟(jì)顯著等優(yōu)點(diǎn)。但由于受溫度、海拔、地形、氣壓等因素的影響,風(fēng)能具有波動(dòng)性、隨機(jī)性和不穩(wěn)定性的特點(diǎn)。而風(fēng)機(jī)的運(yùn)行效率隨著風(fēng)速的變化而變化[1],大規(guī)模風(fēng)電并網(wǎng)必然會(huì)對(duì)電網(wǎng)調(diào)度產(chǎn)生負(fù)面影響,從而降低電網(wǎng)的可靠性[2]。風(fēng)電場(chǎng)需要完備的風(fēng)功率預(yù)測(cè)系統(tǒng)來制定合適的發(fā)電、配電和維護(hù)策略,提高風(fēng)電并網(wǎng)的可靠性。因此,精準(zhǔn)的風(fēng)功率預(yù)測(cè)能夠有效提高電網(wǎng)調(diào)峰能力,增強(qiáng)電網(wǎng)的風(fēng)電接納能力,改善電力系統(tǒng)運(yùn)行的安全性與經(jīng)濟(jì)性,對(duì)于風(fēng)電一體化和電力系統(tǒng)的穩(wěn)定運(yùn)行至關(guān)重要[3]。

    根據(jù)預(yù)測(cè)時(shí)間范疇,風(fēng)功率預(yù)測(cè)可分為四類[4]:應(yīng)用于風(fēng)電場(chǎng)設(shè)計(jì)可行性研究的長期預(yù)測(cè);應(yīng)用于指導(dǎo)風(fēng)電場(chǎng)維護(hù)規(guī)劃和運(yùn)行管理的中期預(yù)測(cè);應(yīng)用于電網(wǎng)調(diào)度,以保證供電質(zhì)量[5]的短期預(yù)測(cè);以及超短期預(yù)測(cè)。超短期風(fēng)功率預(yù)測(cè)精度要求較高,用于平衡負(fù)荷和優(yōu)化調(diào)度能源,通常需要提前幾分鐘或幾小時(shí)進(jìn)行預(yù)測(cè)[6]。

    風(fēng)功率預(yù)測(cè)方法可分為物理方法和統(tǒng)計(jì)方法兩大類。物理方法通常使用數(shù)值天氣預(yù)報(bào)[7]、地形、地貌等信息,建立完整的流體力學(xué)和熱力學(xué)模型,通過求解高維非線性方程,計(jì)算出風(fēng)機(jī)輪轂高度處的風(fēng)速大小,然后結(jié)合風(fēng)機(jī)功率曲線,得到風(fēng)機(jī)的輸出功率。該類方法能較好地運(yùn)用大氣運(yùn)動(dòng)的本質(zhì),不需要積累大量的歷史風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)。但由于風(fēng)電場(chǎng)特殊的地理環(huán)境和一些物理現(xiàn)象(如尾流效應(yīng)等)的影響,風(fēng)況往往難以準(zhǔn)確評(píng)估,因此數(shù)值天氣預(yù)報(bào)的時(shí)空分辨率往往會(huì)制約預(yù)測(cè)結(jié)果的準(zhǔn)確率。另一方面需根據(jù)風(fēng)機(jī)自身運(yùn)行狀態(tài)和外部環(huán)境因素建立符合風(fēng)機(jī)真實(shí)運(yùn)行工況的風(fēng)機(jī)功率曲線模型[8-9],這增加了風(fēng)功率預(yù)測(cè)的不穩(wěn)定性因素。統(tǒng)計(jì)方法是通過分析歷史風(fēng)功率數(shù)據(jù)的統(tǒng)計(jì)規(guī)律,建立時(shí)序風(fēng)功率樣本之間的非線性映射關(guān)系,以此得到風(fēng)功率的預(yù)測(cè)值。傳統(tǒng)的時(shí)間序列預(yù)測(cè)方法,如自回歸移動(dòng)平均(AutoRegressive Moving Average,ARMA)模型,常用于風(fēng)功率的預(yù)測(cè);文獻(xiàn)[10]提出了使用Burg 和Shanks 算法的ARMA 過程預(yù)測(cè)風(fēng)功率,文獻(xiàn)[11]考慮了風(fēng)速的自相關(guān)和波動(dòng)特性,基于F 準(zhǔn)則建立了ARMA模型用于風(fēng)功率預(yù)測(cè)。隨著人工智能技術(shù)的飛速發(fā)展,一些基于機(jī)器學(xué)習(xí)算法的風(fēng)功率預(yù)測(cè)工作涌現(xiàn)。如:文獻(xiàn)[3]提出一種基于支持向量機(jī)(Support Vector Machine,SVM)和改進(jìn)的蜻蜓算法的短期風(fēng)功率預(yù)測(cè)方法;文獻(xiàn)[12]介紹了一種基于深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network,DNN)的預(yù)測(cè)方法;文獻(xiàn)[13-14]介紹了循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)在預(yù)測(cè)引擎中的應(yīng)用,其中,文獻(xiàn)[13]提出了脊波神經(jīng)網(wǎng)絡(luò)(Ridgelet Neural Network,RNN)與埃爾曼神經(jīng)網(wǎng)絡(luò)(Elman Neural Network,ENN)結(jié)合的兩階段預(yù)測(cè)方法,文獻(xiàn)[14]提出了一種結(jié)合門控循環(huán)單元(Gated Recurrent Unit,GRU)與卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)的預(yù)測(cè)方法。這些基于統(tǒng)計(jì)模型的算法,可以避免對(duì)物理機(jī)制把握不足的差異,更適合于風(fēng)功率的短期和超短期預(yù)測(cè)任務(wù)。

    ARMA 算法適合處理平穩(wěn)時(shí)序信號(hào),對(duì)于風(fēng)速、風(fēng)功率這樣的非平穩(wěn)信號(hào),往往需要將原始信號(hào)差分處理成平穩(wěn)信號(hào)再輸入模型訓(xùn)練。文獻(xiàn)[15]提出了小波分解與重構(gòu)的方法;文獻(xiàn)[16-17]采用了局域波分解以及經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)的方法,將原始信號(hào)轉(zhuǎn)化為平穩(wěn)信號(hào)后使用ARMA算法,取得了較好的效果;文獻(xiàn)[18]提出了基于集合經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition,EEMD)與小波神經(jīng)網(wǎng)絡(luò)(Wavelet Neural Network,WNN)的新型風(fēng)功率組合預(yù)測(cè)模型,WNN 集人工神經(jīng)網(wǎng)絡(luò)和小波分析優(yōu)點(diǎn)于一身,具有網(wǎng)絡(luò)收斂速度快,避免陷入局部最優(yōu),同時(shí)又具備時(shí)頻局部分析的特點(diǎn)。近年來,循環(huán)神經(jīng)網(wǎng)絡(luò)作為一種利用時(shí)間關(guān)系的統(tǒng)計(jì)模型,在風(fēng)功率預(yù)測(cè)任務(wù)中顯示出了良好的優(yōu)勢(shì)。然而,由于天氣環(huán)境、切入切出風(fēng)速、風(fēng)機(jī)狀態(tài)等諸多不確定因素的存在,風(fēng)功率信號(hào)表現(xiàn)出非平穩(wěn)的性質(zhì),循環(huán)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)機(jī)制也很難捕獲其時(shí)序規(guī)律。考慮到信號(hào)分解能增強(qiáng)數(shù)據(jù)的平穩(wěn)性,提出了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解與融合GRU 層、卷積層的多分支神經(jīng)網(wǎng)絡(luò)模型——經(jīng)驗(yàn)?zāi)B(tài)分解的卷積循環(huán)神經(jīng)網(wǎng)絡(luò)(Convolutional Recurrent Neural Network based on Empirical Mode Decomposition,EMD_CRNN):首先,原始風(fēng)功率信號(hào)經(jīng)過EMD 算法分解后再重構(gòu),獲得風(fēng)功率的相對(duì)平穩(wěn)信號(hào);然后,將重構(gòu)后的張量輸入一個(gè)融合了GRU 層與卷積層的多分支神經(jīng)網(wǎng)絡(luò),分別學(xué)習(xí)風(fēng)功率時(shí)序信號(hào)的趨勢(shì)特征和局部特征;最后經(jīng)過特征融合得到風(fēng)功率預(yù)測(cè)結(jié)果。該模型具有如下優(yōu)點(diǎn):

    1)經(jīng)過EMD 算法分解后再重構(gòu)的多維度信號(hào),每個(gè)維度是相對(duì)平穩(wěn)的,網(wǎng)絡(luò)在平穩(wěn)頻域?qū)W習(xí)到的特征有更強(qiáng)的時(shí)間趨勢(shì)表示性,該方法可以弱化非平穩(wěn)因素帶來的擾動(dòng);

    2)原始信號(hào)分解成多個(gè)信號(hào)分量后重構(gòu)成多維張量輸入網(wǎng)絡(luò),并非每一分量單獨(dú)預(yù)測(cè),考慮了分量之間的內(nèi)在相關(guān)性,采用信息互補(bǔ)的策略增強(qiáng)網(wǎng)絡(luò)模型的魯棒性;

    3)兼顧時(shí)間序列分量的趨勢(shì)特征和局部特征,兩部分特征并行提取并融合。不僅保留了不同策略提取特征的獨(dú)立性,同時(shí)也在特征融合階段對(duì)目標(biāo)函數(shù)做了整體約束。

    1 風(fēng)功率經(jīng)驗(yàn)?zāi)B(tài)分解

    1.1 經(jīng)驗(yàn)?zāi)B(tài)分解

    經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)是將非平穩(wěn)信號(hào)按不同尺度的波動(dòng)或趨勢(shì)逐級(jí)分解成若干個(gè)內(nèi)在模式函數(shù)(Intrinsic Mode Function,IMF)的平穩(wěn)化處理。IMF 滿足以下條件:1)函數(shù)在整個(gè)時(shí)間序列范圍內(nèi),局部極值點(diǎn)和過零點(diǎn)的數(shù)目相等或最多相差一個(gè);2)在任意時(shí)間點(diǎn),局部最大值的包絡(luò)(上包絡(luò)線)和局部最小值的包絡(luò)(下包絡(luò)線)平均值為零。

    設(shè)x(t)為任意時(shí)序信號(hào),經(jīng)驗(yàn)?zāi)B(tài)分解具體步驟如下。

    1)確定信號(hào)x(t)的局部極大值點(diǎn)和局部極小值點(diǎn),利用三次樣條插值擬合形成原數(shù)據(jù)的上、下包絡(luò)線;

    2)令上包絡(luò)線和下包絡(luò)線的均值為m(t),計(jì)算h(t)=x(t) -m(t),判斷h(t)是否滿足IMF 條件,若不滿足,則把h(t)看作新的x(t),重復(fù)以上操作,即:

    直到hk(t)滿足IMF 條件,這樣就得到了第一個(gè)IMF,即c1(t)和信號(hào)的剩余分量r1(t):

    3)對(duì)r1(t)按照步驟2)的方法繼續(xù)進(jìn)行分解,直到所得的剩余分量滿足給定的終止條件,分解過程結(jié)束,得到若干IMF和一個(gè)剩余分量:

    原始信號(hào)可表示為若干IMF和剩余分量之和,即:

    剩余分量rn(t)反映原始信號(hào)的中心趨勢(shì)。

    1.2 風(fēng)功率經(jīng)驗(yàn)?zāi)B(tài)分解數(shù)據(jù)重構(gòu)

    受不確定性環(huán)境因素影響,風(fēng)速是非平穩(wěn)的時(shí)序信號(hào),風(fēng)速與風(fēng)功率存在一定的映射關(guān)系,因此風(fēng)功率是隨風(fēng)速波動(dòng)的非平穩(wěn)信號(hào)。將風(fēng)功率原始時(shí)序信號(hào)利用EMD 算法進(jìn)行分解,得到的信號(hào)分量與原始信號(hào)結(jié)合進(jìn)行數(shù)據(jù)重構(gòu),重構(gòu)的張量作為神經(jīng)網(wǎng)絡(luò)模型的輸入。設(shè)原始風(fēng)功率信號(hào)長度為t,經(jīng)驗(yàn)?zāi)B(tài)分解之后得到n個(gè)IMF分量和1個(gè)剩余分量,加上原始信號(hào)后數(shù)據(jù)重構(gòu)成t×(n+2)的2D 張量。重構(gòu)過程表示為:

    其中:x是重構(gòu)后的2D 張量,x(t)是原始時(shí)序信號(hào),ci(t)是IMF,rn(t)是剩余分量。重構(gòu)后的信號(hào)既保留了原始風(fēng)功率的信息也融合了多個(gè)頻段的平穩(wěn)信號(hào)信息,對(duì)后面的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程有促進(jìn)作用。

    2 EMD_CRNN超短期風(fēng)功率預(yù)測(cè)

    這部分將詳細(xì)介紹本文模型(EMD_CRNN)的結(jié)構(gòu),依次介紹了卷積層和GRU 層在特征提取方面各自的優(yōu)勢(shì),以及特征融合的方法。EMD_CRNN的整體架構(gòu)如圖1所示。

    圖1 EMD_CRNN 整體架構(gòu)Fig.1 Overall framework of EMD_CRNN

    2.1 局部特征提取

    卷積神經(jīng)網(wǎng)絡(luò)(CNN)的核心是對(duì)數(shù)據(jù)張量的卷積。CNN學(xué)到的模式具有平移不變性,這使得它可以高效地利用數(shù)據(jù),少量的樣本也可以學(xué)到具有泛化能力的數(shù)據(jù)表示。此外CNN還可以學(xué)到模式的空間層次結(jié)構(gòu),這使得它可以有效地學(xué)習(xí)抽象的空間層次概念。卷積層具有指定大小的濾波器,用以提取數(shù)據(jù)的局部特征,這一過程可以表示為:

    其中:?表示卷積運(yùn)算,x是數(shù)據(jù)張量,ReLU(Rectified Linear Unit)是激活函數(shù),Wc和bc是網(wǎng)絡(luò)學(xué)習(xí)過程中需要修正的權(quán)重和偏置。重構(gòu)后的風(fēng)功率信號(hào)作為卷積層的輸入,網(wǎng)絡(luò)可以學(xué)習(xí)到不同頻段信號(hào)之間的相互依賴,卷積層提取到的是不同頻段信號(hào)的局部特征。

    2.2 趨勢(shì)特征提取

    循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)處理時(shí)間序列任務(wù)有獨(dú)特的優(yōu)勢(shì),但隨著層數(shù)的增加,其面臨梯度消失的問題。門控循環(huán)單元(GRU)神經(jīng)網(wǎng)絡(luò)作為RNN 的一種變體,它特殊的門結(jié)構(gòu)可以有效地解決長短時(shí)間序列上的變化問題。GRU 層的過程可以表示為:

    其中:zt是記憶門,rt是遺忘門是更新的隱含層單元,ht是隱含層單元,⊙表示內(nèi)積運(yùn)算,σ表示sigmoid 函數(shù),Wz、Wr、Wh表示網(wǎng)絡(luò)學(xué)習(xí)的權(quán)重。重構(gòu)后的風(fēng)功率信號(hào)作為GRU 層的輸入,網(wǎng)絡(luò)可以學(xué)習(xí)到歷史信號(hào)的時(shí)序依賴關(guān)系,GRU 層提取時(shí)序信號(hào)的長期趨勢(shì)特征。

    2.3 多分支神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

    多分支神經(jīng)網(wǎng)絡(luò)模型由GRU 層和卷積層分別提取特征,經(jīng)過特征融合后再通過全連接層,最后得到網(wǎng)絡(luò)的輸出。GRU 層學(xué)習(xí)到的特征側(cè)重于時(shí)序信號(hào)的長期趨勢(shì),而卷積層學(xué)習(xí)到的特征側(cè)重于不同頻段信號(hào)的局部關(guān)聯(lián),全連接層可以擬合復(fù)雜的非線性映射[19]。這樣組合的混合神經(jīng)網(wǎng)絡(luò)優(yōu)勢(shì)在于:兼顧了CNN 和GRU 兩種神經(jīng)網(wǎng)絡(luò)的獨(dú)立性和相關(guān)性,在網(wǎng)絡(luò)中兩個(gè)分支是并行的,以保證針對(duì)數(shù)據(jù)的不同特性學(xué)習(xí)到不同的參數(shù)分布,并通過特征融合來約束統(tǒng)一的目標(biāo)。

    特征融合采用特征向量連接的方式實(shí)現(xiàn),經(jīng)過卷積層提取到的特征是3D 張量,經(jīng)過GRU 層提取到的特征是1D 張量。兩部分特征向量無法直接連接,文章使用Keras 中的Flatten 層將多維特征一維化,即把3D 張量“壓平”,然后再進(jìn)行連接。連接方式采用向量合并的策略,合并之后的總特征數(shù)為各部分特征數(shù)相加之和,文章使用Keras 中的concatenate函數(shù)實(shí)現(xiàn)特征融合。

    風(fēng)功率預(yù)測(cè)的流程如下:首先原始風(fēng)功率時(shí)序信號(hào)經(jīng)過EMD 算法分解成若干子信號(hào),通過1.2 節(jié)提到的方法將信號(hào)重構(gòu);然后重構(gòu)張量作為神經(jīng)網(wǎng)絡(luò)的輸入,由GRU 層和卷積層分別提取趨勢(shì)特征和局部特征;最后將兩個(gè)分支得到的特征融合,經(jīng)過全連接層后得到最后的預(yù)測(cè)結(jié)果。整個(gè)多分支神經(jīng)網(wǎng)絡(luò)可以用式(11)來表示:

    其中:p是預(yù)測(cè)功率;C(x)和R(ht)分別由式(6)、(10)計(jì)算得到,代表提取到的特征向量表示向量合并;W和b是需要訓(xùn)練的權(quán)重和偏置,Φ代表整個(gè)網(wǎng)絡(luò)學(xué)習(xí)的函數(shù)。

    3 實(shí)驗(yàn)與結(jié)果分析

    3.1 數(shù)據(jù)集及預(yù)處理

    本文實(shí)驗(yàn)使用內(nèi)蒙古某風(fēng)場(chǎng)的實(shí)際運(yùn)行數(shù)據(jù),風(fēng)機(jī)信息如下,風(fēng)機(jī)型號(hào)(http://wp.china-nengyuan.com/member_product/21293.html):CCWE-1500/77,額定功率1500 kW,輪轂高度:70 m,轉(zhuǎn)子直徑:77 m。原始數(shù)據(jù)的采樣周期是10 s,單位采樣次數(shù)下的數(shù)據(jù)波動(dòng)很小,因此對(duì)原始數(shù)據(jù)的缺失信息,采用了鄰近值填充的方式,即對(duì)于某時(shí)刻缺失的風(fēng)功率數(shù)值,向上搜尋一個(gè)時(shí)間單位的數(shù)值,如果依舊缺失則繼續(xù)向上搜尋一個(gè)時(shí)間單位,直到搜尋到數(shù)值為止。稱搜尋到的這個(gè)數(shù)值為當(dāng)前缺失信息位置的最鄰近值,依次找到所有缺失信息位置的最鄰近值進(jìn)行填充,補(bǔ)全整個(gè)數(shù)據(jù)集。

    樣本數(shù)據(jù)的波動(dòng)會(huì)影響預(yù)測(cè)精度,導(dǎo)致解的不確定性。數(shù)據(jù)的標(biāo)準(zhǔn)化可以減小樣本波動(dòng)的影響,提高預(yù)測(cè)性能。標(biāo)準(zhǔn)化方程為:

    其中:di是標(biāo)準(zhǔn)化后的值,d是待標(biāo)準(zhǔn)化的數(shù)據(jù),dmax是待標(biāo)準(zhǔn)化數(shù)據(jù)的最大值,dmin是待標(biāo)準(zhǔn)化數(shù)據(jù)的最小值。

    3.2 模型參數(shù)

    神經(jīng)網(wǎng)絡(luò)的目標(biāo)函數(shù)表示為:

    其中:W、b為神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的權(quán)重和偏置,i是指某一樣本點(diǎn),pi是實(shí)測(cè)功率值是預(yù)測(cè)功率值。網(wǎng)絡(luò)優(yōu)化器選擇考慮了動(dòng)量的Adam 方法。卷積層、GRU 層和全連接層中相應(yīng)的神經(jīng)元參數(shù)通過大量的實(shí)驗(yàn)調(diào)整到相對(duì)最優(yōu)值,卷積層的過濾器個(gè)數(shù)為32,尺寸為5×5,GRU 中隱含層的特征數(shù)為128。使用平均絕對(duì)誤差(Mean Absolute Error,MAE)和均方誤差(Mean Square Error,MSE)來評(píng)估各種方法的性能,MAE 的優(yōu)勢(shì)體現(xiàn)在對(duì)異常數(shù)據(jù)的魯棒性[20]。

    3.3 結(jié)果分析

    此課題使用了數(shù)據(jù)集中2 880 個(gè)樣本作為訓(xùn)練集,1 440個(gè)樣本作為測(cè)試集,對(duì)比了在風(fēng)功率預(yù)測(cè)中較常用的一些傳統(tǒng)算法,同時(shí)也對(duì)比了引言部分提及的幾個(gè)重要算法:差分整合自回歸移動(dòng)平均(AutoRegressive Integrated Moving Average,ARIMA)模型[21]、梯度提升決策樹(Gradient Boosting Decision Tree,GBDT)[22]、支持向量機(jī)(SVM)[3]、深度神經(jīng)網(wǎng)絡(luò)(DNN)[12]、門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)(GRU)、文獻(xiàn)[14]提出的GRU_CNN 和文獻(xiàn)[17]提出的EMD_ARMA,此外為了說明多分支神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì),還對(duì)比了EMD 重構(gòu)分別與DNN、CNN、GRU 網(wǎng)絡(luò)結(jié)合的結(jié)果(依次記作EMD+DNN、EMD+CNN、EMD+GRU)。為了觀察算法時(shí)間跨度預(yù)測(cè)性能,實(shí)驗(yàn)也列舉了模型在不同時(shí)間跨度下的表現(xiàn)。由于計(jì)算出的評(píng)價(jià)指標(biāo)精度高,為了便于展示,結(jié)果上做了1E-1和1E-2的運(yùn)算。

    圖2 可視化了一段時(shí)間內(nèi)的原始風(fēng)功率信號(hào)和分解后各頻段的信號(hào),圖的右邊是EMD 算法對(duì)圖左邊原始信號(hào)的分解??梢钥闯鲈夹盘?hào)的無周期性和非平穩(wěn)性,信號(hào)分解后,滿足IMF條件的分量是平穩(wěn)信號(hào),而且表現(xiàn)出了弱規(guī)律性,這給神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)降低了難度。

    圖2 風(fēng)功率信號(hào)EMD可視化Fig.2 EMD visualization of wind power signal

    表1 記錄了所有對(duì)比模型的MAE 和MSE 結(jié)果,隨著預(yù)測(cè)步長的增加,預(yù)測(cè)的準(zhǔn)確度會(huì)降低。歷史風(fēng)功率信號(hào)經(jīng)過EMD 重構(gòu)之后再輸入神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)很明顯,與ARIMA、DNN、GRU 相比,EMD_ARMA、EMD+DNN、EMD+GRU 在MAE表現(xiàn)方面都至少有1E-3 的提升,EMD+GRU 更是提升了將近5E-3。GRU_CNN 并沒有表現(xiàn)出很好的性能,因?yàn)閷?duì)于風(fēng)功率的單一信號(hào)而言,一維卷積并沒有發(fā)揮出預(yù)測(cè)性能方面的優(yōu)勢(shì)。EMD_CRNN 的卷積是針對(duì)EMD 分解過后的多維信號(hào),相比之下,它展現(xiàn)出來的優(yōu)勢(shì)就很明顯,其MAE 比傳統(tǒng)的ARIMA 方法下降了30%左右。EMD+CNN 和EMD+GRU 相對(duì)其他模型也有較小的MAE 和MSE,EMD_CRNN 發(fā)揮了卷積層和GRU 層的優(yōu)勢(shì),達(dá)到了更好的效果。EMD+CNN 和EMD+GRU 在預(yù)測(cè)性能上差別不大,因?yàn)閷?duì)預(yù)測(cè)結(jié)果起決定性作用的樣本序列較短,CNN 中的卷積核也能挖掘到重要的時(shí)序特征。

    為了證明EMD_CRNN 的普適性,表2給出了EMD重構(gòu)后的幾個(gè)神經(jīng)網(wǎng)絡(luò)模型在不同采樣周期下的評(píng)價(jià)指標(biāo)結(jié)果,采樣周期分別為1 min、3 min和5 min。結(jié)果表明EMD_CRNN在各個(gè)采樣周期上都比其他方法有優(yōu)勢(shì)。采樣間隔時(shí)間越長,所有方法預(yù)測(cè)結(jié)果準(zhǔn)確度都會(huì)降低,因?yàn)轱L(fēng)速的不穩(wěn)定性導(dǎo)致長間隔內(nèi)的不確定性因素的增加,故預(yù)測(cè)難度增加。

    圖3是表1中MAE和MSE的柱狀圖,縱坐標(biāo)是模型名稱,橫坐標(biāo)分別是評(píng)價(jià)指標(biāo)MAE和MSE的值。

    圖4 展示了GRU、EMD+GRU 與EMD_CRNN 三種模型在訓(xùn)練過程中隨著迭代次數(shù)增加的損失折線圖??梢钥闯觯?jīng)過EMD 數(shù)據(jù)重構(gòu)的神經(jīng)網(wǎng)絡(luò)更能訓(xùn)練得到較小的損失。GRU 神經(jīng)網(wǎng)絡(luò)在迭代過程中損失一直比較平穩(wěn),EMD_CRNN在迭代到5 次時(shí)模型效果達(dá)到最佳,后面則開始出現(xiàn)過擬合的現(xiàn)象,所以訓(xùn)練模型時(shí),選擇一個(gè)合適的迭代參數(shù)尤為關(guān)鍵。圖5 給出了EMD_CRNN 預(yù)測(cè)結(jié)果與實(shí)測(cè)值的對(duì)比,采樣周期和預(yù)測(cè)跨度皆為1 min,模型能較為準(zhǔn)確地預(yù)測(cè)出風(fēng)功率的走勢(shì)和突變值,在應(yīng)用上有一定的參考價(jià)值。

    表1 不同模型評(píng)價(jià)指標(biāo)對(duì)比Tab.1 Evaluation index comparison of different models

    表2 不同采樣周期的評(píng)價(jià)指標(biāo)對(duì)比Tab.2 Evaluation index comparison of different sampling peroids

    圖3 MAE、MSE柱狀圖Fig.3 Histograms of MAE and MSE

    圖4 不同模型在驗(yàn)證集上的loss折線圖Fig.4 Loss graph of different models on validation set

    圖5 預(yù)測(cè)結(jié)果與實(shí)測(cè)值可視化Fig.5 Visualization of prediction results and real values

    4 結(jié)語

    本文模型EMD_CRNN 是一種基于EMD 算法與數(shù)據(jù)重構(gòu),以及多分支神經(jīng)網(wǎng)絡(luò)的超短期風(fēng)功率預(yù)測(cè)模型。多分支體現(xiàn)在利用卷積層和GRU 層并行提取局部特征和趨勢(shì)特征。實(shí)驗(yàn)結(jié)果驗(yàn)證了該模型在實(shí)際風(fēng)場(chǎng)數(shù)據(jù)集上預(yù)測(cè)風(fēng)功率的優(yōu)勢(shì),主要包括以下3個(gè)方面:

    1)把非平穩(wěn)風(fēng)功率信號(hào)重構(gòu)為在各頻段相對(duì)平穩(wěn)的數(shù)據(jù)張量,循環(huán)神經(jīng)網(wǎng)絡(luò)在平穩(wěn)信號(hào)的數(shù)據(jù)驅(qū)動(dòng)下能學(xué)習(xí)到更強(qiáng)的趨勢(shì)依賴特征,克服了風(fēng)功率預(yù)測(cè)中非平穩(wěn)信號(hào)給模型學(xué)習(xí)帶來的困難;

    2)卷積層提取不同頻段信號(hào)的局部特征,GRU 層提取時(shí)序信號(hào)的長期趨勢(shì)特征,兼顧了不同特征之間的獨(dú)立性與相關(guān)性,使得模型對(duì)風(fēng)功率數(shù)據(jù)有更強(qiáng)的挖掘能力;

    3)數(shù)據(jù)重構(gòu)與多分支神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)層面與特征層面都體現(xiàn)出了信息互補(bǔ)的策略,該策略能提高風(fēng)功率預(yù)測(cè)模型的魯棒性。

    猜你喜歡
    特征信號(hào)模型
    一半模型
    信號(hào)
    鴨綠江(2021年35期)2021-04-19 12:24:18
    重要模型『一線三等角』
    完形填空二則
    重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
    如何表達(dá)“特征”
    不忠誠的四個(gè)特征
    基于FPGA的多功能信號(hào)發(fā)生器的設(shè)計(jì)
    電子制作(2018年11期)2018-08-04 03:25:42
    抓住特征巧觀察
    3D打印中的模型分割與打包
    午夜激情福利司机影院| 日韩一区二区视频免费看| h日本视频在线播放| av在线观看视频网站免费| 久久久久久久久久黄片| 国产精品久久久久久av不卡| 毛片一级片免费看久久久久| 色播亚洲综合网| 狂野欧美白嫩少妇大欣赏| 午夜精品一区二区三区免费看| 成年版毛片免费区| av.在线天堂| 人妻夜夜爽99麻豆av| avwww免费| 国产精品女同一区二区软件| 久久久国产成人精品二区| 亚洲人成网站在线观看播放| 亚洲欧美精品自产自拍| 国产高清视频在线观看网站| 亚洲国产精品成人久久小说 | 国产高清激情床上av| 综合色丁香网| 久久精品国产99精品国产亚洲性色| 小蜜桃在线观看免费完整版高清| 久久99蜜桃精品久久| 一级毛片电影观看 | 免费看av在线观看网站| 国产探花极品一区二区| 久久精品国产自在天天线| 国产av不卡久久| 国产视频首页在线观看| 美女高潮的动态| 日韩欧美在线乱码| 久久久午夜欧美精品| 国产一区二区亚洲精品在线观看| 99热全是精品| 久久精品国产亚洲av涩爱 | 亚洲美女搞黄在线观看| 三级男女做爰猛烈吃奶摸视频| 男女下面进入的视频免费午夜| 日韩成人av中文字幕在线观看| 国产精品嫩草影院av在线观看| 国产真实乱freesex| 成人av在线播放网站| 国产成人aa在线观看| 极品教师在线视频| 欧美高清成人免费视频www| 亚洲中文字幕日韩| 久久久午夜欧美精品| 国产伦精品一区二区三区视频9| 天堂√8在线中文| 国产精品三级大全| 午夜精品在线福利| 99热这里只有精品一区| 免费黄网站久久成人精品| 精品久久久久久久久久久久久| 久久久久久久亚洲中文字幕| 联通29元200g的流量卡| 国产午夜精品论理片| 久久鲁丝午夜福利片| 亚洲av二区三区四区| 亚洲欧美精品自产自拍| 国产乱人视频| 亚洲自拍偷在线| 2022亚洲国产成人精品| 蜜臀久久99精品久久宅男| 3wmmmm亚洲av在线观看| 亚洲内射少妇av| 麻豆成人午夜福利视频| 亚洲国产日韩欧美精品在线观看| 欧美日韩在线观看h| 男女边吃奶边做爰视频| 亚洲一区高清亚洲精品| 久久久久国产网址| 亚洲美女视频黄频| 久久久久九九精品影院| 久久久精品大字幕| 久久欧美精品欧美久久欧美| av在线播放精品| 特大巨黑吊av在线直播| 美女脱内裤让男人舔精品视频 | 日本黄色片子视频| 国产黄片美女视频| 亚洲av成人av| 国产美女午夜福利| 一个人看视频在线观看www免费| 亚洲乱码一区二区免费版| 欧美性感艳星| 亚洲国产精品久久男人天堂| 我的老师免费观看完整版| 变态另类丝袜制服| 女人被狂操c到高潮| 日韩国内少妇激情av| 日本色播在线视频| 精品久久久久久久末码| 免费观看精品视频网站| 村上凉子中文字幕在线| 精品久久久久久久末码| 精品久久久久久久人妻蜜臀av| 波多野结衣高清无吗| 中国国产av一级| 干丝袜人妻中文字幕| 内射极品少妇av片p| 欧美日韩精品成人综合77777| 91久久精品国产一区二区成人| 国产91av在线免费观看| 身体一侧抽搐| 99九九线精品视频在线观看视频| 99久国产av精品| 伦理电影大哥的女人| 国产蜜桃级精品一区二区三区| 午夜免费激情av| 青春草视频在线免费观看| 男女啪啪激烈高潮av片| 岛国在线免费视频观看| 真实男女啪啪啪动态图| 国产爱豆传媒在线观看| 欧美日韩乱码在线| 男女那种视频在线观看| 日产精品乱码卡一卡2卡三| 亚洲av一区综合| 午夜福利成人在线免费观看| 天堂中文最新版在线下载 | 午夜精品一区二区三区免费看| ponron亚洲| 激情 狠狠 欧美| 午夜精品在线福利| 欧美高清性xxxxhd video| 国产毛片a区久久久久| 国产蜜桃级精品一区二区三区| 99久国产av精品国产电影| 啦啦啦韩国在线观看视频| 中文字幕av成人在线电影| 永久网站在线| 丰满的人妻完整版| 禁无遮挡网站| 国产午夜精品论理片| av国产免费在线观看| 亚洲av熟女| 精品久久久久久成人av| 日本免费一区二区三区高清不卡| 99九九线精品视频在线观看视频| 中文在线观看免费www的网站| 热99re8久久精品国产| 中文资源天堂在线| 国产私拍福利视频在线观看| 可以在线观看的亚洲视频| 久久亚洲国产成人精品v| 18禁黄网站禁片免费观看直播| 一区二区三区免费毛片| 成人午夜精彩视频在线观看| 在线观看一区二区三区| av女优亚洲男人天堂| 中国美白少妇内射xxxbb| 久久精品国产自在天天线| 99久久精品国产国产毛片| 黄色欧美视频在线观看| 在线a可以看的网站| 成人毛片a级毛片在线播放| 亚洲欧美日韩无卡精品| 国产国拍精品亚洲av在线观看| 亚洲精品国产av成人精品| 欧美极品一区二区三区四区| 久久久久免费精品人妻一区二区| 在线观看av片永久免费下载| 黑人高潮一二区| 插阴视频在线观看视频| 国产精品久久电影中文字幕| 人妻制服诱惑在线中文字幕| 五月伊人婷婷丁香| 淫秽高清视频在线观看| 最近中文字幕高清免费大全6| a级毛色黄片| 成人美女网站在线观看视频| 欧美区成人在线视频| 久久久久久久久久黄片| 国产麻豆成人av免费视频| 人人妻人人看人人澡| 欧美+亚洲+日韩+国产| www.色视频.com| av卡一久久| 蜜桃亚洲精品一区二区三区| 亚洲性久久影院| 中文亚洲av片在线观看爽| 久久久久久久久大av| 一级毛片我不卡| 中文字幕人妻熟人妻熟丝袜美| 欧美最新免费一区二区三区| 菩萨蛮人人尽说江南好唐韦庄 | 久久国产乱子免费精品| 免费大片18禁| 国产精品一区www在线观看| 精品久久久噜噜| 色哟哟哟哟哟哟| АⅤ资源中文在线天堂| 亚洲国产精品成人久久小说 | 亚洲国产欧洲综合997久久,| 99久久精品国产国产毛片| 成人美女网站在线观看视频| 午夜福利在线观看免费完整高清在 | 菩萨蛮人人尽说江南好唐韦庄 | 狂野欧美激情性xxxx在线观看| av视频在线观看入口| 成熟少妇高潮喷水视频| 亚洲无线观看免费| av免费观看日本| 亚洲av一区综合| 免费看av在线观看网站| 赤兔流量卡办理| 又粗又爽又猛毛片免费看| 久久中文看片网| 亚洲av第一区精品v没综合| 欧美3d第一页| 精品少妇黑人巨大在线播放 | 久久99蜜桃精品久久| 偷拍熟女少妇极品色| 麻豆精品久久久久久蜜桃| 国产成人一区二区在线| 免费看a级黄色片| 在线观看美女被高潮喷水网站| 国产中年淑女户外野战色| 天堂av国产一区二区熟女人妻| 人妻夜夜爽99麻豆av| 天堂√8在线中文| 精品人妻熟女av久视频| 亚洲人成网站高清观看| 亚洲欧美日韩东京热| 91午夜精品亚洲一区二区三区| 中文欧美无线码| 国产精品久久久久久av不卡| 国产精品永久免费网站| 成人毛片60女人毛片免费| 九九热线精品视视频播放| 麻豆成人午夜福利视频| 国模一区二区三区四区视频| 亚洲欧美精品综合久久99| kizo精华| 亚洲乱码一区二区免费版| 色哟哟·www| 精品欧美国产一区二区三| 国产成人精品一,二区 | 日本免费a在线| 欧美丝袜亚洲另类| 日韩大尺度精品在线看网址| 久久精品人妻少妇| 日日干狠狠操夜夜爽| 成年av动漫网址| 国产精品.久久久| 国产一区二区在线观看日韩| 99久久无色码亚洲精品果冻| 在线免费十八禁| 欧美一级a爱片免费观看看| av在线蜜桃| 久久久成人免费电影| 亚洲五月天丁香| 国产v大片淫在线免费观看| 国内精品一区二区在线观看| 日产精品乱码卡一卡2卡三| 欧美性猛交╳xxx乱大交人| 亚洲国产色片| av专区在线播放| 国产女主播在线喷水免费视频网站 | 亚洲av第一区精品v没综合| 能在线免费观看的黄片| 自拍偷自拍亚洲精品老妇| 一级毛片电影观看 | 国产成人91sexporn| 国产高清有码在线观看视频| 久久草成人影院| 亚洲性久久影院| 看非洲黑人一级黄片| 亚洲精品影视一区二区三区av| 色尼玛亚洲综合影院| 成人亚洲欧美一区二区av| 黑人高潮一二区| 嫩草影院入口| 九九爱精品视频在线观看| 精品不卡国产一区二区三区| 国产精品国产三级国产av玫瑰| 日韩高清综合在线| 级片在线观看| 国产白丝娇喘喷水9色精品| 免费电影在线观看免费观看| 国产精品嫩草影院av在线观看| 日韩一区二区视频免费看| av天堂在线播放| 一级毛片电影观看 | 亚洲国产精品成人久久小说 | 精品久久久久久久久av| 国产麻豆成人av免费视频| 中文资源天堂在线| 国产一区二区在线观看日韩| 日韩高清综合在线| av专区在线播放| 91aial.com中文字幕在线观看| 一区二区三区四区激情视频 | 色噜噜av男人的天堂激情| 一区二区三区四区激情视频 | 免费av毛片视频| 热99re8久久精品国产| 国产精品乱码一区二三区的特点| 亚洲精品亚洲一区二区| 校园人妻丝袜中文字幕| 女的被弄到高潮叫床怎么办| 欧美日韩国产亚洲二区| 搡女人真爽免费视频火全软件| 亚洲欧美清纯卡通| 天堂网av新在线| 精品熟女少妇av免费看| 哪里可以看免费的av片| 欧美色欧美亚洲另类二区| 小说图片视频综合网站| 国产精品三级大全| 成人二区视频| 人人妻人人澡人人爽人人夜夜 | 欧美成人精品欧美一级黄| 国产精品久久久久久久电影| 哪里可以看免费的av片| 啦啦啦啦在线视频资源| 国产成人freesex在线| 亚洲精品自拍成人| 一夜夜www| 亚洲天堂国产精品一区在线| 日本黄大片高清| 嫩草影院精品99| 成年av动漫网址| 身体一侧抽搐| 美女xxoo啪啪120秒动态图| 99久久成人亚洲精品观看| 99久久久亚洲精品蜜臀av| 噜噜噜噜噜久久久久久91| 内地一区二区视频在线| 亚洲中文字幕一区二区三区有码在线看| 91久久精品国产一区二区三区| 免费看av在线观看网站| 精品一区二区三区人妻视频| 深爱激情五月婷婷| 精品人妻一区二区三区麻豆| 国产爱豆传媒在线观看| 久久6这里有精品| 日本一本二区三区精品| 日日啪夜夜撸| 69av精品久久久久久| 尤物成人国产欧美一区二区三区| 永久网站在线| 国产高清有码在线观看视频| 精品人妻一区二区三区麻豆| 日韩人妻高清精品专区| 精品免费久久久久久久清纯| 一本精品99久久精品77| 波多野结衣高清无吗| 观看美女的网站| 日韩视频在线欧美| 日本免费一区二区三区高清不卡| 久久6这里有精品| 可以在线观看毛片的网站| eeuss影院久久| 日本欧美国产在线视频| 亚洲欧美成人精品一区二区| 国产一区二区在线观看日韩| 老司机影院成人| 熟妇人妻久久中文字幕3abv| 97超视频在线观看视频| 精品人妻熟女av久视频| 国产毛片a区久久久久| 综合色av麻豆| 亚洲精品乱码久久久v下载方式| 天堂中文最新版在线下载 | or卡值多少钱| 高清在线视频一区二区三区 | 九九在线视频观看精品| 国产一区二区亚洲精品在线观看| 成人亚洲精品av一区二区| 亚洲真实伦在线观看| 国产片特级美女逼逼视频| 亚洲无线观看免费| 免费不卡的大黄色大毛片视频在线观看 | av天堂中文字幕网| 噜噜噜噜噜久久久久久91| 国产乱人偷精品视频| 日日啪夜夜撸| 欧美成人一区二区免费高清观看| 欧美潮喷喷水| 精品国产三级普通话版| 久久久国产成人免费| 欧美日本视频| 欧美日本亚洲视频在线播放| 一夜夜www| 欧美激情久久久久久爽电影| 日本与韩国留学比较| 男人和女人高潮做爰伦理| 99视频精品全部免费 在线| 国产国拍精品亚洲av在线观看| 男人和女人高潮做爰伦理| 看免费成人av毛片| 九色成人免费人妻av| 国产亚洲av片在线观看秒播厂 | 欧美又色又爽又黄视频| 综合色丁香网| 成人美女网站在线观看视频| 日韩制服骚丝袜av| 欧美另类亚洲清纯唯美| 欧美日韩在线观看h| 久久精品夜色国产| 天堂中文最新版在线下载 | 欧美性感艳星| 亚洲欧美日韩高清在线视频| 97人妻精品一区二区三区麻豆| 春色校园在线视频观看| 欧美最黄视频在线播放免费| 一区福利在线观看| 少妇人妻精品综合一区二区 | 亚洲国产欧美在线一区| 精品日产1卡2卡| 欧美+亚洲+日韩+国产| 91aial.com中文字幕在线观看| 国产高清视频在线观看网站| 婷婷色av中文字幕| 网址你懂的国产日韩在线| 色哟哟·www| 国产av一区在线观看免费| 午夜福利在线在线| 午夜福利视频1000在线观看| 欧美激情国产日韩精品一区| 亚洲内射少妇av| 99久久人妻综合| 蜜臀久久99精品久久宅男| 99国产精品一区二区蜜桃av| 99精品在免费线老司机午夜| 免费看a级黄色片| 麻豆国产av国片精品| 三级男女做爰猛烈吃奶摸视频| 日日干狠狠操夜夜爽| 日韩欧美在线乱码| 中文精品一卡2卡3卡4更新| 午夜精品国产一区二区电影 | 精品不卡国产一区二区三区| 女人十人毛片免费观看3o分钟| kizo精华| 国产精品一区二区三区四区久久| 亚洲人成网站在线播| 91aial.com中文字幕在线观看| 国产成人aa在线观看| 天堂中文最新版在线下载 | 久久久国产成人免费| 亚洲人成网站在线播放欧美日韩| 久久韩国三级中文字幕| 国产精品乱码一区二三区的特点| 欧美性猛交╳xxx乱大交人| 在线播放国产精品三级| 免费人成在线观看视频色| 男女边吃奶边做爰视频| 日本爱情动作片www.在线观看| 看黄色毛片网站| 国产精品一区二区三区四区久久| 免费黄网站久久成人精品| 精品人妻视频免费看| 欧美xxxx性猛交bbbb| 永久网站在线| 午夜老司机福利剧场| 白带黄色成豆腐渣| 深爱激情五月婷婷| 亚洲欧美日韩东京热| 日韩高清综合在线| 亚洲精品乱码久久久久久按摩| 国产精品伦人一区二区| 免费电影在线观看免费观看| 国产伦精品一区二区三区四那| 欧美日韩乱码在线| 熟女电影av网| 51国产日韩欧美| 哪个播放器可以免费观看大片| 又爽又黄a免费视频| 亚洲精品粉嫩美女一区| 精品少妇黑人巨大在线播放 | 国产精品久久久久久精品电影小说 | 国产午夜精品久久久久久一区二区三区| 99久国产av精品| av免费在线看不卡| 日韩欧美在线乱码| 性插视频无遮挡在线免费观看| 亚洲电影在线观看av| 国产精品美女特级片免费视频播放器| 欧美日本亚洲视频在线播放| 99久久成人亚洲精品观看| 国产成人福利小说| 日韩,欧美,国产一区二区三区 | 亚洲人成网站高清观看| 91av网一区二区| 国产av一区在线观看免费| 在线免费观看的www视频| 国产午夜精品一二区理论片| 色播亚洲综合网| 夜夜看夜夜爽夜夜摸| 中文字幕精品亚洲无线码一区| 哪个播放器可以免费观看大片| 国产又黄又爽又无遮挡在线| 国产成人91sexporn| 乱码一卡2卡4卡精品| 日本免费一区二区三区高清不卡| 美女大奶头视频| 在线免费观看不下载黄p国产| 你懂的网址亚洲精品在线观看 | 丝袜美腿在线中文| 网址你懂的国产日韩在线| 日韩av在线大香蕉| 久久久久久久久中文| 嫩草影院精品99| 亚洲,欧美,日韩| 超碰av人人做人人爽久久| 成人综合一区亚洲| 丰满的人妻完整版| av女优亚洲男人天堂| 在线a可以看的网站| 少妇猛男粗大的猛烈进出视频 | 国产真实伦视频高清在线观看| 免费在线观看成人毛片| 亚洲精品久久久久久婷婷小说 | 99久久精品热视频| 亚洲国产精品久久男人天堂| 久久精品国产亚洲av香蕉五月| 精品久久久久久成人av| 搡女人真爽免费视频火全软件| 亚洲图色成人| 亚洲av.av天堂| 日韩欧美国产在线观看| 久久精品国产清高在天天线| 国产在视频线在精品| 日韩强制内射视频| 在线观看免费视频日本深夜| 免费在线观看成人毛片| 精品一区二区免费观看| 在线播放无遮挡| 99riav亚洲国产免费| 午夜福利在线在线| 老师上课跳d突然被开到最大视频| 国产精品爽爽va在线观看网站| .国产精品久久| 久久人人爽人人片av| 久久精品国产清高在天天线| 联通29元200g的流量卡| 九九热线精品视视频播放| 麻豆成人av视频| 亚洲精品成人久久久久久| 国产成人福利小说| 免费av观看视频| 狂野欧美激情性xxxx在线观看| 波多野结衣巨乳人妻| 观看美女的网站| 免费av不卡在线播放| 久久久色成人| 22中文网久久字幕| 在线免费观看不下载黄p国产| 日韩欧美精品v在线| 色尼玛亚洲综合影院| 国产av在哪里看| 色尼玛亚洲综合影院| 天天躁夜夜躁狠狠久久av| 桃色一区二区三区在线观看| 日韩欧美一区二区三区在线观看| 欧美一级a爱片免费观看看| 国产精品三级大全| 成人永久免费在线观看视频| av视频在线观看入口| 国产毛片a区久久久久| 精品久久久久久久末码| 成人特级黄色片久久久久久久| 老司机影院成人| 国产精品福利在线免费观看| 国产乱人偷精品视频| 有码 亚洲区| 91狼人影院| 卡戴珊不雅视频在线播放| h日本视频在线播放| 国产精品嫩草影院av在线观看| 国产午夜福利久久久久久| 韩国av在线不卡| 少妇丰满av| 国产成人a区在线观看| 久久久精品94久久精品| 国产精品.久久久| 午夜爱爱视频在线播放| 亚洲一区二区三区色噜噜| 秋霞在线观看毛片| 日本色播在线视频| 亚洲图色成人| 色哟哟·www| 欧美激情国产日韩精品一区| 中国美女看黄片| 精品人妻偷拍中文字幕| 中出人妻视频一区二区| 国产成人91sexporn| 少妇的逼水好多| 嫩草影院新地址| 亚洲第一区二区三区不卡| 热99re8久久精品国产| 国产不卡一卡二| 级片在线观看| 亚洲无线在线观看| h日本视频在线播放| 亚洲欧美清纯卡通| 91久久精品电影网| 久久精品久久久久久久性| 少妇丰满av| 大又大粗又爽又黄少妇毛片口| 日韩成人av中文字幕在线观看| 国产熟女欧美一区二区| 亚洲国产色片| 哪个播放器可以免费观看大片| 精品99又大又爽又粗少妇毛片| 波多野结衣高清作品| 麻豆成人av视频| 最近手机中文字幕大全| 久久久午夜欧美精品| 日本在线视频免费播放|