• <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(guó)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(guó)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,???570228)

    0 引言

    當(dāng)今世界面臨能源危機(jī),風(fēng)能是最具開(kāi)發(fā)前景的一種可再生能源。風(fēng)力發(fā)電具有環(huán)保可持續(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(lái)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(zhǎng)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(guò)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(guò)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(guò)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(lái),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??紤]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(guò)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(guò)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(guò)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(lái)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(guò)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(guò)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(zhǎng)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(guò)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(guò)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(guò)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(guò)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(wèn)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(zhǎng)短時(shí)間序列上的變化問(wèn)題。GRU 層的過(guò)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(zhǎng)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(guò)特征融合后再通過(guò)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(zhǎng)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(guò)特征融合來(lái)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(guò)卷積層提取到的特征是3D 張量,經(jīng)過(guò)GRU 層提取到的特征是1D 張量。兩部分特征向量無(wú)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(guò)EMD 算法分解成若干子信號(hào),通過(guò)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(guò)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(lái)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(guò)大量的實(shí)驗(yàn)調(diào)整到相對(duì)最優(yōu)值,卷積層的過(guò)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(lái)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(shù)(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(shuō)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。可以看出原始信號(hào)的無(wú)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(zhǎng)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(guò)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(méi)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(méi)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(guò)后的多維信號(hào),相比之下,它展現(xiàn)出來(lái)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(zhǎng),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(zhǎng)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(guò)程中隨著迭代次數(shù)增加的損失折線圖??梢钥闯?,經(jīng)過(guò)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(guò)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(kāi)始出現(xiàn)過(guò)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(yǔ)

    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(lái)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(zhǎng)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(chéng)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
    黄色视频,在线免费观看| 午夜精品在线福利| 99热这里只有精品一区| 午夜免费男女啪啪视频观看 | 成人午夜高清在线视频| 性欧美人与动物交配| 蜜桃久久精品国产亚洲av| 亚洲一区高清亚洲精品| 亚洲最大成人中文| 伊人久久精品亚洲午夜| 精品福利观看| 男人舔奶头视频| 精华霜和精华液先用哪个| 色在线成人网| 午夜福利欧美成人| 欧美午夜高清在线| 老汉色av国产亚洲站长工具| 最近最新中文字幕大全免费视频| www.www免费av| 1024手机看黄色片| 观看免费一级毛片| 国产激情欧美一区二区| 国产黄片美女视频| 欧美最新免费一区二区三区 | 怎么达到女性高潮| 日韩欧美国产在线观看| 在线播放国产精品三级| 成人一区二区视频在线观看| 日日摸夜夜添夜夜添小说| 夜夜躁狠狠躁天天躁| 日韩精品中文字幕看吧| 免费av观看视频| 午夜免费男女啪啪视频观看 | 九色国产91popny在线| 欧美高清成人免费视频www| netflix在线观看网站| 熟女电影av网| 国产精品影院久久| 嫩草影视91久久| 国产野战对白在线观看| 久久久久久人人人人人| 亚洲专区中文字幕在线| 成人特级黄色片久久久久久久| 欧美zozozo另类| 高清日韩中文字幕在线| 亚洲精品国产精品久久久不卡| 乱人视频在线观看| 欧美黑人巨大hd| 欧美日韩一级在线毛片| 少妇的丰满在线观看| 久久国产精品人妻蜜桃| 91在线观看av| 亚洲色图av天堂| 久久久久久九九精品二区国产| 一a级毛片在线观看| 国产精品日韩av在线免费观看| 亚洲黑人精品在线| 亚洲久久久久久中文字幕| 欧美日韩瑟瑟在线播放| 亚洲精品成人久久久久久| 在线观看美女被高潮喷水网站 | 国产成人aa在线观看| 脱女人内裤的视频| 91久久精品电影网| 听说在线观看完整版免费高清| 午夜激情欧美在线| 日本熟妇午夜| 高清日韩中文字幕在线| bbb黄色大片| 真人做人爱边吃奶动态| 国产成人系列免费观看| 俺也久久电影网| 两个人看的免费小视频| 中文字幕av成人在线电影| 90打野战视频偷拍视频| 色综合欧美亚洲国产小说| 91九色精品人成在线观看| 小说图片视频综合网站| 国产精华一区二区三区| 免费观看人在逋| 一区二区三区免费毛片| 真人一进一出gif抽搐免费| 狂野欧美白嫩少妇大欣赏| 99精品久久久久人妻精品| 一区二区三区免费毛片| 一进一出抽搐动态| 色av中文字幕| 一区二区三区国产精品乱码| 国产精品1区2区在线观看.| 神马国产精品三级电影在线观看| 亚洲片人在线观看| 露出奶头的视频| 黄片大片在线免费观看| 女人被狂操c到高潮| 啦啦啦观看免费观看视频高清| 天天一区二区日本电影三级| 国产精品久久久久久亚洲av鲁大| 美女高潮喷水抽搐中文字幕| 叶爱在线成人免费视频播放| 国产v大片淫在线免费观看| 日本熟妇午夜| www.999成人在线观看| 午夜精品久久久久久毛片777| 国产极品精品免费视频能看的| 日本精品一区二区三区蜜桃| 欧美3d第一页| 在线观看66精品国产| 美女黄网站色视频| 国产亚洲欧美98| 岛国在线观看网站| 亚洲,欧美精品.| 麻豆成人午夜福利视频| 亚洲国产日韩欧美精品在线观看 | 国产真实乱freesex| 国产在视频线在精品| 在线十欧美十亚洲十日本专区| 日韩人妻高清精品专区| 国产精品,欧美在线| 国产不卡一卡二| 又黄又爽又免费观看的视频| 内射极品少妇av片p| 久久国产精品影院| 精品人妻1区二区| 久久精品影院6| 嫩草影院入口| 熟女少妇亚洲综合色aaa.| 久久久久久久久中文| 成年女人看的毛片在线观看| 日韩人妻高清精品专区| 亚洲国产欧美人成| 亚洲精品影视一区二区三区av| 精品欧美国产一区二区三| 特大巨黑吊av在线直播| 免费观看精品视频网站| 波野结衣二区三区在线 | 精品国产亚洲在线| 亚洲一区二区三区色噜噜| 12—13女人毛片做爰片一| 男人舔女人下体高潮全视频| 国产蜜桃级精品一区二区三区| 色综合站精品国产| 久久天躁狠狠躁夜夜2o2o| 国产精品亚洲av一区麻豆| 成人一区二区视频在线观看| 黄色成人免费大全| 他把我摸到了高潮在线观看| 亚洲国产精品成人综合色| 国产中年淑女户外野战色| 看免费av毛片| 久久香蕉精品热| 国产主播在线观看一区二区| or卡值多少钱| 别揉我奶头~嗯~啊~动态视频| 国产高清videossex| 99久久九九国产精品国产免费| 2021天堂中文幕一二区在线观| 国产高清视频在线观看网站| 免费看十八禁软件| 色综合欧美亚洲国产小说| 亚洲va日本ⅴa欧美va伊人久久| 国产av在哪里看| 琪琪午夜伦伦电影理论片6080| 好男人在线观看高清免费视频| 99久国产av精品| 一区二区三区国产精品乱码| 免费在线观看影片大全网站| 国产91精品成人一区二区三区| 欧美激情在线99| 色av中文字幕| 免费av不卡在线播放| 内射极品少妇av片p| 国产精品久久久久久久电影 | 午夜免费激情av| 国产久久久一区二区三区| 搡老熟女国产l中国老女人| 人妻夜夜爽99麻豆av| 国产一区二区在线av高清观看| 亚洲国产色片| 国产综合懂色| 婷婷精品国产亚洲av| 亚洲成人中文字幕在线播放| 亚洲无线在线观看| 可以在线观看的亚洲视频| 国产成人av激情在线播放| 欧美最新免费一区二区三区 | 两个人的视频大全免费| 99精品欧美一区二区三区四区| 国产成人影院久久av| 丰满人妻熟妇乱又伦精品不卡| 婷婷亚洲欧美| 最新中文字幕久久久久| 99久久无色码亚洲精品果冻| 亚洲久久久久久中文字幕| 免费av不卡在线播放| 久久精品夜夜夜夜夜久久蜜豆| 亚洲成av人片免费观看| 亚洲av五月六月丁香网| 极品教师在线免费播放| 99热精品在线国产| 91麻豆精品激情在线观看国产| 国产成人aa在线观看| 免费无遮挡裸体视频| АⅤ资源中文在线天堂| 国产在视频线在精品| av天堂在线播放| 欧美成人a在线观看| 国产激情欧美一区二区| 午夜免费观看网址| 女警被强在线播放| 欧美乱码精品一区二区三区| 免费看a级黄色片| 国产一区二区在线av高清观看| 久久午夜亚洲精品久久| 国产高清三级在线| 一区二区三区激情视频| 高清日韩中文字幕在线| 99国产精品一区二区蜜桃av| 99久国产av精品| 白带黄色成豆腐渣| 亚洲片人在线观看| 中国美女看黄片| 色尼玛亚洲综合影院| 在线观看66精品国产| 高清日韩中文字幕在线| 亚洲五月婷婷丁香| 脱女人内裤的视频| av天堂在线播放| 国产精华一区二区三区| 两个人看的免费小视频| 国产亚洲精品久久久久久毛片| 久久久成人免费电影| 久久久久九九精品影院| 日韩大尺度精品在线看网址| 夜夜看夜夜爽夜夜摸| 五月玫瑰六月丁香| av女优亚洲男人天堂| 国产又黄又爽又无遮挡在线| 精品国产亚洲在线| 久久香蕉国产精品| 99久久精品国产亚洲精品| 亚洲av中文字字幕乱码综合| 国产精品综合久久久久久久免费| 99在线人妻在线中文字幕| 一进一出抽搐动态| 韩国av一区二区三区四区| 97人妻精品一区二区三区麻豆| 亚洲av熟女| 成人18禁在线播放| 12—13女人毛片做爰片一| 国产午夜精品论理片| 在线播放国产精品三级| 白带黄色成豆腐渣| 中文字幕人成人乱码亚洲影| 色精品久久人妻99蜜桃| 亚洲第一电影网av| 日本黄色视频三级网站网址| 日本精品一区二区三区蜜桃| 可以在线观看的亚洲视频| 久久精品国产综合久久久| 欧美区成人在线视频| 最好的美女福利视频网| 偷拍熟女少妇极品色| 亚洲aⅴ乱码一区二区在线播放| 亚洲av电影不卡..在线观看| 精品国产超薄肉色丝袜足j| 国产成人福利小说| 亚洲一区高清亚洲精品| 韩国av一区二区三区四区| 日韩 欧美 亚洲 中文字幕| 免费观看的影片在线观看| 天堂av国产一区二区熟女人妻| 久久欧美精品欧美久久欧美| 搡老妇女老女人老熟妇| 亚洲欧美日韩高清在线视频| 中文字幕av成人在线电影| 91久久精品国产一区二区成人 | 9191精品国产免费久久| 国产精品香港三级国产av潘金莲| 在线观看免费午夜福利视频| 搞女人的毛片| 久久亚洲精品不卡| 嫩草影院入口| 日韩大尺度精品在线看网址| 亚洲成人久久性| 国产一区二区三区在线臀色熟女| 日本在线视频免费播放| 亚洲专区中文字幕在线| 亚洲黑人精品在线| 亚洲欧美日韩高清在线视频| 五月伊人婷婷丁香| 青草久久国产| 欧美精品啪啪一区二区三区| 亚洲av成人av| 性欧美人与动物交配| 国产一区二区三区视频了| 欧美成人性av电影在线观看| 精品久久久久久久久久免费视频| 精品人妻1区二区| 中亚洲国语对白在线视频| 韩国av一区二区三区四区| 色吧在线观看| 国产v大片淫在线免费观看| 国产精品综合久久久久久久免费| 色播亚洲综合网| 亚洲中文日韩欧美视频| 日韩欧美三级三区| 亚洲人成伊人成综合网2020| 亚洲精品一卡2卡三卡4卡5卡| 亚洲18禁久久av| 久久精品国产99精品国产亚洲性色| 国语自产精品视频在线第100页| 亚洲av免费在线观看| 午夜激情欧美在线| 成人国产综合亚洲| 国产精品,欧美在线| 18禁黄网站禁片午夜丰满| 国产探花极品一区二区| 草草在线视频免费看| 午夜免费激情av| 少妇的逼水好多| 热99在线观看视频| 午夜激情福利司机影院| 亚洲成人免费电影在线观看| 18禁在线播放成人免费| 国内精品久久久久精免费| 久久欧美精品欧美久久欧美| www.www免费av| 香蕉久久夜色| 中文字幕人妻丝袜一区二区| 亚洲国产精品久久男人天堂| 国产爱豆传媒在线观看| 免费人成视频x8x8入口观看| 国产欧美日韩精品一区二区| 国产精品久久久人人做人人爽| 51国产日韩欧美| 网址你懂的国产日韩在线| 99在线人妻在线中文字幕| 校园春色视频在线观看| 国内少妇人妻偷人精品xxx网站| 欧美成人a在线观看| 午夜免费男女啪啪视频观看 | 女人十人毛片免费观看3o分钟| 啦啦啦韩国在线观看视频| 国产一区二区在线观看日韩 | 亚洲欧美日韩东京热| 天堂√8在线中文| 欧美一级毛片孕妇| 在线观看av片永久免费下载| 国产精品久久视频播放| 久久国产精品人妻蜜桃| 色在线成人网| 免费观看的影片在线观看| 757午夜福利合集在线观看| 久久久精品欧美日韩精品| 中出人妻视频一区二区| 国产精品亚洲一级av第二区| 国产精品自产拍在线观看55亚洲| 最近最新中文字幕大全电影3| 亚洲精品在线观看二区| 日本 欧美在线| 看黄色毛片网站| 精品国产三级普通话版| 桃红色精品国产亚洲av| 国产av麻豆久久久久久久| 最新中文字幕久久久久| 一进一出抽搐动态| 国产老妇女一区| 成人午夜高清在线视频| 国产伦精品一区二区三区四那| 91麻豆精品激情在线观看国产| 最新在线观看一区二区三区| 日韩有码中文字幕| www日本在线高清视频| 琪琪午夜伦伦电影理论片6080| 国产在视频线在精品| 美女大奶头视频| 好男人在线观看高清免费视频| 国产精品一区二区三区四区免费观看 | 欧美成人免费av一区二区三区| 国产爱豆传媒在线观看| 性色avwww在线观看| 国产精品99久久久久久久久| 九色成人免费人妻av| xxx96com| 男女午夜视频在线观看| 亚洲成人久久爱视频| 激情在线观看视频在线高清| 听说在线观看完整版免费高清| 国产成人a区在线观看| 午夜影院日韩av| 亚洲欧美日韩高清专用| 日韩精品中文字幕看吧| 久久精品综合一区二区三区| 蜜桃久久精品国产亚洲av| 国产精品影院久久| 国产亚洲精品久久久com| 看黄色毛片网站| 国产91精品成人一区二区三区| 特大巨黑吊av在线直播| 欧美+日韩+精品| 日本精品一区二区三区蜜桃| 日韩欧美在线二视频| 精品一区二区三区人妻视频| 中国美女看黄片| 国产精品99久久99久久久不卡| 18禁在线播放成人免费| 中文字幕高清在线视频| 男女床上黄色一级片免费看| 黄色丝袜av网址大全| 在线视频色国产色| 一边摸一边抽搐一进一小说| 精品久久久久久久人妻蜜臀av| 久久久成人免费电影| 国产精品亚洲av一区麻豆| 99久久久亚洲精品蜜臀av| 午夜福利在线观看吧| 亚洲国产日韩欧美精品在线观看 | 亚洲avbb在线观看| 久久久久亚洲av毛片大全| 欧美乱妇无乱码| 国产乱人伦免费视频| 黄色视频,在线免费观看| 中文字幕久久专区| 一进一出好大好爽视频| 中文字幕精品亚洲无线码一区| 亚洲精品在线美女| 免费人成视频x8x8入口观看| 91在线观看av| 国产主播在线观看一区二区| 国产精品av视频在线免费观看| 久99久视频精品免费| 日韩国内少妇激情av| 天堂动漫精品| 中出人妻视频一区二区| 不卡一级毛片| 99久久无色码亚洲精品果冻| www日本在线高清视频| 国产精品日韩av在线免费观看| 最新美女视频免费是黄的| 搡老岳熟女国产| 欧美黄色淫秽网站| 中文字幕av成人在线电影| 亚洲av熟女| 国产亚洲精品综合一区在线观看| 久久精品人妻少妇| 大型黄色视频在线免费观看| 搡老妇女老女人老熟妇| 日日摸夜夜添夜夜添小说| 老鸭窝网址在线观看| 中文字幕熟女人妻在线| 男女那种视频在线观看| www日本黄色视频网| 少妇人妻精品综合一区二区 | 又爽又黄无遮挡网站| 午夜福利高清视频| 高清毛片免费观看视频网站| 变态另类成人亚洲欧美熟女| 亚洲欧美日韩无卡精品| 一二三四社区在线视频社区8| 亚洲人成网站在线播| 男女午夜视频在线观看| 午夜激情福利司机影院| 99久久久亚洲精品蜜臀av| 桃红色精品国产亚洲av| 欧美不卡视频在线免费观看| 欧美+亚洲+日韩+国产| 99精品欧美一区二区三区四区| 欧洲精品卡2卡3卡4卡5卡区| 搡老岳熟女国产| 97超级碰碰碰精品色视频在线观看| 少妇高潮的动态图| 免费大片18禁| 麻豆一二三区av精品| АⅤ资源中文在线天堂| 精品久久久久久久久久免费视频| 精品国产三级普通话版| 女人被狂操c到高潮| 精品电影一区二区在线| 最后的刺客免费高清国语| 久久久久免费精品人妻一区二区| 免费高清视频大片| 精品人妻一区二区三区麻豆 | 最新美女视频免费是黄的| 丁香欧美五月| 在线看三级毛片| 又粗又爽又猛毛片免费看| 成人性生交大片免费视频hd| 岛国在线观看网站| 成年女人永久免费观看视频| 日日夜夜操网爽| 老汉色av国产亚洲站长工具| 中文字幕人妻熟人妻熟丝袜美 | 日韩欧美在线乱码| а√天堂www在线а√下载| 一区二区三区激情视频| 色视频www国产| 草草在线视频免费看| 可以在线观看毛片的网站| 我要搜黄色片| 欧美三级亚洲精品| 成人鲁丝片一二三区免费| 国产精品一及| 18+在线观看网站| 欧美黑人巨大hd| 一进一出抽搐gif免费好疼| 亚洲第一欧美日韩一区二区三区| 亚洲18禁久久av| 无限看片的www在线观看| 国产成人影院久久av| 2021天堂中文幕一二区在线观| 国产亚洲av嫩草精品影院| 国语自产精品视频在线第100页| 嫩草影院入口| h日本视频在线播放| 免费人成视频x8x8入口观看| 国产精品乱码一区二三区的特点| av在线天堂中文字幕| 国产精品亚洲美女久久久| 天美传媒精品一区二区| 国产探花极品一区二区| 99国产精品一区二区蜜桃av| 老司机午夜十八禁免费视频| 全区人妻精品视频| 给我免费播放毛片高清在线观看| 久久精品人妻少妇| 老司机午夜福利在线观看视频| 欧美又色又爽又黄视频| av片东京热男人的天堂| 国产一区在线观看成人免费| 亚洲国产精品久久男人天堂| 久久精品国产清高在天天线| 国产在视频线在精品| 五月玫瑰六月丁香| 成人欧美大片| 99热只有精品国产| 性色av乱码一区二区三区2| 久久久久免费精品人妻一区二区| 久久久久久久精品吃奶| 亚洲av二区三区四区| 亚洲五月天丁香| 动漫黄色视频在线观看| 久久性视频一级片| 国产高清视频在线播放一区| 别揉我奶头~嗯~啊~动态视频| 在线观看av片永久免费下载| 免费在线观看亚洲国产| 欧美又色又爽又黄视频| 美女高潮的动态| 国产一区二区在线观看日韩 | 一区二区三区国产精品乱码| 最近视频中文字幕2019在线8| 国产免费男女视频| 99国产精品一区二区蜜桃av| 婷婷精品国产亚洲av| 国产美女午夜福利| 色综合亚洲欧美另类图片| 看黄色毛片网站| a在线观看视频网站| 国产午夜精品久久久久久一区二区三区 | 国产精品98久久久久久宅男小说| tocl精华| 国产精品影院久久| 国产v大片淫在线免费观看| 国产成人a区在线观看| 国产主播在线观看一区二区| 尤物成人国产欧美一区二区三区| 99久久精品热视频| 日韩欧美在线二视频| 男女做爰动态图高潮gif福利片| 法律面前人人平等表现在哪些方面| 少妇人妻一区二区三区视频| 精品午夜福利视频在线观看一区| 亚洲欧美日韩无卡精品| 99热这里只有精品一区| 99热只有精品国产| 天堂av国产一区二区熟女人妻| 欧美一区二区亚洲| 国产黄片美女视频| 十八禁人妻一区二区| 精品一区二区三区人妻视频| 国产中年淑女户外野战色| 国产真实伦视频高清在线观看 | 久久久久久久久大av| 丁香六月欧美| 性色av乱码一区二区三区2| 少妇高潮的动态图| 18禁国产床啪视频网站| 国产精品美女特级片免费视频播放器| 亚洲专区中文字幕在线| 国产日本99.免费观看| 村上凉子中文字幕在线| 一卡2卡三卡四卡精品乱码亚洲| 亚洲精品一卡2卡三卡4卡5卡| 黄色女人牲交| 真实男女啪啪啪动态图| 国产欧美日韩精品亚洲av| 成人欧美大片| 国产精品女同一区二区软件 | а√天堂www在线а√下载| 国产毛片a区久久久久| 男人的好看免费观看在线视频| 好男人电影高清在线观看| 国产单亲对白刺激| 国产精品日韩av在线免费观看| 熟女电影av网| 熟女少妇亚洲综合色aaa.| 欧美性猛交╳xxx乱大交人| 人妻夜夜爽99麻豆av| 尤物成人国产欧美一区二区三区| 天美传媒精品一区二区| 亚洲 国产 在线| 国产成人a区在线观看| 亚洲五月天丁香| 美女大奶头视频| 在线国产一区二区在线|