• <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 ?

    深度信念網(wǎng)絡在水火電力系統(tǒng)一次調(diào)頻能力預測中的應用

    2021-03-08 05:54:30崔偉李武璟王聰薛晨段建東魏嵬
    西安交通大學學報 2021年3期
    關鍵詞:調(diào)頻擾動電網(wǎng)

    崔偉,李武璟,王聰,薛晨,段建東,魏嵬

    (1.國家電網(wǎng)公司西北分部,710048,西安;2.西安理工大學電氣工程學院,710048,西安;3.西安理工大學計算機科學與工程學院,710048,西安)

    頻率是電力系統(tǒng)安全運行的重要的參數(shù)之一,頻率的大幅度變化會對整個電力系統(tǒng)的安全穩(wěn)定運行帶來嚴重的危害。因此,把系統(tǒng)頻率控制在允許的正常范圍內(nèi)是電力系統(tǒng)安全穩(wěn)定運行的前提條件。目前,電力系統(tǒng)的頻率調(diào)節(jié)機制主要由慣性響應、一次調(diào)頻、二次調(diào)頻構(gòu)成。其中,發(fā)電機自發(fā)進行的一次調(diào)頻,在頻率超出正常范圍內(nèi)會自動調(diào)節(jié)發(fā)電機組的輸出有功功率,從而將頻率控制在正常范圍內(nèi)。在突發(fā)性的頻率事件中,一次調(diào)頻能起到應急作用,為調(diào)度人員的二次調(diào)頻決策爭取時間窗口。但是,在頻率事故發(fā)展迅速的情況下,調(diào)度人員很難在短時間內(nèi)做出正確的判斷,評估一次調(diào)頻能否應對當前頻率事件,繼而決定是否進行二次調(diào)頻干涉。因此,需要評估電力系統(tǒng)一次調(diào)頻能力,在發(fā)生頻率事件時為調(diào)控中心提供輔助決策作用。

    從機理上而言,電力系統(tǒng)一次調(diào)頻能力主要取決于系統(tǒng)中各機組的投運狀態(tài)、參數(shù)設置等。隨著智能電網(wǎng)的發(fā)展,每臺機組的運行狀態(tài)、參數(shù)設置等都進行了測量,相關參數(shù)獲取更加容易,但各機組的運行狀態(tài)各不相同,調(diào)度人員很難在短時間內(nèi)準確地分析出電網(wǎng)調(diào)頻情況并及時決策。因此,需要對電力系統(tǒng)一次調(diào)頻能力進行預測,輔助調(diào)度人員可以在發(fā)生擾動時進行緊急控制。

    目前,關于一次調(diào)頻方面的研究主要集中在性能評估[1-2]、特性分析[3-5]和控制策略[6-8]上,主要研究一次調(diào)頻的各種評價指標、靜態(tài)特性與動態(tài)特性、控制優(yōu)化等,而對于調(diào)頻能力本身的研究則關注較少。一次調(diào)頻能力本身的研究主要分為機組的一次調(diào)頻能力和電力系統(tǒng)的一次調(diào)頻能力兩類。對于機組的一次調(diào)頻能力的研究,文獻[9]基于同步測量裝置的信息,通過實時同步測量機組出力和頻率變化,在線測算一次調(diào)頻相關參數(shù),評估發(fā)電機的一次調(diào)頻性能。然而,現(xiàn)今電網(wǎng)規(guī)模增大,發(fā)電機組數(shù)量眾多,每個機組的調(diào)頻能力與自身的設置參數(shù)和運行狀態(tài)有關,無法快速準確獲得整個電網(wǎng)的調(diào)頻能力。因此,眾多學者對電力系統(tǒng)的一次調(diào)頻能力展開廣泛研究。文獻[10]定義了電網(wǎng)的一次調(diào)頻能力,結(jié)合方差提出了衡量電網(wǎng)一次調(diào)頻能力的指標,分析了在線估計的計算可能性;文獻[11]考慮調(diào)頻死區(qū),提出利用均方差定義的電網(wǎng)一次調(diào)頻能力評價指標;文獻[12]基于廣域相量測量系統(tǒng)中機組的歷史數(shù)據(jù),結(jié)合時間維度和頻差維度,得到電網(wǎng)中單機的一次調(diào)頻能力預測值,并綜合電網(wǎng)中所有單機的預測值,得到電網(wǎng)的一次調(diào)頻能力預測值,該文是一次調(diào)頻能力預測方面為數(shù)不多的探索,但主要按照固定頻差進行預測,預測精度受到制約,且在單機預測的基礎上預測電網(wǎng)調(diào)頻能力計算量會很大。

    隨著人工智能特別是深度學習的發(fā)展,各種基于機器學習的方法已經(jīng)開始應用于電力系統(tǒng)中[13-15]。電力系統(tǒng)作為一個復雜且高度非線性的系統(tǒng),含有豐富的特征信息,廣泛布置的數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)可以為機器學習算法提供大量數(shù)據(jù),為模型訓練提供樣本支撐,構(gòu)成海量數(shù)據(jù)集。深度學習算法相較于傳統(tǒng)的神經(jīng)網(wǎng)絡算法,具有更加強大的特征提取能力,可以挖掘數(shù)據(jù)間的深層聯(lián)系,特別適用于電力系統(tǒng)中海量數(shù)據(jù)的處理。近些年,電力系統(tǒng)中逐漸應用深度學習算法,尤其是深度信念網(wǎng)絡(DBN)。文獻[16]應用深度信念網(wǎng)絡對電力系統(tǒng)擾動后頻率曲線進行預測,結(jié)果表明,深度信念網(wǎng)絡相較于其他淺層網(wǎng)絡更有優(yōu)勢;文獻[17]應用深度信念網(wǎng)絡對電力系統(tǒng)進行暫態(tài)穩(wěn)定評估預測,結(jié)果表明,深度信念網(wǎng)絡相較于常規(guī)網(wǎng)絡具有更高的準確率。深度信念網(wǎng)絡采用逐層訓練的方式,解決了深層神經(jīng)網(wǎng)絡存在的參數(shù)優(yōu)化問題,為整個網(wǎng)絡賦予了較好的初始權(quán)值,最后網(wǎng)絡只要經(jīng)過微調(diào)就可以獲得優(yōu)秀的參數(shù)。深度信念網(wǎng)絡結(jié)構(gòu)靈活,易于拓展,對時序數(shù)據(jù)的預測精度更高[18]。

    綜合以上考慮,為了準確預測電力系統(tǒng)一次調(diào)頻能力,為電網(wǎng)調(diào)度提供信息支撐,本文探索深度神經(jīng)網(wǎng)絡在電力系統(tǒng)一次調(diào)頻能力預測中的應用,設計了一種基于深度信念網(wǎng)絡的水火電網(wǎng)一次調(diào)頻能力預測的方法,構(gòu)建基于深度信念網(wǎng)絡的水火電力系統(tǒng)一次調(diào)頻能力預測模型。選取系統(tǒng)頻率、負荷水平、有功負荷、功率缺額、事件類型、發(fā)電機組慣性時間常數(shù)、備用容量與總備用容量作為預測模型的輸入特征值,通過無監(jiān)督預訓練與有監(jiān)督微調(diào)訓練網(wǎng)絡模型參數(shù),預測60 s的系統(tǒng)功率補償量變化曲線。通過新英格蘭10機39節(jié)點系統(tǒng)和某電力公司歷史數(shù)據(jù)作為仿真算例,驗證本文所提方法在電力系統(tǒng)一次調(diào)頻能力預測上的準確性與有效性。本文方法可為頻率事件發(fā)生后的調(diào)度控制提供參考依據(jù)。

    1 問題描述

    電網(wǎng)的一次調(diào)頻能力是指發(fā)生頻率事件后系統(tǒng)不依賴二次調(diào)頻,能自發(fā)調(diào)整功率的能力。電網(wǎng)調(diào)節(jié)功率主要通過發(fā)電機調(diào)速系統(tǒng)調(diào)節(jié)機組出力,從而調(diào)節(jié)電網(wǎng)系統(tǒng)功率。因此,可以使用所有機組動態(tài)出力變化量之和,即功率補償量曲線反映系統(tǒng)的一次調(diào)頻能力。在參與一次調(diào)頻時,功率補償曲線會在短時間內(nèi)快速調(diào)節(jié),以盡早消除不平衡功率,然后逐漸趨于穩(wěn)定值,使得系統(tǒng)達到新的平衡狀態(tài)。調(diào)頻效果好時,功率補償曲線會很快接近或超過功率缺額,消除系統(tǒng)不平衡功率,接著開始趨于穩(wěn)定,重新運行在新的狀態(tài)。由于電網(wǎng)一次調(diào)頻的動作時間一般小于60 s,所以本文采用60 s的功率補償量變化曲線表征電網(wǎng)一次調(diào)頻能力,通過分析功率補償量曲線的穩(wěn)態(tài)值與最大補償量兩種特征,表征電網(wǎng)對于頻率事件的最終調(diào)節(jié)能力與快速反應能力。

    機組的相關參數(shù)、擾動事件的信息、電網(wǎng)的運行狀態(tài)均會影響功率補償量曲線,為了準確預測功率補償量曲線,需要篩選出3種因素中的主要影響變量。

    發(fā)生頻率事件時,機組調(diào)速系統(tǒng)會改變原動機閥門,增加或減少進氣量或進水量,導致機組轉(zhuǎn)速發(fā)生變化,從而調(diào)整機組出力。機組的轉(zhuǎn)速和輸入、輸出有功功率的平衡有關聯(lián)。發(fā)電機轉(zhuǎn)子運動方程為

    (1)

    式中:Tj為發(fā)電機慣性時間常數(shù);Pm為機械功率;Pe為電磁功率;D為發(fā)電機阻尼系數(shù);ω為角頻率。

    電網(wǎng)是動態(tài)變化的多機系統(tǒng),其動態(tài)方程可由系統(tǒng)慣性中心頻率和發(fā)電機轉(zhuǎn)子運動方程推導而來

    (2)

    (3)

    式中:ωCOI為慣性中心頻率;Tj,sys為所有機組的慣性時間常數(shù)之和;Pmi與Pei分別為第i臺機組的機械功率與電磁功率。

    從式(1)(3)可以看出,發(fā)電機慣性時間常數(shù)直接影響機組轉(zhuǎn)速,進而影響機組功率調(diào)節(jié)曲線。在其他參數(shù)不變的情況下,機組慣性時間越大,則轉(zhuǎn)子轉(zhuǎn)速變化率越小,機組的功率調(diào)節(jié)速度越慢。

    除了慣性時間常數(shù),發(fā)電機組的備用容量同樣影響機組的功率調(diào)節(jié)曲線。在頻率事件中,不同備用容量的發(fā)電機調(diào)頻能力不同,對于不平衡功率的消納程度相異。備用容量公式為

    (4)

    在機組參數(shù)方面,主要影響變量為各機組慣性時間常數(shù)、備用容量與系統(tǒng)所有機組的總備用容量。

    擾動事件主要分為高頻擾動與低頻擾動兩種,兩種事件類型的功率調(diào)節(jié)曲線趨勢相反。電網(wǎng)中發(fā)電機組對于高頻事件與低頻事件的調(diào)頻性能存在差異,文中使用+1與-1分別表示高頻事件與低頻事件。系統(tǒng)功率缺額為系統(tǒng)發(fā)電機組總發(fā)出的有功功率與系統(tǒng)總消耗的有功功率的差值,而不同強弱程度的擾動導致機組發(fā)出的有功功率、負荷消耗的有功功率或聯(lián)絡線交換的有功功率發(fā)生變化,從而產(chǎn)生的功率缺額也不同,使得功率調(diào)節(jié)曲線存在差異。因此,從擾動事件方面考慮,主要影響變量為事件類型、功率缺額。

    對于相同的機組參數(shù)與擾動信息、不同的運行狀態(tài),由于電網(wǎng)的狀態(tài)參數(shù)不同,頻率事件的響應存在差異,因此功率調(diào)節(jié)曲線不同。電網(wǎng)運行狀態(tài)考慮系統(tǒng)的頻率、負荷水平、有功負荷這3種主要影響變量。

    因此,對電力系統(tǒng)調(diào)頻能力的預測需要結(jié)合機組的參數(shù)設置、電網(wǎng)的運行狀態(tài)與事件的擾動程度這3種因素,建立主要影響變量與功率調(diào)節(jié)響應之間的關系。選取影響電網(wǎng)一次調(diào)頻能力的8個主要變量作為輸入特征量,分別是:事件類型,擾動后功率缺額,擾動后機組備用容量,擾動后系統(tǒng)總備用容量,擾動后機組慣性常數(shù),擾動前系統(tǒng)頻率,擾動前負荷水平,擾動后有功負荷。

    該問題本質(zhì)為一個高維的回歸問題,將事件類型、系統(tǒng)頻率、負荷水平、有功負荷、功率缺額、發(fā)電機組慣性時間常數(shù)、備用容量與總備用容量作為模型的輸入量S,60 s的功率補償量曲線作為輸出量P,實質(zhì)為求解輸入S與輸出P的映射關系。輸入集與輸出集可描述為

    (5)

    式中下標i表示樣本的數(shù)量。輸入數(shù)據(jù)集S中任一元素si均為一個行向量,向量中所有元素均為某一樣本的輸入特征量,即系統(tǒng)頻率、負荷水平、有功負荷、功率缺額、發(fā)電機組慣性時間常數(shù)、備用容量與總備用容量。輸出數(shù)據(jù)集P中任一元素pi同樣為行向量,向量中每一個元素對應某一樣本的60 s的功率補償量變化值。

    對于該類問題,深度學習可以通過多層非線性處理層對海量數(shù)據(jù)進行提取與轉(zhuǎn)換,充分挖掘數(shù)據(jù)間的聯(lián)系。深度信念網(wǎng)絡可通過無監(jiān)督預訓練與有監(jiān)督參數(shù)微調(diào)相結(jié)合的訓練方式獲得優(yōu)秀的權(quán)值,相較于其他深度神經(jīng)網(wǎng)絡結(jié)構(gòu)靈活,對處理時序數(shù)據(jù)更具有優(yōu)勢。

    2 基于深度信念網(wǎng)絡的預測網(wǎng)絡模型

    2.1 深度信念網(wǎng)絡簡介

    Hinton在文獻[19]中首次提出深度信念網(wǎng)絡,該網(wǎng)絡由多層受限玻爾茲曼機(RBM)堆疊而成。標準RBM由輸入層與隱藏層組成,同層節(jié)點之間無連接,不同層節(jié)點之間相互連接。標準RBM的結(jié)構(gòu)如圖1所示。

    vi—可見層第i個神經(jīng)元;hj—隱藏層第j個神經(jīng)元;ai—vi的偏置;bj—hj的偏置;a—輸入層偏置矩陣;b—輸出層偏置矩陣;W—權(quán)值矩陣。圖1 標準RBM結(jié)構(gòu)

    設RBM可見層有m個神經(jīng)元,隱藏層有n個神經(jīng)元,神經(jīng)元vi與hj均為二值變量,取值為0或1。某一狀態(tài)下RBM結(jié)構(gòu)的能量函數(shù)公式[19]為

    (6)

    式中:θ={Wij,ai,bj,1≤i≤m,1≤j≤n};Wij為可見層神經(jīng)元vi與隱藏層神經(jīng)元hj之間的權(quán)值。根據(jù)能量函數(shù)可得RBM的聯(lián)合概率分布為

    (7)

    式中Z(θ)為配分函數(shù),即所有狀態(tài)下RBM結(jié)構(gòu)的能量函數(shù)。

    深度信念網(wǎng)絡的訓練將預訓練與參數(shù)微調(diào)結(jié)合,包含無監(jiān)督預訓練與有監(jiān)督參數(shù)微調(diào)兩部分。深度信念網(wǎng)絡的訓練方法如圖2所示。

    Δ(i)—b和W的調(diào)整矩陣。圖2 深度信念網(wǎng)絡訓練方法[20]

    2.2 基于深度信念網(wǎng)絡的電網(wǎng)一次調(diào)頻能力預測方法設計

    2.2.1 模型結(jié)構(gòu)設計 標準的深度信念網(wǎng)絡常用于分類,無法滿足一次調(diào)頻能力預測的需求,因此本文所用DBN的輸出層采用線性傳遞函數(shù),從而使DBN具備處理回歸問題的能力。本文設計的DBN結(jié)構(gòu)如圖3所示。

    圖3 深度信念神經(jīng)網(wǎng)絡結(jié)構(gòu)

    2.2.2 模型訓練方法 DBN網(wǎng)絡訓練包括無監(jiān)督預訓練與有監(jiān)督參數(shù)微調(diào)兩部分,其中無監(jiān)督預訓練采用對比散度算法,有監(jiān)督參數(shù)微調(diào)采用梯度下降算法。在無監(jiān)督預訓練階段,將非最高層的每相鄰兩層看做一個RBM進行對比散度算法訓練,獲得較好的參數(shù)初值,偽代碼見附錄A。無監(jiān)督預訓練完后,將整個神經(jīng)網(wǎng)絡作為普通的反向傳播神經(jīng)網(wǎng)絡,通過梯度下降算法從高到低對參數(shù)進行微調(diào),使得DBN得到最優(yōu)的參數(shù),偽代碼見附錄B。

    2.2.3 評價指標 本文采用平均相對誤差和均方根誤差來評價模型性能的優(yōu)劣,二者公式為

    (8)

    (9)

    3 仿真算例

    3.1 新英格蘭39節(jié)點系統(tǒng)仿真算例

    3.1.1 算例系統(tǒng)介紹 新英格蘭39節(jié)點系統(tǒng)包括10臺發(fā)電機、12臺變壓器、39條母線、34條線路[21]。該系統(tǒng)為美國新英格蘭州的一個345 kV電力網(wǎng)絡,基準功率為100 MW,基準電壓為345 kV,額定頻率為60 Hz。新英格蘭10機39節(jié)點系統(tǒng)接線圖如圖4所示。

    —發(fā)電機;1~39—系統(tǒng)節(jié)點母線。圖4 新英格蘭10機39節(jié)點系統(tǒng)接線圖

    仿真軟件采用PSASP,模擬擾動類型主要為切機擾動和負荷突變,分別生成高頻事件數(shù)據(jù)與低頻事件數(shù)據(jù)。系統(tǒng)的擾動數(shù)據(jù)生成過程如下。

    (1)根據(jù)文獻[21]中新英格蘭10機39節(jié)點系統(tǒng)的負荷、線路、變壓器、發(fā)電機、調(diào)速器與勵磁系統(tǒng)的參數(shù)數(shù)據(jù),使用PSASP軟件對系統(tǒng)進行建模。

    (2)通過設置各種擾動故障,進行暫態(tài)穩(wěn)定仿真分析,獲取所需樣本初始數(shù)據(jù)。對初始數(shù)據(jù)進行處理,獲得預測模型所需要的輸入特征數(shù)據(jù)與對應的60 s內(nèi)系統(tǒng)功率補償量。根據(jù)文獻[16]的擾動設置方法,本文設置31%、32%、……、80%共50種負荷水平,1、0.75、0.5、0.25共4種機組慣性時間常數(shù)。低頻擾動事件數(shù)據(jù)通過在同一負荷水平、慣性時間常數(shù)下,輪流切除1臺發(fā)電機,共獲得2 000組仿真樣本數(shù)據(jù)。高頻擾動事件數(shù)據(jù)同樣在同一負荷水平、慣性時間常數(shù)下,每次負荷驟降10%、15%、……、55%,共獲得2 000組仿真樣本數(shù)據(jù)。仿真設置在0.1 s時發(fā)生擾動故障,時長為60 s,總共生成4 000組樣本。

    (3)對樣本數(shù)據(jù)進行歸一化處理,使用MATLAB軟件中的mapminmax函數(shù)將數(shù)據(jù)歸一化至0~1之間。

    (4)將處理后的數(shù)據(jù)集隨機劃分為訓練集與測試集。對于高頻擾動事件與低頻擾動事件,均選取1 500組和500組樣本作為訓練和測試樣本。

    3.1.2 模型參數(shù)分析 為預測電網(wǎng)一次調(diào)頻能力,將模型輸出設置為擾動后60 s的功率補償量曲線,故輸出神經(jīng)元數(shù)設置為60。輸入特征為第1節(jié)所述的各機組慣性時間常數(shù)、備用容量、系統(tǒng)所有機組的總備用容量、事件類型、功率缺額、系統(tǒng)頻率、負荷水平和有功負荷,在新英格蘭39節(jié)點中對應26個輸入神經(jīng)元。對于隱藏層層數(shù)與隱藏層神經(jīng)元數(shù),在隱藏層最多為5層的限制下進行多次嘗試,獲得合適的參數(shù)。學習率影響網(wǎng)絡模型的收斂,本文通過依次設置學習率為0.1、0.03、0.01、0.003等的方式進行試驗,確定大致區(qū)間,最后不斷進行調(diào)整找到合適的學習率。表1為新英格蘭39節(jié)點系統(tǒng)仿真算例下不同隱藏層結(jié)構(gòu)的預測誤差結(jié)果。

    表1 新英格蘭39節(jié)點系統(tǒng)仿真算例下不同隱藏層結(jié)構(gòu)的預測誤差結(jié)果

    本文最終將DBN模型隱藏層層數(shù)設置為4,各層神經(jīng)元數(shù)為26、150、100、100、150、60。無監(jiān)督學習階段采用對比散度算法,學習率為0.01,迭代次數(shù)為100。有監(jiān)督學習階段采用反向傳播算法,激活函數(shù)采用tanh函數(shù),輸出層采用線性函數(shù),學習率為0.04,迭代次數(shù)為100。

    3.1.3 仿真結(jié)果分析 圖5和圖6分別為選取的某一高頻、低頻擾動事件的功率補償量預測曲線對比。

    圖5 高頻擾動事件功率補償量預測曲線對比

    功率補償量曲線的最大功率補償量的均方根誤差和平均相對誤差分別為4.04 MW和1.49%,功率補償量穩(wěn)態(tài)值的均方根誤差和平均相對誤差分別為1.42 MW和0.71%,預測結(jié)果較準。從圖5和圖6可以看出:預測曲線可以較精確地預測功率補償量;高頻擾動事件數(shù)據(jù)由負荷突變生成,數(shù)據(jù)粒度小,相較于低頻擾動事件預測準確率更高。

    圖6 低頻擾動事件功率補償量預測曲線對比

    根據(jù)本小節(jié)仿真結(jié)果可知,功率補償量預測誤差很小,均小于1.5%,可以較準確地預測系統(tǒng)功率補償量曲線,同時單個測試樣本的預測時間小于0.05 s,可以滿足實際的應用需求。

    3.2 電網(wǎng)系統(tǒng)仿真算例

    3.2.1 算例系統(tǒng)介紹 選擇某電網(wǎng)系統(tǒng)2016—2019年的歷史數(shù)據(jù),全網(wǎng)參與調(diào)頻的直調(diào)機組有56臺(30臺火電機組,26臺水電機組),其中35臺機組裝機容量600 MW及以上,17臺機組裝機容量300 MW及以上,4臺裝機容量200 MW及以上。電網(wǎng)系統(tǒng)原始數(shù)據(jù)存在錯誤數(shù)據(jù)和無效數(shù)據(jù),直接進行訓練會導致誤差大、速度慢、效果差,因此需要對數(shù)據(jù)進行處理來獲取有效數(shù)據(jù)集。圖7為有效數(shù)據(jù)集獲取過程。

    圖7 有效數(shù)據(jù)集獲取過程

    電網(wǎng)系統(tǒng)歷史數(shù)據(jù)既包含穩(wěn)定運行的數(shù)據(jù),也包含頻率事件數(shù)據(jù),需要進行篩選。但是,歷史數(shù)據(jù)容易受各種影響,存在許多一次調(diào)頻回路沒有動作的瞬間擾動、數(shù)據(jù)壞點、高頻噪聲等。因此,確定一次頻率事件為頻率偏移超過調(diào)頻死區(qū),并持續(xù)一段時間,具體的選取規(guī)則[1]為

    (10)

    式中:fi為第i時刻的電網(wǎng)頻率;fref=50 Hz為電網(wǎng)標準頻率;Δf=0.07 Hz為有效擾動頻率偏差。

    采集的事件數(shù)據(jù)集存在數(shù)據(jù)缺失、數(shù)據(jù)重復、數(shù)據(jù)無效等問題,直接使用會影響網(wǎng)絡模型預測精度。重復數(shù)據(jù)和無效數(shù)據(jù)不能為模型的訓練提供幫助,甚至會增大誤差,因此直接進行刪除。對于缺失數(shù)據(jù),根據(jù)缺失值前后序列的數(shù)據(jù)均值來進行填充。填補、刪除后的數(shù)據(jù)集中的數(shù)據(jù)具有較為明顯的量級差別,直接進行訓練會導致網(wǎng)絡模型收斂速度慢且容易產(chǎn)生數(shù)值問題。因此,對數(shù)據(jù)集采用歸一化處理,讓所有數(shù)據(jù)保持相同的維度與區(qū)間,映射到[0,1]區(qū)間上。由于最終獲取的數(shù)據(jù)集本身就存在噪聲信號,因而不再對其添加噪聲信號分析模型的適應性。

    將預處理得到的數(shù)據(jù)集按照6∶2∶2的比例分為訓練集、驗證集和測試集共3部分。訓練集用于訓練網(wǎng)絡模型,確定神經(jīng)網(wǎng)絡的參數(shù);驗證集用于判斷訓練結(jié)束后的模型性能,調(diào)整網(wǎng)絡隱藏層數(shù)量、隱藏層層數(shù)等超參數(shù);測試集用于客觀評價網(wǎng)絡的性能。經(jīng)過處理得到2 500組有效數(shù)據(jù)樣本,其中高頻事件數(shù)據(jù)與低頻事件數(shù)據(jù)均為1 250組。按1∶1的比例選取高頻與低頻事件數(shù)據(jù),將1 500組作為訓練集,500組作為驗證集,500組作為測試集。

    3.2.2 模型參數(shù)分析 輸入層與輸出層均只有一層,而隱藏層層數(shù)需要根據(jù)具體問題進行設置。輸入層與輸出層的神經(jīng)元數(shù)一般等于輸入向量與輸出向量的維數(shù)。輸入特征向量包括機組參數(shù)與全網(wǎng)參數(shù)共118組參數(shù)。機組參數(shù)為備用容量和慣性時間常數(shù),參與一次調(diào)頻的直調(diào)機組有56臺。全網(wǎng)參數(shù)為頻率、有功負荷、負荷水平、事件類型、功率缺額和總的備用容量。輸出特征向量為系統(tǒng)60 s功率補償量變化曲線。模型參數(shù)選取方法與3.1.2節(jié)一致,本文設置輸入層和輸出層神經(jīng)元數(shù)分別為116和60,各層神經(jīng)元數(shù)為118、100、50、50、50、20、60,隱藏層層數(shù)為5。無監(jiān)督學習階段采用對比散度算法,學習率為0.06,迭代次數(shù)為300。有監(jiān)督學習階段采用反向傳播算法,激活函數(shù)為tanh函數(shù),輸出層采用線性函數(shù),學習率為0.03,迭代次數(shù)為400。表2為電網(wǎng)系統(tǒng)仿真算例下不同隱藏層結(jié)構(gòu)的預測誤差結(jié)果。

    表2 電網(wǎng)系統(tǒng)仿真算例下不同隱藏層結(jié)構(gòu)的預測誤差結(jié)果

    3.2.3 仿真結(jié)果分析 為檢驗模型性能,將DBN模型與DNN模型和RNN模型進行了對比測試。DBN模型層數(shù)為6,各層神經(jīng)元數(shù)分別為118、100、50、50、50、20、60。DNN和RNN模型的結(jié)構(gòu)均與DBN設置相同,但不進行無監(jiān)督預訓練,只采用反向傳播算法進行監(jiān)督學習。DNN模型激活函數(shù)采用sigmoid函數(shù),RNN模型激活函數(shù)采用tanh函數(shù),損失函數(shù)均采用均方誤差函數(shù),迭代次數(shù)為300。表3和表4為3種模型在測試集中的誤差結(jié)果。

    表3 最大功率補償量誤差結(jié)果

    表4 功率補償量穩(wěn)態(tài)值誤差結(jié)果

    通過表3和表4可知,DBN模型的預測性能優(yōu)于其他兩種預測模型的。這是因為雖然DNN模型與RNN模型和DBN模型結(jié)構(gòu)參數(shù)一致,但DBN模型無監(jiān)督預訓練獲得了良好的初值,使得預測準確率提升。RNN模型相較于DNN模型,神經(jīng)元具有記憶性,可以挖掘數(shù)據(jù)時序信息,預測精度更高。

    圖8 高頻事件A中3種模型的功率補償曲線對比

    圖9 高頻事件A中預測模型的功率補償量均方根誤差

    圖10 高頻事件B中3種模型的功率補償曲線對比

    圖11 高頻事件B中預測模型的功率補償量均方根誤差

    圖12 低頻事件A中3種模型的功率補償曲線對比

    圖13 低頻事件A中預測模型的功率補償量均方根誤差

    圖14 低頻事件B中3種模型的功率補償曲線對比

    圖15 低頻事件B中預測模型的功率補償量均方根誤差

    本文分別選取兩個高頻事件與低頻事件,對功率補償曲線進行分析。圖8~11分別為選取的高頻事件樣本A與B的60 s功率補償量變化曲線和對應的均方根誤差變化曲線。高頻樣本A為電網(wǎng)某直流極I閉鎖事件,事件發(fā)生時全網(wǎng)功率缺額約為+1 500 MW;高頻樣本B為電網(wǎng)某直流極Ⅱ閉鎖事件,事件發(fā)生時全網(wǎng)功率缺額約為+1 000 MW。圖12~15分別為低頻事件樣本A與B的功率補償量曲線和對應的均方根誤差曲線。低頻事件A為某電廠機組故障停機,事件發(fā)生時全網(wǎng)功率缺額約為-800 MW;低頻事件B為某電廠機組跳閘,事件發(fā)生時全網(wǎng)功率缺額約為-1 000 MW??梢钥闯?無論是高頻事件還是低頻事件,DBN預測曲線與實際曲線重合度最高、誤差最小,DNN預測曲線誤差最大。因此,DBN預測曲線的補償功率穩(wěn)態(tài)值最小、最大有功增量的偏移程度最小,DNN預測曲線的偏移程度最大,符合3.1節(jié)的仿真結(jié)果。

    4 結(jié) 論

    本文將深度學習應用于電力系統(tǒng)一次調(diào)頻能力預測,提出一種基于深度置信網(wǎng)絡的電力系統(tǒng)一次調(diào)頻能力預測方法。相較于淺層神經(jīng)網(wǎng)絡的機器學習算法,深度學習可以更好地特征提取,挖掘數(shù)據(jù)間的隱性聯(lián)系。本文考慮擾動信息、系統(tǒng)運行狀態(tài)和機組的狀態(tài)特征這3種因素,采用機組慣性時間常數(shù)、備用容量、系統(tǒng)所有機組的總備用容量、事件類型、功率缺額、系統(tǒng)頻率、負荷水平和有功負荷共8維特征作為模型輸入,預測擾動后系統(tǒng)的有功功率補償量動態(tài)變化。采用新英格蘭39節(jié)點系統(tǒng)與某電力系統(tǒng)歷史擾動數(shù)據(jù)進行仿真,與RNN、DNN模型的性能進行對比。結(jié)果表明,DBN模型的預測曲線與實際曲線最接近,誤差最小,驗證了深度信念網(wǎng)絡在調(diào)頻能力預測中的有效性與優(yōu)越性。DBN模型相較于其他模型,可以通過無監(jiān)督預訓練獲得好的初值,挖掘特征間的關系,有效地提升預測的精度。本文通過對功率補償量曲線的預測,得到擾動后功率補償量最大值與穩(wěn)態(tài)值,應可為判斷擾動危險程度與制定防護控制提供輔助,為人為調(diào)控干涉提供依據(jù)。

    附錄A

    算法1 對比散度算法(偽代碼)

    輸入:可視層向量v=[v1,…,vm],隱藏層向量h=[h1,…,hn]

    輸出:連接權(quán)重矩陣W=[wij],1≤i≤n,1≤j≤m,可視層偏置向量b=[bj],1≤j≤m,隱藏層偏置向量c=[ci],1≤i≤n

    初始化:wij=bj=ci=0,1

    (1) fori=1,2,…,ndo

    (4) end for

    (5) forj=1,2,…,mdo

    (8) end for

    (9) fori=1,2,…,ndo

    (11) end for

    (12) fori=1,2,…,n,j=1,2,…,mdo

    (14) end for

    (15) forj=1,2,…,mdo

    (17) end for

    (18) fori=1,2,…,ndo

    (20) end for

    附錄B

    算法2 有監(jiān)督參數(shù)微調(diào)算法(偽代碼)

    輸出:連接權(quán)值矩陣Wk,偏置矩陣bk,其中1≤k≤r,r為網(wǎng)絡層數(shù)

    初始化:使用預訓練獲得的網(wǎng)絡參數(shù)Wk、bk

    (1)fort=1,2,…,Ndo

    (2) fork=1,2,…,rdo

    (6) end for

    (8) fork=1,2,…,r-1 do

    (10)end for

    (12)fork=1,2,…,rdo

    (17)end for

    (18)end for

    猜你喜歡
    調(diào)頻擾動電網(wǎng)
    Bernoulli泛函上典則酉對合的擾動
    穿越電網(wǎng)
    考慮頻率二次跌落抑制的風火聯(lián)合一次調(diào)頻控制
    能源工程(2021年5期)2021-11-20 05:50:42
    (h)性質(zhì)及其擾動
    小噪聲擾動的二維擴散的極大似然估計
    電網(wǎng)也有春天
    河南電力(2016年5期)2016-02-06 02:11:32
    調(diào)頻發(fā)射機技術改造
    調(diào)頻激勵器干擾的排除方法
    用于光伏MPPT中的模糊控制占空比擾動法
    電源技術(2015年11期)2015-08-22 08:50:38
    一個電網(wǎng)人的環(huán)保路
    河南電力(2015年5期)2015-06-08 06:01:46
    久久毛片免费看一区二区三区| 成年av动漫网址| 国产午夜精品久久久久久一区二区三区| 午夜免费男女啪啪视频观看| 80岁老熟妇乱子伦牲交| 熟女电影av网| 国产精品秋霞免费鲁丝片| av天堂久久9| 成人无遮挡网站| 各种免费的搞黄视频| 亚洲av日韩在线播放| 大香蕉久久网| 免费观看av网站的网址| 国内揄拍国产精品人妻在线| 99九九线精品视频在线观看视频| 久久精品夜色国产| 国产伦精品一区二区三区四那| tube8黄色片| 欧美丝袜亚洲另类| 综合色丁香网| 啦啦啦在线观看免费高清www| 精品少妇久久久久久888优播| 在线免费观看不下载黄p国产| 夜夜爽夜夜爽视频| 欧美精品一区二区大全| 亚洲国产欧美在线一区| 精品久久久久久久久av| 在线观看av片永久免费下载| 亚洲欧美日韩东京热| 久久久久久久久久人人人人人人| 亚洲av男天堂| 午夜福利视频精品| 久久久久久久久久久丰满| 欧美变态另类bdsm刘玥| 亚洲激情五月婷婷啪啪| 午夜日本视频在线| 亚洲中文av在线| 国产伦理片在线播放av一区| 色94色欧美一区二区| 久久99精品国语久久久| 噜噜噜噜噜久久久久久91| 下体分泌物呈黄色| 午夜免费男女啪啪视频观看| 亚洲熟女精品中文字幕| 一本—道久久a久久精品蜜桃钙片| 欧美日韩一区二区视频在线观看视频在线| a级片在线免费高清观看视频| 色5月婷婷丁香| 亚洲国产精品一区二区三区在线| 国产精品国产三级国产av玫瑰| 亚洲高清免费不卡视频| 精品亚洲成国产av| 国产成人精品久久久久久| 免费播放大片免费观看视频在线观看| 亚洲真实伦在线观看| 九九在线视频观看精品| .国产精品久久| 久久久午夜欧美精品| 有码 亚洲区| 亚洲精品日本国产第一区| 国产日韩欧美在线精品| 日韩人妻高清精品专区| 欧美精品国产亚洲| 亚洲精品国产成人久久av| 九九久久精品国产亚洲av麻豆| av.在线天堂| 亚洲精华国产精华液的使用体验| 午夜日本视频在线| 视频中文字幕在线观看| 晚上一个人看的免费电影| 伊人久久精品亚洲午夜| 国产极品粉嫩免费观看在线 | 久久久精品免费免费高清| 久久精品国产a三级三级三级| 自线自在国产av| 我要看黄色一级片免费的| 久久精品国产鲁丝片午夜精品| 久久精品国产亚洲av涩爱| 女性生殖器流出的白浆| 亚洲国产精品999| 欧美激情国产日韩精品一区| 寂寞人妻少妇视频99o| 一本—道久久a久久精品蜜桃钙片| 我要看黄色一级片免费的| 国产精品麻豆人妻色哟哟久久| 免费观看在线日韩| 一级毛片电影观看| 一级黄片播放器| 美女视频免费永久观看网站| 丰满饥渴人妻一区二区三| 国产精品一二三区在线看| 丁香六月天网| 国产女主播在线喷水免费视频网站| 亚洲真实伦在线观看| 欧美+日韩+精品| 成年女人在线观看亚洲视频| 精品少妇黑人巨大在线播放| 国产成人午夜福利电影在线观看| 成人美女网站在线观看视频| 夜夜爽夜夜爽视频| 美女脱内裤让男人舔精品视频| www.色视频.com| 精品卡一卡二卡四卡免费| 日韩一区二区三区影片| 精品午夜福利在线看| 欧美日本中文国产一区发布| av视频免费观看在线观看| 国产午夜精品一二区理论片| 日韩电影二区| 99久久人妻综合| 免费黄频网站在线观看国产| 欧美老熟妇乱子伦牲交| 亚洲精品日韩av片在线观看| 一本大道久久a久久精品| 国产爽快片一区二区三区| 欧美老熟妇乱子伦牲交| 成人美女网站在线观看视频| 久久精品熟女亚洲av麻豆精品| 亚洲无线观看免费| 国内揄拍国产精品人妻在线| 人妻少妇偷人精品九色| 中文资源天堂在线| 亚洲伊人久久精品综合| 精品人妻熟女av久视频| 国产成人一区二区在线| 哪个播放器可以免费观看大片| 免费av中文字幕在线| 午夜激情久久久久久久| √禁漫天堂资源中文www| 欧美日韩视频高清一区二区三区二| 99热6这里只有精品| 国产伦在线观看视频一区| 欧美日韩视频精品一区| 亚洲欧美清纯卡通| 熟女av电影| 69精品国产乱码久久久| 亚洲精品国产色婷婷电影| 国产高清国产精品国产三级| 青春草亚洲视频在线观看| 日本av手机在线免费观看| 蜜桃久久精品国产亚洲av| 色5月婷婷丁香| 久热这里只有精品99| 午夜福利网站1000一区二区三区| 尾随美女入室| 亚洲精品视频女| 久久精品久久久久久噜噜老黄| 99热国产这里只有精品6| 久久人人爽人人爽人人片va| 欧美少妇被猛烈插入视频| 日本av手机在线免费观看| 中文欧美无线码| 国产伦精品一区二区三区四那| 久久国产精品大桥未久av | 一本久久精品| 韩国高清视频一区二区三区| 亚洲av综合色区一区| 精品一区二区免费观看| 国产极品天堂在线| 亚洲精品,欧美精品| 国产精品成人在线| 26uuu在线亚洲综合色| 国产国拍精品亚洲av在线观看| 久久人人爽人人片av| 精品少妇黑人巨大在线播放| 少妇的逼好多水| 在线观看www视频免费| 三级经典国产精品| 国产亚洲午夜精品一区二区久久| 久久久久久人妻| 午夜福利在线观看免费完整高清在| 多毛熟女@视频| 18禁动态无遮挡网站| 99精国产麻豆久久婷婷| 国产高清国产精品国产三级| 少妇精品久久久久久久| 日本午夜av视频| 人妻人人澡人人爽人人| 国产成人freesex在线| 国产成人91sexporn| 熟女人妻精品中文字幕| 久久女婷五月综合色啪小说| 免费不卡的大黄色大毛片视频在线观看| 午夜激情福利司机影院| 精品酒店卫生间| 爱豆传媒免费全集在线观看| 青春草国产在线视频| av福利片在线观看| 色视频在线一区二区三区| 丝袜喷水一区| 亚洲天堂av无毛| 亚洲精品国产av成人精品| 国产av一区二区精品久久| 免费黄频网站在线观看国产| 日韩一本色道免费dvd| 久久 成人 亚洲| 国产日韩欧美在线精品| 亚洲美女黄色视频免费看| 久久6这里有精品| 精品99又大又爽又粗少妇毛片| 日日啪夜夜爽| 亚洲av.av天堂| 免费观看a级毛片全部| 少妇人妻久久综合中文| 亚洲情色 制服丝袜| 免费黄色在线免费观看| 久久狼人影院| 免费观看a级毛片全部| 亚洲av免费高清在线观看| a级片在线免费高清观看视频| 99久久精品热视频| 国产视频内射| 熟女电影av网| 国产成人免费无遮挡视频| 日韩欧美一区视频在线观看 | 国产乱来视频区| 黄色配什么色好看| 成人特级av手机在线观看| 亚洲图色成人| 国产精品无大码| 五月天丁香电影| 久久鲁丝午夜福利片| 久久人人爽人人爽人人片va| 亚洲国产精品国产精品| 婷婷色综合大香蕉| 秋霞在线观看毛片| 91久久精品电影网| 午夜老司机福利剧场| 蜜桃在线观看..| 精品一区二区免费观看| 中文字幕亚洲精品专区| 婷婷色麻豆天堂久久| 国产免费一区二区三区四区乱码| 欧美激情国产日韩精品一区| 狂野欧美激情性xxxx在线观看| 高清毛片免费看| 亚洲精品自拍成人| 性色avwww在线观看| 久久精品国产亚洲av涩爱| 久久久国产一区二区| 极品教师在线视频| 久久免费观看电影| 高清欧美精品videossex| 高清视频免费观看一区二区| 精品久久国产蜜桃| videos熟女内射| 国产精品偷伦视频观看了| 日韩免费高清中文字幕av| 人妻一区二区av| 日韩三级伦理在线观看| 日日啪夜夜爽| 亚洲欧洲国产日韩| 免费看av在线观看网站| 最新的欧美精品一区二区| 一本大道久久a久久精品| 精品少妇黑人巨大在线播放| 亚洲国产精品一区三区| 另类亚洲欧美激情| 亚州av有码| 在线亚洲精品国产二区图片欧美 | 多毛熟女@视频| 涩涩av久久男人的天堂| 99久久精品热视频| 国产爽快片一区二区三区| 汤姆久久久久久久影院中文字幕| 日韩 亚洲 欧美在线| 久久国产精品大桥未久av | 国产精品一区二区在线观看99| 美女主播在线视频| 亚州av有码| 国产精品不卡视频一区二区| 在线观看av片永久免费下载| 97在线视频观看| av不卡在线播放| 91成人精品电影| 国产在线免费精品| 精品国产乱码久久久久久小说| 国产综合精华液| 欧美成人午夜免费资源| 亚洲精品亚洲一区二区| 色婷婷久久久亚洲欧美| 久久人妻熟女aⅴ| 在线观看免费高清a一片| 国产又色又爽无遮挡免| 精品久久国产蜜桃| 一个人免费看片子| 菩萨蛮人人尽说江南好唐韦庄| 丰满饥渴人妻一区二区三| 91久久精品电影网| 中文乱码字字幕精品一区二区三区| 国产高清不卡午夜福利| 一二三四中文在线观看免费高清| a级片在线免费高清观看视频| 日韩av免费高清视频| av黄色大香蕉| 看非洲黑人一级黄片| 天堂俺去俺来也www色官网| 国产精品一区二区性色av| 少妇猛男粗大的猛烈进出视频| 人妻一区二区av| 欧美另类一区| 日韩一区二区视频免费看| 亚洲av男天堂| 三上悠亚av全集在线观看 | 欧美xxxx性猛交bbbb| 欧美区成人在线视频| 人人妻人人添人人爽欧美一区卜| 日韩成人伦理影院| 激情五月婷婷亚洲| 国产精品国产av在线观看| av免费在线看不卡| 纯流量卡能插随身wifi吗| 最新的欧美精品一区二区| 精品一区二区三区视频在线| 日本-黄色视频高清免费观看| 亚洲成人手机| 国产男女超爽视频在线观看| 毛片一级片免费看久久久久| 大香蕉久久网| 在线观看免费高清a一片| 国产探花极品一区二区| 人人澡人人妻人| 两个人免费观看高清视频 | 久久婷婷青草| 欧美精品国产亚洲| 精品视频人人做人人爽| 女人精品久久久久毛片| 97在线人人人人妻| 少妇丰满av| 亚洲国产欧美日韩在线播放 | 蜜桃久久精品国产亚洲av| 免费观看a级毛片全部| 麻豆乱淫一区二区| 国产黄色免费在线视频| 国产乱来视频区| 大话2 男鬼变身卡| 日日爽夜夜爽网站| 免费看不卡的av| 欧美精品国产亚洲| 日韩视频在线欧美| 精品久久国产蜜桃| 另类亚洲欧美激情| 成人漫画全彩无遮挡| a级一级毛片免费在线观看| 国产国拍精品亚洲av在线观看| 日本91视频免费播放| 国内揄拍国产精品人妻在线| 国产在线一区二区三区精| 少妇丰满av| 亚洲国产成人一精品久久久| 观看av在线不卡| 国产69精品久久久久777片| 免费高清在线观看视频在线观看| 99热全是精品| 美女中出高潮动态图| 亚洲美女视频黄频| 新久久久久国产一级毛片| 欧美bdsm另类| 久久精品国产a三级三级三级| 亚洲欧美成人综合另类久久久| 99热这里只有精品一区| 国产伦精品一区二区三区视频9| 成年av动漫网址| 日韩伦理黄色片| 极品教师在线视频| 少妇人妻 视频| 三上悠亚av全集在线观看 | 成人综合一区亚洲| 日韩av免费高清视频| 青春草视频在线免费观看| 啦啦啦在线观看免费高清www| 国产色婷婷99| 丰满乱子伦码专区| 国产伦理片在线播放av一区| 国产黄片视频在线免费观看| 国产在线免费精品| 欧美日韩国产mv在线观看视频| 大陆偷拍与自拍| 亚洲高清免费不卡视频| 国产熟女欧美一区二区| 老司机亚洲免费影院| 三级国产精品欧美在线观看| 在线 av 中文字幕| 久久免费观看电影| 日韩欧美精品免费久久| 国产成人午夜福利电影在线观看| 国产精品熟女久久久久浪| 亚洲精品一区蜜桃| 久久久久久久久久久久大奶| 色视频在线一区二区三区| 精品一区二区三卡| 国产伦精品一区二区三区视频9| 久久久久久久大尺度免费视频| 只有这里有精品99| 少妇熟女欧美另类| 精品人妻偷拍中文字幕| 中文乱码字字幕精品一区二区三区| 久久人妻熟女aⅴ| 日韩免费高清中文字幕av| 欧美最新免费一区二区三区| 精品少妇久久久久久888优播| 久久av网站| 国产精品一区二区在线不卡| 少妇的逼水好多| 欧美国产精品一级二级三级 | 我的女老师完整版在线观看| 欧美成人午夜免费资源| 最新中文字幕久久久久| 熟女人妻精品中文字幕| 亚洲精华国产精华液的使用体验| 国产成人91sexporn| 热re99久久精品国产66热6| 亚洲不卡免费看| 天天躁夜夜躁狠狠久久av| videossex国产| 国产一区有黄有色的免费视频| 一区二区三区精品91| 国产免费一区二区三区四区乱码| 久热这里只有精品99| 99久久精品热视频| 国产无遮挡羞羞视频在线观看| 三级国产精品欧美在线观看| 毛片一级片免费看久久久久| 午夜福利,免费看| 亚洲自偷自拍三级| 久久久久久久大尺度免费视频| 亚洲av欧美aⅴ国产| 9色porny在线观看| 免费看日本二区| 国产成人精品久久久久久| 好男人视频免费观看在线| 国产精品99久久久久久久久| 久久ye,这里只有精品| 精品视频人人做人人爽| 丰满人妻一区二区三区视频av| 亚洲精品中文字幕在线视频 | 日日撸夜夜添| 精品人妻一区二区三区麻豆| 少妇丰满av| 欧美3d第一页| 一区二区三区精品91| 三级国产精品片| 一级毛片黄色毛片免费观看视频| 嫩草影院新地址| 色5月婷婷丁香| 久久综合国产亚洲精品| 欧美高清成人免费视频www| 国产高清国产精品国产三级| 免费黄网站久久成人精品| 欧美日韩在线观看h| 国产69精品久久久久777片| 2022亚洲国产成人精品| 青青草视频在线视频观看| 亚洲国产精品国产精品| 又大又黄又爽视频免费| 男人狂女人下面高潮的视频| 街头女战士在线观看网站| 欧美丝袜亚洲另类| 国产精品福利在线免费观看| 人妻少妇偷人精品九色| 成人毛片a级毛片在线播放| 国产综合精华液| 国产毛片在线视频| 国产欧美另类精品又又久久亚洲欧美| 三上悠亚av全集在线观看 | 性色avwww在线观看| 黄色一级大片看看| 免费大片18禁| 免费看不卡的av| 欧美性感艳星| 久热这里只有精品99| 搡老乐熟女国产| 麻豆成人av视频| 日本爱情动作片www.在线观看| 中国美白少妇内射xxxbb| 日韩中字成人| 超碰97精品在线观看| 日产精品乱码卡一卡2卡三| 久久久久精品性色| 国产精品一区二区性色av| 色婷婷久久久亚洲欧美| 在线精品无人区一区二区三| 日日爽夜夜爽网站| 国产精品一区二区三区四区免费观看| 嫩草影院入口| 中文资源天堂在线| 人人妻人人添人人爽欧美一区卜| 国产探花极品一区二区| 国产男女内射视频| 亚洲成人一二三区av| 男女啪啪激烈高潮av片| 成人18禁高潮啪啪吃奶动态图 | 亚洲欧美成人综合另类久久久| 美女内射精品一级片tv| 一个人免费看片子| 亚洲欧美一区二区三区黑人 | 亚洲av中文av极速乱| 久久综合国产亚洲精品| 三上悠亚av全集在线观看 | 9色porny在线观看| 日韩欧美 国产精品| 亚洲国产日韩一区二区| 最新中文字幕久久久久| 激情五月婷婷亚洲| 啦啦啦啦在线视频资源| 国产伦理片在线播放av一区| 国产探花极品一区二区| 十八禁网站网址无遮挡 | av卡一久久| 在线观看一区二区三区激情| 久久久久久久久久久久大奶| 中文字幕av电影在线播放| 欧美 日韩 精品 国产| av网站免费在线观看视频| 卡戴珊不雅视频在线播放| 99re6热这里在线精品视频| 免费av中文字幕在线| h视频一区二区三区| 蜜臀久久99精品久久宅男| 亚洲,一卡二卡三卡| 九九爱精品视频在线观看| 永久网站在线| av天堂久久9| 内地一区二区视频在线| 在线天堂最新版资源| 黑人猛操日本美女一级片| 91精品国产九色| 久久国产精品大桥未久av | 纯流量卡能插随身wifi吗| av.在线天堂| av天堂久久9| 日日啪夜夜爽| 这个男人来自地球电影免费观看 | 高清在线视频一区二区三区| a级毛片在线看网站| 久久 成人 亚洲| 久久精品熟女亚洲av麻豆精品| 日本午夜av视频| 日韩亚洲欧美综合| 久久精品国产亚洲av涩爱| 各种免费的搞黄视频| 亚洲欧美日韩另类电影网站| 精品酒店卫生间| 国产亚洲91精品色在线| 国产精品久久久久久久久免| 欧美xxⅹ黑人| 最近中文字幕高清免费大全6| 黄色欧美视频在线观看| 在线观看免费日韩欧美大片 | 国国产精品蜜臀av免费| 在线亚洲精品国产二区图片欧美 | 在线观看一区二区三区激情| 欧美日韩在线观看h| 大香蕉97超碰在线| 少妇的逼水好多| 久久久久久伊人网av| 国产69精品久久久久777片| 日本免费在线观看一区| 欧美日韩视频高清一区二区三区二| av在线老鸭窝| 欧美日韩精品成人综合77777| 亚洲欧美中文字幕日韩二区| 久久久久久久久久久免费av| 亚洲欧洲精品一区二区精品久久久 | 极品人妻少妇av视频| 亚洲精品乱码久久久v下载方式| 日本av免费视频播放| 亚洲四区av| 国产成人精品福利久久| 高清av免费在线| 久久狼人影院| 天堂8中文在线网| 精品国产一区二区三区久久久樱花| 国产片特级美女逼逼视频| 国产极品天堂在线| 久久久久精品性色| 国产精品国产三级专区第一集| 麻豆乱淫一区二区| 国产精品福利在线免费观看| 色视频www国产| 免费观看a级毛片全部| 欧美 日韩 精品 国产| 美女脱内裤让男人舔精品视频| 建设人人有责人人尽责人人享有的| 精品国产一区二区久久| 99久久精品国产国产毛片| 51国产日韩欧美| 欧美+日韩+精品| 黑人猛操日本美女一级片| 黑人巨大精品欧美一区二区蜜桃 | 日本-黄色视频高清免费观看| 久久ye,这里只有精品| av在线app专区| www.色视频.com| 嘟嘟电影网在线观看| 国产午夜精品久久久久久一区二区三区| 免费观看无遮挡的男女| 久久久久久久久久成人| 免费久久久久久久精品成人欧美视频 | 国产伦精品一区二区三区视频9| 日本黄色片子视频| 这个男人来自地球电影免费观看 | 天堂中文最新版在线下载| 大片免费播放器 马上看| 久久鲁丝午夜福利片| 天堂8中文在线网| 久久久久久久久久成人| 免费观看性生交大片5| a级一级毛片免费在线观看| 精品久久久久久久久av| 久久这里有精品视频免费| 国产亚洲午夜精品一区二区久久| 精品久久久噜噜| 又粗又硬又长又爽又黄的视频| 午夜影院在线不卡|