• <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 ?

    碳中和背景下多通道特征組合超短期風(fēng)電功率預(yù)測(cè)

    2021-03-16 00:08:16黃樹(shù)幫陳耀金宇清
    發(fā)電技術(shù) 2021年1期
    關(guān)鍵詞:電功率風(fēng)電場(chǎng)卷積

    黃樹(shù)幫,陳耀,金宇清

    碳中和背景下多通道特征組合超短期風(fēng)電功率預(yù)測(cè)

    黃樹(shù)幫1,2,陳耀1,2,金宇清3*

    (1.新疆金風(fēng)科技股份有限公司,北京市 大興區(qū) 100176;2.江蘇金風(fēng)軟件技術(shù)有限公司,江蘇省 無(wú)錫市 214000;3.河海大學(xué)能源與電氣學(xué)院,江蘇省 南京市 211100)

    碳中和背景下,風(fēng)電將成為我國(guó)的主導(dǎo)能源之一。隨著人工智能技術(shù)快速發(fā)展,人工神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于風(fēng)力發(fā)電功率預(yù)測(cè)。傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)算法采用固定形式數(shù)據(jù)集和單一網(wǎng)絡(luò)結(jié)構(gòu),限制了整體表達(dá)能力,導(dǎo)致超短期風(fēng)電功率預(yù)測(cè)由于各種不確定因素造成難以控制的誤差。為此,提出一種基于人工神經(jīng)網(wǎng)絡(luò)的多通道特征組合模型,用于超短期風(fēng)電功率預(yù)測(cè)。首先將數(shù)據(jù)集進(jìn)行重新分類,分別輸入到3個(gè)神經(jīng)網(wǎng)絡(luò),建立3種特征組合形式;再將多通道特征進(jìn)行拼接融合,并將融合后的特征加入到全連接神經(jīng)網(wǎng)絡(luò)中進(jìn)行功率預(yù)測(cè),可消除不同特征之間的干擾,有效學(xué)習(xí)到長(zhǎng)期依賴的數(shù)據(jù)特征;最后對(duì)5個(gè)風(fēng)電場(chǎng)數(shù)據(jù)進(jìn)行算法驗(yàn)證。實(shí)驗(yàn)結(jié)果表明,該方法比單通道模型能夠獲得更好的預(yù)測(cè)精度,而且增加了網(wǎng)絡(luò)穩(wěn)定性。

    碳中和;風(fēng)力發(fā)電;超短期功率預(yù)測(cè);人工神經(jīng)網(wǎng)絡(luò);多通道

    0 引言

    為了達(dá)成2060年實(shí)現(xiàn)碳中和的目標(biāo),必須大力發(fā)展風(fēng)電等清潔能源。風(fēng)力發(fā)電已成為全球重要的能源生產(chǎn)來(lái)源,到2023年,全球新增風(fēng)電裝機(jī)容量將超過(guò)300GW[1]。我國(guó)新能源發(fā)電連續(xù)多年發(fā)展迅速,截至2019年年底,風(fēng)電累計(jì)裝機(jī)2.1億kW,預(yù)計(jì)到2025年年底,風(fēng)電裝機(jī)規(guī)模將超過(guò)4億kW,占全國(guó)電源總裝機(jī)比例14%以上。與傳統(tǒng)的化石能源發(fā)電不同,由于風(fēng)速固有的隨機(jī)性和間歇性,風(fēng)力發(fā)電很難在電網(wǎng)中進(jìn)行精準(zhǔn)調(diào)度[2-3]。因此,風(fēng)電功率預(yù)測(cè)成為應(yīng)對(duì)風(fēng)電不確定性、減少電力系統(tǒng)調(diào)度偏差和售電交易偏差的有效方法[4-5]。尤其近2年隨著電力現(xiàn)貨市場(chǎng)快速發(fā)展,超短期風(fēng)電功率預(yù)測(cè)能力直接影響電力實(shí)時(shí)調(diào)度水平和售電交易偏差考核結(jié)果,如何提高超短期風(fēng)電功率預(yù)測(cè)的準(zhǔn)確性,具有重大的現(xiàn)實(shí)意義。

    風(fēng)電功率預(yù)測(cè)方法可以分為4類:物理模型、統(tǒng)計(jì)模型、空間相關(guān)性和人工智能模型。基于物理模型的方法總是需要物理傳感器、衛(wèi)星或氣象儀器來(lái)預(yù)測(cè)特定位置的氣象數(shù)據(jù),然后根據(jù)氣象數(shù)據(jù)的物理動(dòng)力學(xué)對(duì)測(cè)量數(shù)據(jù)進(jìn)行建模,結(jié)果相對(duì)準(zhǔn)確,但計(jì)算成本和硬件設(shè)備是一個(gè)問(wèn)題。基于統(tǒng)計(jì)模型的方法,比較流行的模型是自回歸積分移動(dòng)平均(autoregressive integrated moving average model,ARIMA)[6]和指數(shù)平滑(exponential smoothing,ES)[7]模型,盡管這些模型具有計(jì)算成本低的優(yōu)點(diǎn),但由于線性關(guān)系,它們只適用于短期預(yù)測(cè)??臻g相關(guān)性預(yù)報(bào)是一種利用本地周圍地區(qū)的歷史天氣資料、未來(lái)天氣預(yù)報(bào)對(duì)本地進(jìn)行預(yù)報(bào)的方法。典型的人工智能模型包括人工神經(jīng)網(wǎng)絡(luò)[8-10]、核嶺回歸[11]、支持向量機(jī)[12-13]和最小二乘支持向量機(jī)[14]、模糊邏輯系統(tǒng)[15]及其組合方法。目前主流的人工智能模型以深度學(xué)習(xí)(deep learning,DL)模型為主,主要包括卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)和長(zhǎng)短期記憶網(wǎng)絡(luò)[16-17](long short-term memory,LSTM)系列,CNN主要依靠局部感受野學(xué)習(xí)局部的內(nèi)在聯(lián)系,LSTM主要是具有記憶能力,能將過(guò)去學(xué)習(xí)到的規(guī)律延續(xù)到之后的學(xué)習(xí)當(dāng)中。

    基于人工智能模型的功率預(yù)測(cè)方法結(jié)構(gòu)簡(jiǎn)單,易于在風(fēng)電場(chǎng)中實(shí)施,但由于風(fēng)能的隨機(jī)性和間歇性,通常很難得到準(zhǔn)確的預(yù)測(cè)結(jié)果。許多學(xué)者致力于提高風(fēng)功率預(yù)測(cè)精度,并取得了一定的成果,文獻(xiàn)[18]利用LSTM不同神經(jīng)元來(lái)提取同一個(gè)數(shù)據(jù)集的特征,雖然一定程度上增加了特征表達(dá)能力,但是由于固定數(shù)據(jù)集的原因,表達(dá)能力依然受限。文獻(xiàn)[19]通過(guò)構(gòu)建數(shù)據(jù)集利用LSTM的學(xué)習(xí)能力,并通過(guò)Adboost來(lái)進(jìn)行決策,固定形式數(shù)據(jù)集和網(wǎng)絡(luò)限制了整體表達(dá)能力。文獻(xiàn)[20]利用與電場(chǎng)相關(guān)性較高的上游電場(chǎng)數(shù)據(jù)或者測(cè)風(fēng)塔數(shù)據(jù)進(jìn)行預(yù)測(cè),此方法實(shí)施條件較高,首先需要得到上游電場(chǎng)的數(shù)據(jù),同時(shí)需要主導(dǎo)風(fēng)向長(zhǎng)時(shí)間一致,在滿足條件情況下電場(chǎng)預(yù)測(cè)精度較高。文獻(xiàn)[15]指出在季風(fēng)區(qū)利用季風(fēng)在地理空間上的大范圍一致性,可以顯著提高風(fēng)速空間相關(guān)性預(yù)測(cè)的效果。文獻(xiàn)[21]利用CNN和LSTM同時(shí)提取特征并進(jìn)行預(yù)測(cè),雖然得到了較好的結(jié)果,但是未對(duì)數(shù)據(jù)集進(jìn)行劃分,沒(méi)有發(fā)揮CNN的局部感受野特性和LSTM記憶能力強(qiáng)的特性。

    在風(fēng)力發(fā)電過(guò)程中,由于局部地形的影響,風(fēng)電場(chǎng)的不均勻性、風(fēng)電機(jī)組的非線性動(dòng)力學(xué)、非計(jì)劃停機(jī)等仍存在不確定性,風(fēng)電預(yù)測(cè)存在難以控制的誤差,給電網(wǎng)調(diào)度帶來(lái)較大風(fēng)險(xiǎn)。傳統(tǒng)的功率預(yù)測(cè)方法難以滿足電力系統(tǒng)實(shí)際運(yùn)行的需要。本文對(duì)傳統(tǒng)的預(yù)測(cè)模式進(jìn)行改進(jìn),將數(shù)據(jù)集進(jìn)行重新分類,減少風(fēng)力不確定性因素之間的干擾,通過(guò)不同通道的不同任務(wù)來(lái)提高超短期風(fēng)電功率預(yù)測(cè)的準(zhǔn)確率。

    1 人工神經(jīng)網(wǎng)絡(luò)

    1.1 卷積神經(jīng)網(wǎng)絡(luò)

    卷積神經(jīng)網(wǎng)絡(luò)主要由卷積層、池化層和全連接層組成,如圖1所示。其中,卷積層是CNN的核心,運(yùn)用卷積核對(duì)數(shù)據(jù)進(jìn)行卷積操作以提取數(shù)據(jù)的內(nèi)部特征。池化層對(duì)卷積層的輸出進(jìn)行池化操作,作用是對(duì)數(shù)據(jù)進(jìn)行壓縮,提高網(wǎng)絡(luò)泛化能力。卷積神經(jīng)網(wǎng)絡(luò)在圖像、視頻和語(yǔ)音方面都得到了廣泛的應(yīng)用并取得了優(yōu)異的成績(jī)。卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)[22]的重要分支,能夠應(yīng)用在眾多領(lǐng)域中,主要得益于它的局部感受野和權(quán)值共享機(jī)制。

    圖1 卷積神經(jīng)網(wǎng)絡(luò)基本模型

    在功率預(yù)測(cè)領(lǐng)域,由于其樣本為單點(diǎn)數(shù)據(jù)的時(shí)間序列,且存在一定的季節(jié)周期和人為因素,單純的局部感受野可能會(huì)丟失一部分特征,所以急需一種適合提取時(shí)序樣本特征的網(wǎng)絡(luò)。所以,在原始卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上結(jié)合膨脹卷積[23],具有了在時(shí)間序列上提取特征的能力。

    1.2 長(zhǎng)短期記憶網(wǎng)絡(luò)

    長(zhǎng)短期記憶網(wǎng)絡(luò)[24](long short term memory networks,LTSM),是一種時(shí)間循環(huán)神經(jīng)網(wǎng)絡(luò),適用于處理和預(yù)測(cè)時(shí)間序列中間隔和延遲較長(zhǎng)的重要事件,其結(jié)構(gòu)如圖2所示。在深度學(xué)習(xí)領(lǐng)域中,以CNN為代表的傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)在解決分類任務(wù)方面表現(xiàn)優(yōu)異,但無(wú)法處理信息之間復(fù)雜的時(shí)間相關(guān)性。由于LSTM的神經(jīng)網(wǎng)絡(luò)中包含時(shí)間記憶單元,因此,在時(shí)間序列預(yù)測(cè)中應(yīng)用較多。本文利用LSTM強(qiáng)大的記憶功能在第1個(gè)實(shí)測(cè)數(shù)據(jù)通道中用來(lái)提取時(shí)序特征。

    圖2 LSTM網(wǎng)絡(luò)結(jié)構(gòu)

    2 基于多通道特征組合預(yù)測(cè)模型的設(shè)計(jì)

    2.1 多通道特征組合模型

    本文對(duì)傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn),用多通道神經(jīng)網(wǎng)絡(luò)代替以往的單通道神經(jīng)網(wǎng)絡(luò),緩解數(shù)據(jù)之間的干擾,從而能夠提取更多的有用信息。具體流程如圖3所示,在特征組合環(huán)節(jié)建立3種不同數(shù)據(jù)集組合形式,分別是:1)歷史實(shí)測(cè)數(shù)據(jù)的歷史時(shí)序信息,此部分通過(guò)LSTM網(wǎng)絡(luò)來(lái)提取時(shí)序特征;2)在實(shí)測(cè)數(shù)據(jù)中加入對(duì)應(yīng)時(shí)間的數(shù)值氣象預(yù)報(bào)(numerical weather prediction,NWP)信息,用來(lái)提取實(shí)測(cè)數(shù)據(jù)與NWP之間的耦合關(guān)系,此部分通過(guò)一維卷積神經(jīng)網(wǎng)絡(luò)提取特征;3)將全量數(shù)據(jù)加入到一維卷積神經(jīng)網(wǎng)絡(luò)中提取特征,用來(lái)對(duì)之前的特征加以補(bǔ)充。在特征融合環(huán)節(jié),將3種特征提取結(jié)果進(jìn)行拼接融合,并將融合后的特征加入全連接神經(jīng)網(wǎng)絡(luò)(fully connected layer,F(xiàn)C)中進(jìn)行功率預(yù)測(cè)。

    圖3 多通道特征組合模型

    2.2 超短期功率預(yù)測(cè)特征

    超短期功率預(yù)測(cè)是指能夠以當(dāng)前時(shí)刻為基準(zhǔn),預(yù)測(cè)未來(lái)4h、時(shí)間粒度15min的風(fēng)電場(chǎng)發(fā)電功率。超短期預(yù)測(cè)用到的數(shù)據(jù)主要有歷史實(shí)測(cè)以及NWP數(shù)據(jù)。具體的數(shù)據(jù)形式如圖4所示。歷史數(shù)據(jù)一般包含時(shí)序信息,即包含過(guò)去一段時(shí)間的風(fēng)況,利用LSTM網(wǎng)絡(luò)的記憶功能,可以大致預(yù)測(cè)未來(lái)一段時(shí)間的時(shí)序信息;NWP數(shù)據(jù)包含整個(gè)大氣變化過(guò)程信息,可以描述風(fēng)速運(yùn)動(dòng)過(guò)程,通過(guò)不同組合可得到更多新特征。

    圖4 超短期功率預(yù)測(cè)可用數(shù)據(jù)形式

    2.3 膨脹卷積設(shè)置

    當(dāng)時(shí),膨脹卷積就成為一般卷積操作;當(dāng)時(shí),膨脹卷積能夠擴(kuò)展前后數(shù)據(jù)寬度。膨脹卷積的基本結(jié)構(gòu)如圖5所示。

    2.4 改進(jìn)多通道的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

    傳統(tǒng)多通道神經(jīng)網(wǎng)絡(luò)基于單一形式數(shù)據(jù)集進(jìn)行建模,限制了整體表達(dá)能力。本文對(duì)傳統(tǒng)模型加以改進(jìn),將數(shù)據(jù)集劃分為3種組合,輸入到3個(gè)不同的通道。第1個(gè)組合是純實(shí)測(cè)數(shù)據(jù),旨在能夠?qū)W習(xí)到數(shù)據(jù)的時(shí)序特征;第2個(gè)組合是實(shí)測(cè)數(shù)據(jù)加上歷史NWP數(shù)據(jù),期望能夠?qū)W習(xí)到實(shí)測(cè)數(shù)據(jù)與NWP的內(nèi)在耦合關(guān)系;第3個(gè)組合是放入所有的數(shù)據(jù),期望能夠讓網(wǎng)絡(luò)自身能夠?qū)W習(xí)到數(shù)據(jù)之間的關(guān)聯(lián)性。通過(guò)采用改進(jìn)多通道的設(shè)計(jì),期望在有效的數(shù)據(jù)集中提取更多的有效特征,一般神經(jīng)網(wǎng)絡(luò)的多通道形式如圖6所示。其中:LSTM單元組成一個(gè)時(shí)間鏈?zhǔn)浇Y(jié)構(gòu),即該層為L(zhǎng)STM層;CNN單元組成卷積層;實(shí)測(cè)數(shù)據(jù)為風(fēng)電場(chǎng)的歷史實(shí)際功率;NWP歷史為當(dāng)前時(shí)刻以及以前的氣象預(yù)報(bào)數(shù)據(jù);NWP未來(lái)為當(dāng)前時(shí)刻以后的氣象預(yù)報(bào)數(shù)據(jù)。針對(duì)輸入數(shù)據(jù)采用不同的網(wǎng)絡(luò)進(jìn)行特征提取,從而在很大程度上擴(kuò)充單一網(wǎng)絡(luò)的特征提取能力。

    圖6 多通道神經(jīng)網(wǎng)絡(luò)改進(jìn)形式

    3 算法實(shí)現(xiàn)

    本文通過(guò)采用多通道特征組合方法,在同一層中融入時(shí)序信息和數(shù)據(jù)耦合關(guān)系,讓網(wǎng)絡(luò)的同一層能夠?qū)W習(xí)到更多的數(shù)據(jù)特征,從而提高預(yù)測(cè)準(zhǔn)確率。

    該算法流程圖設(shè)計(jì)如圖7所示,首先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,過(guò)濾掉由于風(fēng)電場(chǎng)限電、停機(jī)、維修等人為因素造成的異常數(shù)據(jù);然后對(duì)數(shù)據(jù)進(jìn)行歸一化處理,分別建立3個(gè)通道的訓(xùn)練數(shù)據(jù),根據(jù)3個(gè)通道的各自任務(wù)設(shè)計(jì)特定的神經(jīng)網(wǎng)絡(luò),再把3個(gè)通道得到的特征進(jìn)行融合,輸入到全連接層,獲得網(wǎng)絡(luò)輸出;最后對(duì)網(wǎng)絡(luò)輸出數(shù)據(jù)進(jìn)行歸一化逆向操作,得到預(yù)測(cè)結(jié)果。本算法采用Python下的Keras-GPU計(jì)算框架來(lái)實(shí)現(xiàn)。

    圖7 多通道神經(jīng)網(wǎng)絡(luò)算法流程圖

    圖8是該算法設(shè)計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)輸出圖,由 圖8可以看到3個(gè)通道逐步加入特征,通過(guò)各自網(wǎng)絡(luò)的轉(zhuǎn)換后進(jìn)行特征融合的整個(gè)過(guò)程。

    圖8 多通道神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

    4 實(shí)驗(yàn)分析與討論

    為了驗(yàn)證本文提出多通道特征組合模型的有效性和魯棒性,分別選取了具有全國(guó)代表性風(fēng)況區(qū)域的5個(gè)風(fēng)電場(chǎng)進(jìn)行實(shí)驗(yàn),分別是華東地區(qū)江蘇的2個(gè)風(fēng)電場(chǎng)、東北地區(qū)內(nèi)蒙的一個(gè)風(fēng)電場(chǎng)、中南部地區(qū)云南的一個(gè)風(fēng)電場(chǎng)和西北地區(qū)甘肅的一個(gè)風(fēng)電場(chǎng)。訓(xùn)練數(shù)據(jù)(包括歷史實(shí)測(cè)數(shù)據(jù)和數(shù)值氣象預(yù)報(bào)數(shù)據(jù))時(shí)間范圍選取自2019年3月1日至2020年2月29日,測(cè)試數(shù)據(jù)時(shí)間范圍選取自2020年3月1日至2020年3月31日。本實(shí)驗(yàn)基于Ubuntu操作系統(tǒng),服務(wù)器CPU為InterI5-7 300HQ,GPU為GTX1050Ti。

    4.1 數(shù)據(jù)預(yù)處理

    圖10為過(guò)濾前后的折線圖對(duì)比,對(duì)于風(fēng)速大、功率小的異常值進(jìn)行刪除處理。

    圖10 實(shí)測(cè)功率與實(shí)測(cè)風(fēng)速折線圖過(guò)濾前后對(duì)比

    4.2 評(píng)價(jià)指標(biāo)

    為評(píng)估模型的預(yù)測(cè)性能,本實(shí)驗(yàn)采用國(guó)家能源局西北監(jiān)管局下發(fā)的考核細(xì)則中均方根誤差(root mean square error,RMSE)準(zhǔn)確率及調(diào)和平均(harmonic mean,HM)準(zhǔn)確率作為本實(shí)驗(yàn)的評(píng)價(jià)指標(biāo)。

    均方根誤差準(zhǔn)確率表示為

    調(diào)和平均準(zhǔn)確率表示為

    調(diào)和平均準(zhǔn)確率計(jì)算復(fù)雜并且與實(shí)測(cè)功率和預(yù)測(cè)功率大小有關(guān),為電網(wǎng)調(diào)度考核公式,本文只作為模型評(píng)價(jià)參考指標(biāo)。

    4.3 對(duì)比分析

    為了分析和驗(yàn)證本方法的預(yù)測(cè)精度效果,將其與單通道神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了對(duì)比分析,其中,單通道神經(jīng)網(wǎng)絡(luò)模型是將數(shù)據(jù)直接輸入到單一的神經(jīng)網(wǎng)絡(luò)中進(jìn)行預(yù)測(cè)。為了使分析結(jié)果具有充分的代表性,本次實(shí)驗(yàn)選取了分布在中國(guó)不同地區(qū)的5個(gè)風(fēng)力發(fā)電場(chǎng)進(jìn)行測(cè)試。

    1)江蘇地區(qū)。選取裝機(jī)容量均為99MW的某風(fēng)電場(chǎng)A和B,該電場(chǎng)處于溫帶季風(fēng)氣候、亞熱帶季風(fēng)氣候,四季分明,春暖多變,夏雨集中,秋高氣爽,冬季寒冷,是季風(fēng)氣候明顯的區(qū)域。表1是針對(duì)2個(gè)電場(chǎng)數(shù)據(jù)采用不同算法的預(yù)測(cè)結(jié)果對(duì)比。圖11為不同算法預(yù)測(cè)值折線對(duì)比圖,從圖中可看出多通道預(yù)測(cè)結(jié)果更貼合實(shí)際功率,在部分時(shí)間段可以有效抑制超短期預(yù)測(cè)滯后現(xiàn)象,充分證明了本算法的有效性。

    表1 江蘇地區(qū)2種算法的預(yù)測(cè)結(jié)果對(duì)比

    圖11 江蘇地區(qū)2種算法預(yù)測(cè)值折線對(duì)比圖

    2)內(nèi)蒙古地區(qū)。選取裝機(jī)容量為60MW的某風(fēng)電場(chǎng)C。該電場(chǎng)處于溫帶大陸性氣候、溫帶季風(fēng)氣候,地勢(shì)由東北向西南斜伸,呈狹長(zhǎng)形,全區(qū)基本屬一個(gè)高原型的地貌區(qū)。表2是針對(duì)該電場(chǎng)數(shù)據(jù)采用不同算法的預(yù)測(cè)結(jié)果對(duì)比,圖12為不同算法預(yù)測(cè)值折線對(duì)比圖。

    表2 內(nèi)蒙古地區(qū)2種算法的預(yù)測(cè)結(jié)果對(duì)比

    圖12 內(nèi)蒙古地區(qū)2種算法預(yù)測(cè)值折線對(duì)比圖

    3)云南地區(qū)。選取裝機(jī)容量為100MW的某風(fēng)電場(chǎng)D。該電場(chǎng)處于亞熱帶季風(fēng)氣候、熱帶季風(fēng)氣候、高原山地氣候。表3是針對(duì)該電場(chǎng)數(shù)據(jù)采用不同算法的預(yù)測(cè)結(jié)果對(duì)比,圖13為不同算法預(yù)測(cè)值折線對(duì)比圖。

    表3 云南地區(qū)2種算法的預(yù)測(cè)結(jié)果對(duì)比

    圖13 云南地區(qū)2種算法預(yù)測(cè)值折線對(duì)比圖

    4)甘肅地區(qū)。選取裝機(jī)容量為99MW的某大型風(fēng)電場(chǎng)E。該電場(chǎng)處于亞熱帶季風(fēng)氣候、溫帶大陸性氣候、高原山地氣候。表4是針對(duì)該電場(chǎng)數(shù)據(jù)采用不同算法的預(yù)測(cè)結(jié)果對(duì)比,圖14為不同算法預(yù)測(cè)值折線對(duì)比圖。

    表4 甘肅地區(qū)2種算法的預(yù)測(cè)結(jié)果對(duì)比

    圖14 甘肅地區(qū)2種算法預(yù)測(cè)值折線對(duì)比圖

    綜合分析以上不同地區(qū)風(fēng)電場(chǎng)的預(yù)測(cè)對(duì)比結(jié)果得出:無(wú)論是在氣候特點(diǎn)復(fù)雜的甘肅地區(qū),還是氣候特點(diǎn)規(guī)律性較強(qiáng)的江蘇地區(qū),抑或是高原型的內(nèi)蒙古和云南地區(qū),采用多通道神經(jīng)網(wǎng)絡(luò)模型均表現(xiàn)良好,獲得準(zhǔn)確度更高的預(yù)測(cè)結(jié)果。與單通道模型相比,在均方根誤差準(zhǔn)確率上平均可提高0.55個(gè)百分點(diǎn),在調(diào)和平均準(zhǔn)確率上平均可提高0.42個(gè)百分點(diǎn)。

    5 結(jié)論

    1)通過(guò)實(shí)際風(fēng)電場(chǎng)數(shù)據(jù)的對(duì)比分析,基于卷積神經(jīng)網(wǎng)絡(luò)的多通道特征組合超短期風(fēng)電功率預(yù)測(cè)模型和預(yù)測(cè)方法比傳統(tǒng)單通道算法預(yù)測(cè)效果更優(yōu),而且增強(qiáng)了對(duì)原始數(shù)據(jù)集的抗干擾能力。

    2)采用改進(jìn)多通道神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì),針對(duì)歷史實(shí)測(cè)數(shù)據(jù)、數(shù)值天氣預(yù)報(bào)數(shù)據(jù)及其數(shù)據(jù)耦合關(guān)系建立3個(gè)不同的通道,采用不同的網(wǎng)絡(luò)進(jìn)行特征提取,可捕捉到更多的數(shù)據(jù)特征,擴(kuò)充了單一網(wǎng)絡(luò)的特征提取能力,并減少了風(fēng)力不確定性因素之間的干擾,提升了超短期功率預(yù)測(cè)準(zhǔn)確率。

    3)考慮到實(shí)測(cè)數(shù)據(jù)的隨機(jī)性,下一步,本算法可以與小波變換結(jié)合,將實(shí)測(cè)功率進(jìn)行小波分解,得到高頻信息和低頻信息,高頻信息中含有大量隨機(jī)數(shù)據(jù),針對(duì)高頻信息和低頻信息分別建模研究,期望獲得更佳的應(yīng)用效果。

    [1]全球風(fēng)能理事會(huì).全球風(fēng)能報(bào)告[R].全球風(fēng)能理事會(huì),2019.

    Global Wind Energy Council.Global wind energy report[R].Global Wind Energy Council,2019.

    [2]錢(qián)峰,陳藝,劉俊磊,等.大規(guī)模風(fēng)電接入的電力系統(tǒng)協(xié)調(diào)控制策略[J].廣東電力,2019,32(11):12-18.

    QIAN F,CHEN Y,LIU J L,et al.Coordinated control strategy for power systems with large-scale wind power integration[J].Guangdong Electric Power,2019,32(11):12-18.

    [3]施濤,李春來(lái),朱慧敏.考慮功率預(yù)測(cè)不確定性的風(fēng)電消納隨機(jī)調(diào)度[J].電網(wǎng)與清潔能源,2019,35(4):55-59.

    SHI T,LI C L,ZHU H M.Stochastic dispatching of wind power accommodation considering uncertainty of power prediction[J].Power System and Clean Energy,2019,35(4):55-59.

    [4]張坤,張金環(huán),張巍巍,等.基于ASD-KDE的風(fēng)電出力超短期區(qū)間預(yù)測(cè)[J].智慧電力,2019,47(5):32-37.

    ZHANG K,ZHANG J H,ZHANG W W,et al.Ultra-short-term wind power interval prediction based on ASD-KDE[J].Smart Power,2019,47(5):32-37.

    [5]張金環(huán),王超群,張彤,等.基于高斯混合分布模型的風(fēng)電功率預(yù)測(cè)誤差統(tǒng)計(jì)分析研究[J].智慧電力,2020,48(7):59-64.

    ZHANG J H,WANG C Q,ZHANG T,et al.Statistical analysis of wind power forecasting errors based on Gaussian mixture model[J].Smart Power,2020,48(7):59-64.

    [6]趙濱濱,王瑩,王彬,等.基于ARIMA時(shí)間序列的分布式光伏系統(tǒng)輸出功率預(yù)測(cè)方法研究[J].可再生能源,2019,37(6):820-823.

    ZHAO B B,WANG Y,WANG B,et al.Photovoltaic power prediction in distribution network based on ARIMA model time series[J].Renewable Energy Resources,2019,37(6):820-823.

    [7]田波,樸在林,王慧.基于時(shí)間序列建模在風(fēng)力發(fā)電功率短期預(yù)測(cè)中的研究[J].電網(wǎng)與清潔能源,2016,32(3):115-119.

    TIAN B,PIAO Z L,WANG H.Short term prediction of wind power based on time series modeling[J].Power System and Clean Energy,2016,32(3):115-119.

    [8]朱紅路,李旭,姚建曦,等.基于小波分析與神經(jīng)網(wǎng)絡(luò)的光伏電站功率預(yù)測(cè)方法[J].太陽(yáng)能學(xué)報(bào),2015,36(11):2725-2730.

    ZHU H L,LI X,YAO J X,et al.The power prediction method for photovoltaic power station based on wavelet analysis and neural networks[J].Acta Energiae Solaris Sinica,2015,36(11):2725-2730.

    [9]潘志剛,劉三明,李瑩,等.基于深度學(xué)習(xí)網(wǎng)絡(luò)的風(fēng)電場(chǎng)功率短期預(yù)測(cè)研究[J].科技與創(chuàng)新,2015 (19):4-6.

    PAN Z G,LIU S M,LI Y,et al.Research on the short-term forecasting of wind power based on deep learning network[J].Science and Technology & Innovation,2015(19):4-6.

    [10]葉興,薛家祥.改進(jìn)型LSTM網(wǎng)絡(luò)光伏發(fā)電功率預(yù)測(cè)研究[J].中國(guó)測(cè)試,2019,45(11):14-20.

    YE Y,XUE J X.Research on photovoltaic power generation prediction based on improved LSTM network[J].China Measurement & Testing Technology,2019,45(11):14-20.

    [11]王瑞,劉明山,周原.一種基于DBN和卡爾曼濾波算法的AGV定位算法:CN201710027637.3 [P].2017-05-17.

    WANG R,LIU M S,ZHOU Y.An AGV location algorithm based on DBN and Kalman filter algorithm:CN201710027637.3[P].2017-05-17.

    [12]趙怡茗.基于VMD-SE-LSSVM和迭代誤差修正的光伏發(fā)電功率預(yù)測(cè)[D].西安:西安理工大學(xué),2018.

    ZHAO Y M.PV power prediction based on VMD-SE-LSSVM and iterative error correction[D].Xi'an:Xi'an University of Technology,2018.

    [13]CHANG C C,LIN C J.LIBSVM:a library for support vector machines[J].ACM Transactions on Intelligent Systems & Technology,2011,2(3):1-27.

    [14]楊延西,劉?。谛〔ㄗ儞Q和最小二乘支持向量機(jī)的短期電力負(fù)荷預(yù)測(cè)[J].電網(wǎng)技術(shù),2005,29(13):60-64.

    YANG Y X,LIU D.Short-term load forecasting based on wavelet transform and least square support vector machines[J].Power System Technology,2005,29(13):60-64.

    [15]周志華.機(jī)器學(xué)習(xí)[J].中國(guó)民商,2016,3(21):93.

    ZHOU Z H.Machine learning[J].China's civil and commercial,2016,3(21):93.

    [16]李相俊,許格?。陂L(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電功率預(yù)測(cè)方法[J].發(fā)電技術(shù),2019,40(5):426-433.

    LI X J,XU G J.Wind power prediction method based on long short-term memory neural network[J].Power Generation Technology,2019,40(5):426-433.

    [17]郎偉明,麻向津,周博文,等.基于LSTM和非參數(shù)核密度估計(jì)的風(fēng)電功率概率區(qū)間預(yù)測(cè)[J].智慧電力,2020,48(2):31-37.

    LANG W M,MA X J,ZHOU B W,et al.Wind power probabilistic intervals prediction based on LSTM and nonparametric kernel density estimation[J].Smart Power,2020,48(2):31-37.

    [18]周飛燕,金林鵬,董軍.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計(jì)算機(jī)學(xué)報(bào),2017,40(6):1229-1251.

    ZHOU F Y,JIN L P,DONG J.Review of convolutional neural network[J].Chinese Journal of Computers,2017,40(6):1229-1251.

    [19]牛哲文,余澤遠(yuǎn),李波,等.基于深度門(mén)控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的短期風(fēng)功率預(yù)測(cè)模型[J].電力自動(dòng)化設(shè)備,2018,38(5):43-49.

    NIU Z E,YU Z Y,LI B,et al.Short-term wind power forecasting model based on deep gated recurrent unit neural network[J].Electric Power Automation Equipment,2018,38(5):43-49.

    [20]AHMED A,KHALID M.A review on the selected applications of forecasting models in renewable power systems[J].Renewable and Sustainable Energy Reviews,2019,100:9-21.

    [21]楊正瓴,馮勇,熊定方,等.基于季風(fēng)特性改進(jìn)風(fēng)電功率預(yù)測(cè)的研究展望[J].智能電網(wǎng),2015,3(1):1-7.

    YANG Z L,F(xiàn)ENG Y,XIONG D F.Research prospects of improvement in wind power forecasting based on characteristics of monsoons[J].Smart Grid,2015,3(1):1-7.

    [22]郭麗麗,丁世飛.深度學(xué)習(xí)研究進(jìn)展[J].計(jì)算機(jī)科學(xué),2015,42(5):28-33.

    GUO L L,DING S F.Research progress of deep learning[J].Computer Science,2015,42(5):28-33.

    [23]王星,李超,陳吉.基于膨脹卷積神經(jīng)網(wǎng)絡(luò)模型的中文分詞方法[J].中文信息學(xué)報(bào),2019,33(9):24-30.

    WANG X,LI C,CHEN J.Dilated convolution neural networks for Chinese word segmentation[J].Journal of Chinese Information Processing,2019,33(9):24-30.

    [24]應(yīng)稼田,程良倫,林錦發(fā).一種用于風(fēng)電功率預(yù)測(cè)的雙存儲(chǔ)結(jié)構(gòu)LSTM模型[J].無(wú)線互聯(lián)科技,2019,16(5):117-120.

    YING J T,CHENG L L,LIN J F.A dual storage structure LSTM model for wind power prediction[J].Wuxian Hulian Keji,2019,16(5):117-120.

    [25]劉彬,戴桂平.基于白化檢驗(yàn)和3σ準(zhǔn)則的小波閾值去噪算法[J].傳感技術(shù)學(xué)報(bào),2005,18(3):473-476.

    LIU B,DAI G P.Adaptive wavelet thresholding denoising algorithm based on white noise detection and 3σ rule[J].Chinese Journal of Sensors and Actuators,2005,18(3):473-476.

    A Multi-channel Feature Combination Model for Ultra-short-term Wind Power Prediction Under Carbon Neutral Background

    HUANG Shubang1,2, CHEN Yao1,2, JIN Yuqing3*

    (1. Xinjiang Goldwind Science & Technology Co., Ltd., Daxing District, Beijing 100176, China;2. Jiangsu Goldwind Software & Technology Co., Ltd., Wuxi 214000, Jiangsu Province, China;3. College of Energy and Electrical Engineering, Hohai University, Nanjing 211100, Jiangsu Province, China)

    Wind power will become one of the dominant power sources of China oriented to carbon neutral. With the rapid development of artificial intelligence technology, artificial neural networks are widely used in wind power generation forecasting. Traditional artificial neural network algorithms use fixed-form data sets and simple network structures, which limits the overall expression ability and results in uncontrollable errors in ultra-short-term wind power forecasting due to various uncertain factors. In this work, a multi-channel feature combination model based on artificial neural network for ultra-short-term wind power prediction was proposed. Firstly, the data were reclassified and input into three neural networks to establish three feature combinations. After that, multi-channel features splicing and fusion were performed. The fused features were added to the fully connected neural network for power prediction, which can eliminate the interference between different features and effectively learn long-term dependent data features. Finally, the algorithm was verified on the actual data of five wind farms. The experimental results show that this method has better prediction accuracy than the single-channel model, and can improve the network stability.

    carbon neutral; wind power generation; ultra-short-term power prediction; artificial neural network; multi-channel

    10.12096/j.2096-4528.pgt.20103

    TK 89

    國(guó)家自然科學(xué)基金項(xiàng)目(52077059)。

    Project Supported by National Natural Science Foundation of China (52077059).

    2020-10-09。

    (責(zé)任編輯 辛培裕)

    猜你喜歡
    電功率風(fēng)電場(chǎng)卷積
    基于PCC-CNN-GRU的短期風(fēng)電功率預(yù)測(cè)
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    輕松上手電功率
    你會(huì)計(jì)算電功率嗎
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    解讀電功率
    基于PSS/E的風(fēng)電場(chǎng)建模與動(dòng)態(tài)分析
    電子制作(2018年17期)2018-09-28 01:56:44
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    含風(fēng)電場(chǎng)電力系統(tǒng)的潮流計(jì)算
    探求風(fēng)電場(chǎng)的遠(yuǎn)景
    風(fēng)能(2015年9期)2015-02-27 10:15:25
    热99国产精品久久久久久7| 亚洲av中文av极速乱| 国产 一区 欧美 日韩| 一级av片app| 精品一区二区三区视频在线| 一级毛片我不卡| 免费看不卡的av| 成人一区二区视频在线观看| 99热这里只有精品一区| 亚洲成人久久爱视频| 最近2019中文字幕mv第一页| 亚洲精品国产av成人精品| 嫩草影院入口| 欧美日韩国产mv在线观看视频 | 亚洲一区二区三区欧美精品 | 下体分泌物呈黄色| 黄色视频在线播放观看不卡| 精品久久久精品久久久| 久久国内精品自在自线图片| 亚洲国产最新在线播放| 插阴视频在线观看视频| 欧美日韩国产mv在线观看视频 | 校园人妻丝袜中文字幕| 亚洲av福利一区| 各种免费的搞黄视频| 日本wwww免费看| 日本wwww免费看| 日韩三级伦理在线观看| 国产成人精品婷婷| 亚洲精品色激情综合| xxx大片免费视频| 777米奇影视久久| 国产国拍精品亚洲av在线观看| 最近最新中文字幕免费大全7| 国产欧美另类精品又又久久亚洲欧美| 亚洲国产欧美在线一区| 精品午夜福利在线看| 大片电影免费在线观看免费| 欧美另类一区| 噜噜噜噜噜久久久久久91| 少妇的逼好多水| 自拍欧美九色日韩亚洲蝌蚪91 | 人人妻人人看人人澡| 久久亚洲国产成人精品v| 亚洲国产日韩一区二区| 大香蕉久久网| 欧美最新免费一区二区三区| 欧美最新免费一区二区三区| 国产熟女欧美一区二区| av在线蜜桃| 国产永久视频网站| 久久99精品国语久久久| 中文欧美无线码| 少妇人妻一区二区三区视频| 少妇丰满av| 黄片wwwwww| 国产一区二区在线观看日韩| 99热国产这里只有精品6| av免费在线看不卡| 2018国产大陆天天弄谢| 成人漫画全彩无遮挡| 久久精品久久精品一区二区三区| 久久午夜福利片| 一本一本综合久久| 在线免费十八禁| 麻豆精品久久久久久蜜桃| 美女视频免费永久观看网站| 女人被狂操c到高潮| 麻豆乱淫一区二区| 人妻系列 视频| 欧美丝袜亚洲另类| 久久人人爽人人片av| 国产人妻一区二区三区在| 国产精品久久久久久av不卡| 久久久色成人| 乱系列少妇在线播放| 韩国av在线不卡| 蜜桃亚洲精品一区二区三区| 狠狠精品人妻久久久久久综合| 日日啪夜夜爽| 涩涩av久久男人的天堂| 国产久久久一区二区三区| 成人美女网站在线观看视频| 联通29元200g的流量卡| 国产成人午夜福利电影在线观看| 国产精品不卡视频一区二区| 免费人成在线观看视频色| 波多野结衣巨乳人妻| 免费av观看视频| 中国美白少妇内射xxxbb| 国产精品99久久久久久久久| 在线免费观看不下载黄p国产| 精品久久久久久久末码| 亚洲欧美清纯卡通| 热99国产精品久久久久久7| 久久精品夜色国产| 晚上一个人看的免费电影| 亚洲国产成人一精品久久久| 国产v大片淫在线免费观看| 97在线人人人人妻| 可以在线观看毛片的网站| 人妻一区二区av| 人妻制服诱惑在线中文字幕| 99久久九九国产精品国产免费| 五月开心婷婷网| 美女脱内裤让男人舔精品视频| 亚洲av日韩在线播放| 亚洲精品日韩在线中文字幕| 亚洲欧美成人综合另类久久久| 草草在线视频免费看| 亚洲综合色惰| 久久精品综合一区二区三区| 激情 狠狠 欧美| 一个人观看的视频www高清免费观看| 男插女下体视频免费在线播放| 婷婷色综合www| 老司机影院成人| 亚洲精品日韩在线中文字幕| 一级毛片aaaaaa免费看小| 久热这里只有精品99| 亚洲国产日韩一区二区| 亚洲电影在线观看av| 亚洲精品久久久久久婷婷小说| 九九久久精品国产亚洲av麻豆| 亚洲av福利一区| 国产高清国产精品国产三级 | 69人妻影院| 在线免费十八禁| 91精品国产九色| 中文在线观看免费www的网站| 看黄色毛片网站| 成人免费观看视频高清| 天天躁夜夜躁狠狠久久av| 最新中文字幕久久久久| 精品久久国产蜜桃| 国精品久久久久久国模美| 亚洲四区av| 中文字幕亚洲精品专区| 国产免费又黄又爽又色| 日韩成人伦理影院| 国产高清不卡午夜福利| 国产亚洲5aaaaa淫片| 亚州av有码| 国产精品女同一区二区软件| 性插视频无遮挡在线免费观看| 国产精品久久久久久精品电影小说 | 亚洲精品日韩av片在线观看| www.色视频.com| 日本猛色少妇xxxxx猛交久久| 欧美日韩视频高清一区二区三区二| 高清欧美精品videossex| 啦啦啦啦在线视频资源| 夜夜爽夜夜爽视频| 看免费成人av毛片| 欧美精品人与动牲交sv欧美| 男女下面进入的视频免费午夜| 午夜激情久久久久久久| 国产av国产精品国产| 18禁裸乳无遮挡免费网站照片| 嘟嘟电影网在线观看| 一级毛片aaaaaa免费看小| 久久女婷五月综合色啪小说 | 午夜激情久久久久久久| 嫩草影院入口| 一级黄片播放器| 国产综合懂色| 日本熟妇午夜| av网站免费在线观看视频| 亚洲av成人精品一二三区| 男女国产视频网站| 精品久久久精品久久久| 又爽又黄无遮挡网站| 成年女人在线观看亚洲视频 | 亚洲欧美日韩卡通动漫| 国产片特级美女逼逼视频| 亚洲精品国产av蜜桃| 久久这里有精品视频免费| 久久久久久久久久久免费av| 国产精品国产三级专区第一集| 一级毛片 在线播放| 听说在线观看完整版免费高清| 一本久久精品| 极品教师在线视频| 国产欧美日韩精品一区二区| 久久久久久久久久久免费av| 男人舔奶头视频| 五月玫瑰六月丁香| 久久久久久久精品精品| 丝袜脚勾引网站| 国产精品蜜桃在线观看| 亚洲精品成人久久久久久| 亚洲精品久久久久久婷婷小说| 国产成年人精品一区二区| 大片免费播放器 马上看| 99热这里只有是精品在线观看| 久久久久久久久久久丰满| 在线精品无人区一区二区三 | 色网站视频免费| 亚洲av国产av综合av卡| 中国三级夫妇交换| 一区二区三区四区激情视频| 国产 精品1| 国产成人a区在线观看| 国产成人一区二区在线| 中文天堂在线官网| 亚洲欧洲国产日韩| 深爱激情五月婷婷| 麻豆成人午夜福利视频| av在线app专区| 不卡视频在线观看欧美| 亚洲精品日韩在线中文字幕| 免费不卡的大黄色大毛片视频在线观看| 91精品伊人久久大香线蕉| 秋霞在线观看毛片| 男女那种视频在线观看| 在线精品无人区一区二区三 | 亚洲精品视频女| 大片电影免费在线观看免费| av女优亚洲男人天堂| 如何舔出高潮| 人人妻人人看人人澡| 亚洲欧美精品自产自拍| 在线观看一区二区三区| 国产亚洲91精品色在线| 美女xxoo啪啪120秒动态图| 亚洲国产精品成人久久小说| 亚洲不卡免费看| 欧美人与善性xxx| 国产高潮美女av| 我的女老师完整版在线观看| 天美传媒精品一区二区| 午夜激情福利司机影院| 一级毛片aaaaaa免费看小| av天堂中文字幕网| 国产精品福利在线免费观看| 免费电影在线观看免费观看| 青青草视频在线视频观看| 国产老妇伦熟女老妇高清| 伊人久久国产一区二区| 看十八女毛片水多多多| 自拍偷自拍亚洲精品老妇| 欧美另类一区| 色婷婷久久久亚洲欧美| 免费黄频网站在线观看国产| 99精国产麻豆久久婷婷| 日韩中字成人| 青青草视频在线视频观看| 久久久久性生活片| 亚洲人成网站高清观看| 最近中文字幕2019免费版| 草草在线视频免费看| 色播亚洲综合网| 美女视频免费永久观看网站| kizo精华| 成年女人看的毛片在线观看| 国产成人免费观看mmmm| 性插视频无遮挡在线免费观看| 免费看av在线观看网站| 尾随美女入室| 男人舔奶头视频| 国产精品爽爽va在线观看网站| 秋霞在线观看毛片| 亚洲欧美成人精品一区二区| 精品人妻偷拍中文字幕| xxx大片免费视频| 婷婷色综合www| 亚洲国产精品国产精品| 白带黄色成豆腐渣| 国产 一区精品| 在线观看美女被高潮喷水网站| 久久精品国产亚洲网站| 精品久久久久久久人妻蜜臀av| 欧美精品一区二区大全| 国产国拍精品亚洲av在线观看| 亚洲av免费高清在线观看| tube8黄色片| 亚洲欧美精品自产自拍| 日日撸夜夜添| 能在线免费看毛片的网站| 欧美成人午夜免费资源| 白带黄色成豆腐渣| 日本色播在线视频| 久久99热这里只频精品6学生| 免费看av在线观看网站| 国产一区二区三区综合在线观看 | 亚洲av成人精品一区久久| 精品酒店卫生间| 亚洲天堂av无毛| 久久99热这里只频精品6学生| 狠狠精品人妻久久久久久综合| www.av在线官网国产| eeuss影院久久| 一级毛片久久久久久久久女| 天堂俺去俺来也www色官网| 欧美高清成人免费视频www| 在线观看av片永久免费下载| 国产亚洲最大av| 又爽又黄无遮挡网站| 最近手机中文字幕大全| 国产欧美日韩一区二区三区在线 | 啦啦啦中文免费视频观看日本| 久久精品国产亚洲网站| 91狼人影院| 深夜a级毛片| 日日摸夜夜添夜夜爱| 久久精品国产a三级三级三级| 国产精品一区二区在线观看99| 国内揄拍国产精品人妻在线| 91精品伊人久久大香线蕉| 久久精品国产鲁丝片午夜精品| 国产av码专区亚洲av| 爱豆传媒免费全集在线观看| 18禁裸乳无遮挡免费网站照片| 国产精品麻豆人妻色哟哟久久| 欧美三级亚洲精品| 国产成人免费观看mmmm| 2021少妇久久久久久久久久久| 国产免费又黄又爽又色| 日韩av不卡免费在线播放| 91久久精品国产一区二区三区| 欧美丝袜亚洲另类| 麻豆成人av视频| 亚洲欧美精品专区久久| 免费大片18禁| 久热久热在线精品观看| 亚洲成色77777| 国产亚洲91精品色在线| 午夜激情福利司机影院| 欧美激情国产日韩精品一区| 欧美bdsm另类| 国产免费视频播放在线视频| 在线观看人妻少妇| 国产女主播在线喷水免费视频网站| 男女边吃奶边做爰视频| 蜜桃亚洲精品一区二区三区| 国产精品国产av在线观看| 日韩一本色道免费dvd| 一级二级三级毛片免费看| 亚洲av不卡在线观看| av福利片在线观看| 国产av不卡久久| 少妇熟女欧美另类| 尾随美女入室| 日本wwww免费看| 日韩亚洲欧美综合| 精品久久久久久久人妻蜜臀av| 中文欧美无线码| 国模一区二区三区四区视频| 成人美女网站在线观看视频| 男女啪啪激烈高潮av片| 我要看日韩黄色一级片| 又爽又黄无遮挡网站| 久久女婷五月综合色啪小说 | 亚洲va在线va天堂va国产| 秋霞伦理黄片| 亚洲精品日韩av片在线观看| 欧美zozozo另类| 黄色欧美视频在线观看| 男人舔奶头视频| 九色成人免费人妻av| av在线天堂中文字幕| 各种免费的搞黄视频| 精品人妻视频免费看| 五月开心婷婷网| 老女人水多毛片| 狂野欧美白嫩少妇大欣赏| 成人综合一区亚洲| 交换朋友夫妻互换小说| 男女国产视频网站| 精品亚洲乱码少妇综合久久| 国产av码专区亚洲av| 国产高清国产精品国产三级 | 成人鲁丝片一二三区免费| 国产黄片美女视频| 欧美国产精品一级二级三级 | www.色视频.com| 男人爽女人下面视频在线观看| 91精品一卡2卡3卡4卡| 一区二区av电影网| 人妻少妇偷人精品九色| 国产探花极品一区二区| 少妇被粗大猛烈的视频| 18禁裸乳无遮挡免费网站照片| 久久久精品免费免费高清| 少妇被粗大猛烈的视频| 精品一区二区三区视频在线| 日韩国内少妇激情av| 日韩三级伦理在线观看| 超碰97精品在线观看| 免费观看在线日韩| 亚洲欧洲日产国产| 欧美极品一区二区三区四区| 寂寞人妻少妇视频99o| 久久ye,这里只有精品| 欧美成人午夜免费资源| 午夜福利高清视频| 国产黄片视频在线免费观看| 国产 一区 欧美 日韩| 国产极品天堂在线| 18禁在线无遮挡免费观看视频| 联通29元200g的流量卡| 婷婷色综合大香蕉| 大香蕉97超碰在线| 搞女人的毛片| 自拍欧美九色日韩亚洲蝌蚪91 | 中文欧美无线码| 能在线免费看毛片的网站| 在线播放无遮挡| 国产成人免费观看mmmm| 少妇熟女欧美另类| 大陆偷拍与自拍| 听说在线观看完整版免费高清| 亚洲天堂国产精品一区在线| 亚洲精品日韩在线中文字幕| 六月丁香七月| 涩涩av久久男人的天堂| 一区二区三区精品91| 毛片女人毛片| 免费大片黄手机在线观看| 中文精品一卡2卡3卡4更新| 少妇熟女欧美另类| 色网站视频免费| 超碰av人人做人人爽久久| 成人综合一区亚洲| 国内揄拍国产精品人妻在线| 久久人人爽人人片av| 九九在线视频观看精品| 亚洲av一区综合| 国产日韩欧美在线精品| 最新中文字幕久久久久| 国产 精品1| 免费av不卡在线播放| 偷拍熟女少妇极品色| 亚洲人成网站高清观看| 日本色播在线视频| 国产精品一区www在线观看| 亚洲色图av天堂| 激情 狠狠 欧美| 最近最新中文字幕大全电影3| 一边亲一边摸免费视频| 欧美 日韩 精品 国产| 久久久亚洲精品成人影院| 好男人视频免费观看在线| 国产伦在线观看视频一区| 久久人人爽人人爽人人片va| 欧美极品一区二区三区四区| 久久精品人妻少妇| 禁无遮挡网站| 亚洲欧美日韩东京热| 日韩av免费高清视频| 18禁动态无遮挡网站| 久久久久精品性色| 在线观看一区二区三区激情| 免费播放大片免费观看视频在线观看| 狂野欧美激情性bbbbbb| 成人亚洲欧美一区二区av| av在线天堂中文字幕| 成人美女网站在线观看视频| 亚洲av成人精品一二三区| 免费在线观看成人毛片| 国产老妇女一区| 亚洲精品久久午夜乱码| 久久精品熟女亚洲av麻豆精品| 99热国产这里只有精品6| 久久99热6这里只有精品| 亚洲av日韩在线播放| 天天躁日日操中文字幕| 十八禁网站网址无遮挡 | 亚洲天堂国产精品一区在线| 91aial.com中文字幕在线观看| 熟女人妻精品中文字幕| 九九在线视频观看精品| 久久久久久久精品精品| 国产精品人妻久久久久久| 99久久中文字幕三级久久日本| 亚洲人成网站在线播| av在线观看视频网站免费| 国产淫片久久久久久久久| 一级毛片黄色毛片免费观看视频| 亚洲色图综合在线观看| 欧美日本视频| 大码成人一级视频| 99久久人妻综合| 久久精品国产自在天天线| 亚洲欧美一区二区三区国产| 婷婷色综合大香蕉| 国产成人免费观看mmmm| 极品教师在线视频| 欧美精品人与动牲交sv欧美| 成人无遮挡网站| 成人高潮视频无遮挡免费网站| 精品久久久久久久久av| 乱码一卡2卡4卡精品| 3wmmmm亚洲av在线观看| 国产乱来视频区| 婷婷色麻豆天堂久久| 五月天丁香电影| 欧美最新免费一区二区三区| 免费观看无遮挡的男女| 91狼人影院| 亚洲精品国产色婷婷电影| 国产成人a区在线观看| 久久久久久久久大av| 国产欧美日韩一区二区三区在线 | 婷婷色综合大香蕉| 啦啦啦啦在线视频资源| 国产乱人视频| 久久国内精品自在自线图片| 亚洲av二区三区四区| 亚洲aⅴ乱码一区二区在线播放| 99re6热这里在线精品视频| 亚洲av电影在线观看一区二区三区 | 成人免费观看视频高清| 嫩草影院新地址| 国产伦在线观看视频一区| 国产高清国产精品国产三级 | 国产精品人妻久久久久久| 精品久久久久久久久av| 在线观看一区二区三区激情| 精品一区二区免费观看| 欧美成人午夜免费资源| 婷婷色综合大香蕉| 晚上一个人看的免费电影| 国产黄频视频在线观看| 亚洲人与动物交配视频| 午夜福利高清视频| 国产人妻一区二区三区在| 人妻夜夜爽99麻豆av| 五月天丁香电影| 亚洲欧美一区二区三区黑人 | 色视频www国产| 精品人妻偷拍中文字幕| 久久久久精品性色| 麻豆久久精品国产亚洲av| 好男人在线观看高清免费视频| 亚洲欧美精品自产自拍| 高清欧美精品videossex| 制服丝袜香蕉在线| 老司机影院成人| 精品国产露脸久久av麻豆| 一个人观看的视频www高清免费观看| 不卡视频在线观看欧美| 69人妻影院| 久久鲁丝午夜福利片| 卡戴珊不雅视频在线播放| 大香蕉久久网| 一个人观看的视频www高清免费观看| 色综合色国产| 亚洲精品久久午夜乱码| 国产成人一区二区在线| 久久久久久国产a免费观看| 男女无遮挡免费网站观看| 久久人人爽人人爽人人片va| 成人综合一区亚洲| 九色成人免费人妻av| 黄色欧美视频在线观看| 中文精品一卡2卡3卡4更新| 黄色欧美视频在线观看| 日韩av免费高清视频| 日韩一区二区视频免费看| 精品久久久久久久久av| 欧美变态另类bdsm刘玥| 在线观看国产h片| 亚洲精品一二三| 18禁在线播放成人免费| 久久久久久久久久成人| 99九九线精品视频在线观看视频| 熟女av电影| 免费大片18禁| 人妻制服诱惑在线中文字幕| 在线观看免费高清a一片| 国产高清不卡午夜福利| 国产在视频线精品| 亚洲av日韩在线播放| 黄色视频在线播放观看不卡| 22中文网久久字幕| 国产精品一二三区在线看| 亚洲欧美精品专区久久| 婷婷色av中文字幕| 亚洲成人中文字幕在线播放| 国产v大片淫在线免费观看| 26uuu在线亚洲综合色| 别揉我奶头 嗯啊视频| 日本欧美国产在线视频| .国产精品久久| 日韩免费高清中文字幕av| 亚洲精品aⅴ在线观看| 久久人人爽人人片av| 久久99蜜桃精品久久| 亚洲av不卡在线观看| 亚洲伊人久久精品综合| 天堂网av新在线| 亚洲精品国产色婷婷电影| 欧美激情国产日韩精品一区| 欧美一区二区亚洲| www.av在线官网国产| 国产成人a∨麻豆精品| 在线a可以看的网站| 亚洲最大成人手机在线| 男女边摸边吃奶| 又爽又黄无遮挡网站| 国内揄拍国产精品人妻在线| 亚洲精品一区蜜桃| 国产欧美另类精品又又久久亚洲欧美| 男女无遮挡免费网站观看| 久久久精品欧美日韩精品| 伊人久久精品亚洲午夜| 少妇猛男粗大的猛烈进出视频 | 久久久久久久精品精品| 亚洲成色77777| 2021少妇久久久久久久久久久| 国产爱豆传媒在线观看| 99热这里只有是精品在线观看| 少妇被粗大猛烈的视频| 免费黄频网站在线观看国产|