• <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 ?

    基于偏最大信息系數(shù)與組合XGBoost的短期風功率預(yù)測

    2021-12-01 00:41:30李科黃東晨陶子彬熊歡李浩文杜業(yè)冬
    電力工程技術(shù) 2021年6期
    關(guān)鍵詞:特征選擇方根風電場

    李科,黃東晨,陶子彬,熊歡,李浩文,杜業(yè)冬

    (南瑞集團(國網(wǎng)電力科學研究院)有限公司,江蘇 南京 211106)

    0 引言

    風能是一種可大規(guī)模商用的綠色可再生能源。由于風力發(fā)電具有強烈的間歇性和隨機性,且周期規(guī)律不明顯,當風電大規(guī)模并入電網(wǎng)時,可能對電網(wǎng)的安全及穩(wěn)定運行產(chǎn)生不良影響[1]。因此,亟需發(fā)展精準的風功率預(yù)測技術(shù)。

    圍繞著短期風功率預(yù)測,國內(nèi)外學者進行了諸多探索。自回歸滑動平均模型(autoregressive moving average model,ARMA)假設(shè)當前時刻的值與前一時刻的值及隨機干擾量均有關(guān),具有一定捕捉時序信息的能力,是一種常用于風功率預(yù)測的時間序列分析模型[2]。但對于功率波動較大且無明顯周期規(guī)律的風電場而言,使用ARMA模型會導(dǎo)致預(yù)測結(jié)果誤差較大。人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)[3—4]和支持向量機(support vector machine,SVM)[5]是另外2種經(jīng)典的風功率預(yù)測模型。ANN能夠自適應(yīng)、自學習,以任意精度逼近任何非線性映射,非常適合描述風功率預(yù)測模型復(fù)雜與非線性的特點。但ANN訓練時間長,調(diào)參過程較為繁瑣,容易出現(xiàn)過擬合的情況[6]。相較而言,SVM有著較強的泛化能力,不易過擬合。然而,當訓練樣本大幅增加時,SVM的性能提升不明顯[7—8]。

    近年來,極限梯度提升(extreme gradient boosting,XGBoost)[9]算法由于在Kaggle、KDD等一系列大數(shù)據(jù)算法競賽中表現(xiàn)優(yōu)異,引發(fā)了大量的關(guān)注。XGBoost不僅在算法精度上較傳統(tǒng)算法表現(xiàn)出色,同時也支持并行化運行,減少了模型的訓練時間。此外,XGBoost還具有可移植性強、支持多數(shù)主流編程語言、集成了Spark等各類主流大數(shù)據(jù)平臺等特性[10],這些特性增強了XGBoost的普適性,使得XGBoost在工程化應(yīng)用方面具有更大的優(yōu)勢。目前XGBoost已經(jīng)在光伏發(fā)電量預(yù)測[11—14]等多個領(lǐng)域有所應(yīng)用。然而,僅使用單一預(yù)測模型存在一定的泛化問題,需要結(jié)合組合預(yù)測策略[15]。文獻[16]以反向傳播 (back propagation,BP)神經(jīng)網(wǎng)絡(luò)、線性外推和SVM為底層算法,構(gòu)建一種動態(tài)調(diào)整權(quán)重分配的風電預(yù)測集成學習模型,獲得了提高模型整體泛化能力的效果。然而,文中的方法缺少效率層面上的考慮。另外,在工程應(yīng)用中,不同風電場適用的模型氣象特征輸入不同[17],需要有相應(yīng)的算法選擇合適的氣象特征作為模型的輸入變量。

    綜上所述,文中提出一種結(jié)合偏最大信息系數(shù)(partial maximal information coefficient,PMIC)特征選擇算法的組合XGBoost短期風功率預(yù)測模型。首先,設(shè)計基于PMIC的特征選擇算法,對風速、風向等常用氣象特征進行優(yōu)選;其次,以XGBoost為底層算法構(gòu)建組合預(yù)測模型,實現(xiàn)對短期風功率的預(yù)測。算例結(jié)果表明,文中方法能有效提高短期風功率預(yù)測精度及計算效率,有助于工程化應(yīng)用。

    1 特征選擇

    1.1 風功率預(yù)測問題中常用的氣象特征

    據(jù)已有文獻及現(xiàn)場情況,目前常用氣象特征有:

    (1)風速Vh,即風電場與地面相對高度為h米時的平均風速,在文中后續(xù)算例中,h的取值范圍為{30,50,70,90,110}。

    (2)風向Ddir,即風電場當?shù)氐钠骄L向。

    (3)溫度Ttemp,即風電場當?shù)氐钠骄鶞囟取?/p>

    (4)濕度Hhum,即風電場當?shù)氐钠骄鶟穸取?/p>

    (5)氣壓Ppres,即風電場當?shù)氐钠骄鶜鈮骸?/p>

    在短期風功率預(yù)測問題中,風速是決定風電場輸出功率的主導(dǎo)因素。由于地表粗糙度和大氣熱分層的影響,風速的分布并不完全遵循對數(shù)風廓線或指數(shù)風廓線,有時還會出現(xiàn)低海拔風速高于高海拔風速的情況。因此,在選擇預(yù)測模型的特征輸入時,可以考慮不同高度的風速,這樣能夠更好地表征風電場周圍的大氣特征[18]。

    另外,根據(jù)文獻[19],風速之外的因素也可能對風電場的功率出力情況造成影響。對于不同風電場,氣象特征對輸出功率的影響程度也不相同。例如,當風電場內(nèi)風機空間布局密集程度較大時,尾流效應(yīng)對風電場出力的影響尤其突出[20],此時風向?qū)︼L功率有較大的影響。因此,需在建立模型前對特征進行選擇。

    1.2 基于PMIC的特征選擇

    最大信息系數(shù)(maximal information coefficient,MIC)是一種衡量變量間相關(guān)性程度的統(tǒng)計量[21],不僅能夠刻畫變量間的線性與非線性關(guān)系,還能夠捕獲變量間潛在的非函數(shù)關(guān)系。其主要思想為:如果2個變量之間具有一定的相關(guān)關(guān)系,對相應(yīng)變量的散點圖進行不同方案的網(wǎng)格劃分,計算對應(yīng)的互信息(mutual information,MI)值并且進行正則化,取這些值中的最大值,則該值為這2個變量的MIC。其中,MI值是衡量變量之間相關(guān)性程度的指標。給定變量X={xi},Y={yi},i=1,2,…,n,n為樣本數(shù)目,其MI值定義為:

    (1)

    式中:f(x,y)為X和Y的聯(lián)合概率密度;f(x),f(y)分別為X和Y的邊緣概率密度。采用高斯函數(shù)對上述概率密度進行估計,至此,可進一步求得MI值。

    給定一個有限二元數(shù)據(jù)集合D={(xi,yi)},i=1,2,…,n,將變量X劃分為x個區(qū)間,Y劃分為y個區(qū)間,則能夠得到一個x×y的網(wǎng)格劃分G。同樣的x×y規(guī)格的網(wǎng)格劃分方案有多種,對每一種方案,計算其MI值,取不同劃分方案下Imi(X,Y)的最大值作為劃分G的MI值。至此,定義集合D在劃分G下的最大MI值為:

    I*(D,x,y)=maxGI(D|G)

    (2)

    式中:D|G為集合D在G上的概率分布;I(D|G)為在該概率分布下的MI值;maxG為遍歷所有可能的x×y網(wǎng)格G。

    將所有劃分方案下的最大MI值進行正則化,并組成特征矩陣M(D)x,y,定義為:

    (3)

    最大信息系數(shù)Imic定義為:

    (4)

    式中:B(n)為網(wǎng)格劃分x×y的上限值。在文獻[22]中,建議將ε設(shè)為0.6,即B(n)=n0.6。

    然而,風電場相關(guān)氣象特征之間普遍存在一定程度的耦合關(guān)系。為此,文中在MIC的基礎(chǔ)上進一步引入偏互信息(partial mutual information,PMI),將MIC改造為PMIC,以消除耦合給特征選擇帶來的不利影響。

    設(shè)X和Z為多輸入系統(tǒng)中的輸入變量,Y為輸出變量。若X和Z之間具有耦合關(guān)系,將導(dǎo)致X和Y之間最大信息系數(shù)Imic(X,Y)的計算出現(xiàn)偏差。因此,文中應(yīng)用條件期望mX(z)和mY(z)分別對X和Y中包含Z的信息剔除,分別記為U,V:

    (5)

    U=X-mX(Z)

    (6)

    V=Y-mY(Z)

    (7)

    式中:f(z)為Z的邊緣概率密度函數(shù)。X和Y的PMIC記為:

    Ipmic(X,Y)=Imic(U,V)

    (8)

    文中采用赤池信息量準則(akaike information criterion,AIC)[22]作為變量篩選的結(jié)束條件,即:

    (9)

    式中:ri為根據(jù)已選變量計算的Y回歸殘差;p為已選變量個數(shù)。隨著變量的篩選,TAIC不斷減小,當TAIC達到最小值時,最優(yōu)自變量集合篩選完畢。

    設(shè)輸入變量集為F,輸入變量為Y,最優(yōu)輸入變量集為S,F(xiàn)S為最大的PMIC值對應(yīng)的候選變量。PMIC變量選擇算法流程如下:

    (1)將S初始化為空集。

    (2)計算F中各變量與Y的最大信息系數(shù)Imic(Fi,Y)。

    (3)選擇使IMIC(Fi,Y)值最大的FS。

    (4)計算TAIC值,并將FS移入S。

    (5)若F≠φ,計算V=Y-mY(S);對于每一個Fj∈F,計算U=Fj-mFj(S)。

    (6)選擇使Imic(U,V)值最大的FS。

    (7)更新TAIC值,若TAIC減小,則將FS移入S,返回步驟(5),否則終止篩選。

    2 短期風功率組合預(yù)測模型

    2.1 XGBoost算法原理

    XGBoost是一種以決策樹為基礎(chǔ)的梯度提升算法,計算速度快,模型表現(xiàn)好。給定含有N個樣本和M個氣象特征的訓練樣本集D={(xi,yi)}(i=1,2,…,N,xi∈RM,yi∈R),RM為具有M個維度的實數(shù)集。XGBoost算法使用由K個回歸決策樹函數(shù)相加構(gòu)成的集成模型對功率進行回歸預(yù)測:

    (10)

    (11)

    (12)

    (13)

    式中:ftrou(xi)為第trou輪增加的決策樹函數(shù);Ω(ftrou)為第trou輪對應(yīng)的正則項,對以上目標函數(shù)進行二階泰勒展開,并移除常數(shù)項,可得:

    (14)

    其中:

    (15)

    (16)

    式中:gi,hi分別為損失函數(shù)的一、二階導(dǎo)數(shù)。

    通過對目標函數(shù)進行二階泰勒展開,同時用到了一階導(dǎo)數(shù)和二階導(dǎo)數(shù),有利于模型在訓練集上更快地收斂。

    綜合式(12)和式(14),并定義:

    (17)

    則有:

    (18)

    對于一個確定的樹結(jié)構(gòu)qtree,其對應(yīng)的最優(yōu)化目標函數(shù)值為:

    (19)

    (20)

    式(19)可用于衡量樹結(jié)構(gòu)qtree的質(zhì)量。通常所有可能的樹結(jié)構(gòu)不可能被完全枚舉出來,故XGBoost采用一種貪心算法,每次在已有的葉子節(jié)點中加入分裂。假設(shè)IL和IR為分裂后左右子節(jié)點的集合,設(shè)I=IL∪IR,則分裂后產(chǎn)生的信息增益如下:

    (21)

    式(21)通常用來評價分割的候選節(jié)點。

    2.2 組合XGBoost預(yù)測模型構(gòu)建

    組合預(yù)測能有效綜合多個單一模型的信息,減少單個模型的預(yù)測風險,提升算法整體的預(yù)測精度[23—24]。由此,文中結(jié)合前文闡述的基于PMIC的特征選擇算法,構(gòu)建以XGBoost為底層算法的組合預(yù)測模型。相應(yīng)的訓練流程如圖1所示。

    圖1 組合XGBoost模型訓練流程Fig.1 Training process of combined XGBoost model

    (1)對原始特征集執(zhí)行基于PMIC的特征選擇操作。

    (2)根據(jù)選擇出的風速高度將相應(yīng)的數(shù)據(jù)集分成n個訓練子集{M1,M2,…,Mn}。

    (3)利用XGBoost分別對n個訓練子集進行訓練,生成n個子模型X1,X2,…,Xn,利用測試集及均方誤差對每個子模型的預(yù)測誤差ei進行評估,計算公式為:

    (22)

    (4)利用熵權(quán)法對各子模型進行權(quán)重分配。

    相應(yīng)的預(yù)測流程如圖2所示。

    圖2 組合XGBoost模型預(yù)測流程Fig.2 Forecasting process of combined XGBoost model

    (1)對預(yù)測集進行包含特征選擇在內(nèi)的數(shù)據(jù)預(yù)處理工作,并根據(jù)風速高度將處理后的預(yù)測集分成n個預(yù)測子集N1,N2,…,Nn。

    (2)利用訓練流程生成的各XGBoost子模型X1,X2,…,Xn及對應(yīng)權(quán)重W1,W2,…,Wn對測試樣本進行計算,得出預(yù)測結(jié)果。

    3 算例分析

    3.1 數(shù)據(jù)集與模型評價指標

    為充分論證文中所提方法性能,文中采用華東某風電場A、西北某風電場B的實測數(shù)據(jù)及歷史數(shù)值天氣預(yù)報數(shù)據(jù)進行了相關(guān)實驗。其中,風電場A的平均風速較小,波動相對穩(wěn)定;而風電場B則平均風速較大,波動性較強。表1和表2分別為2個風電場數(shù)據(jù)的數(shù)據(jù)概況及相關(guān)風電機組的主要參數(shù)。

    表1 風電場A和B的數(shù)據(jù)概況Table 1 The data overview of wind farms A and B

    表2 風電場A和B的風電機組主要參數(shù)Table 2 Main parameters of wind turbines in wind farms A and B

    訓練階段的輸入為測風塔不同高度的風速數(shù)據(jù)及風電場當?shù)氐钠骄L向、溫度、濕度及氣壓數(shù)據(jù),輸出為實測功率。測試階段的輸入為對應(yīng)的數(shù)值天氣預(yù)報數(shù)據(jù),輸出為預(yù)測功率。對于短期功率預(yù)測,后一天的數(shù)值天氣預(yù)報數(shù)據(jù)由預(yù)報供應(yīng)商于前一天的6點前發(fā)布。

    在數(shù)據(jù)預(yù)處理方面,采用文獻[25]中數(shù)據(jù)預(yù)處理方法對訓練集數(shù)據(jù)進行預(yù)處理。

    在模型精度評價方面,參考國家電網(wǎng)頒布的《風功率預(yù)測功能規(guī)范》[26],選用均方根誤差、平均絕對誤差和合格率作為風電場功率預(yù)測的精度的評價指標,各指標的具體定義如下。

    均方根誤差:

    (23)

    平均絕對誤差:

    (24)

    合格率:

    (25)

    其中:

    (26)

    式中:Pft為t時刻預(yù)測功率值;Pt為t時刻實測功率值;Sop為風電場的額定裝機容量。

    3.2 特征選擇

    為得到2個風電場的最優(yōu)特征子集,利用PMI對MIC進行改造,構(gòu)建一種基于PMIC的特征選擇算法,相應(yīng)的特征選擇過程分別如圖3、圖4所示。對于風電場A而言,當?shù)?個特征被選出來時,TAIC最小,為-86 275。對于風電場B而言,當?shù)?個特征被選出來時,TAIC最小,為-97 553。相應(yīng)的特征選擇結(jié)果如表3所示。

    圖3 風電場A對應(yīng)的特征選擇過程Fig.3 Feature selection process corresponding to wind farm A

    圖4 風電場B對應(yīng)的特征選擇過程Fig.4 Feature selection process corresponding to wind farm B

    表3 風電場A和B對應(yīng)的最優(yōu)特征子集Table 3 The optimal feature subsets for wind farms A and B

    表3中,如文中1.1節(jié)所述,V30,V70,V90分別表示30 m,70 m,90 m層高對應(yīng)的風速特征。在不同高度的風速特征選擇方面,風電場A比風電場B少選了110 m風速,這是由于風電場A風機風輪掃風范圍所限。在其他氣候條件選擇方面,風電場B選擇了風向和溫度,風電場A則只選擇了氣壓,表明不同風電場的輸出功率對氣候條件的敏感程度不同。

    3.3 算法整體預(yù)測效果分析

    為了驗證組合XGBoost模型在解決短期風功率預(yù)測問題上的有效性,文中首先將未經(jīng)特征選擇的單一預(yù)測模型ARMA、SVM、BP、XGBoost、結(jié)合了PMIC的XGBoost(PMIC-XGBoost)與結(jié)合了PMIC的組合XGBoost(PMIC-CXGBoost)作為類比模型同時進行風功率預(yù)測,并從訓練效率和模型精度兩方面進行驗證。

    以風電場A中的訓練數(shù)據(jù)為基礎(chǔ),圖5為不同未經(jīng)特征選擇的單一預(yù)測模型在相同迭代次數(shù)下的訓練耗時??梢?,XGBoost模型訓練耗時要遠低于其他模型,展現(xiàn)了其在模型訓練效率方面的優(yōu)越性。其原因在于,XGBoost在效率上進行了多方面優(yōu)化,包括基于列存儲塊的并行學習實現(xiàn)、采用緩存感知訪問、外存塊計算等。因此,選擇XGBoost作為底層算法能使組合模型具備更高的計算效率。

    圖5 模型訓練耗時與迭代次數(shù)的關(guān)系Fig.5 Relationship between model training time and number of iterations

    表4為不同模型對于風電場A和風電場B的預(yù)測結(jié)果??梢姡L電場A具有遠低于風電場B的均方根誤差和平均絕對誤差,同時也有更高的合格率,表明平均風速小,波動相對穩(wěn)定的風電場的輸出功率更好預(yù)測。當由風電場A切換到風電場B時,ARMA、SVM、BP的預(yù)測效果均急劇下降,而基于XGBoost模型,即XGBoost,PMIC-XGBoost,PMIC-CXGBoost仍能有10%左右的均方根誤差及7%以下的平均絕對誤差,合格率則均在87%上。統(tǒng)計結(jié)果表明,XGBoost在模型精度方面相較其他單一預(yù)測模型更加優(yōu)越且穩(wěn)定,這是因為XGBoost的設(shè)計同時考慮了學習能力與泛化能力。在學習能力方面,XGBoost是一種由若干決策樹組成的集成學習模型,決策樹的個數(shù)理論上可以任意大,意味著XGBoost可以更靈活地對訓練樣本進行擬合,從樣本中學習更加豐富的信息。另外,XGBoost針對目標函數(shù)進行二階泰勒展開,在對一階導(dǎo)數(shù)進行保留的同時加入二階導(dǎo)數(shù),能夠使模型在訓練集上更容易收斂。在泛化能力方面,XGBoost 算法在正則項上對單顆樹中葉節(jié)點的數(shù)量及葉節(jié)點的權(quán)重均進行了控制,避免模型出現(xiàn)過擬合,進而提升模型在訓練集外的泛化能力。

    表4 不同模型的預(yù)測結(jié)果Table 4 The forecasting results of different models %

    比較單一XGBoost和PMIC-XGBoost:對于風電場A,PMIC-XGBoost的均方根誤差和平均絕對誤差相較單一XGBoost分別下降了1.39%和1.27%,合格率提升了1.65%;對于風電場B,PMIC-XGBoost的均方根誤差和平均絕對誤差也相較單一XGBoost分別下降了1.67%和1.16%,合格率提升了1.43%。該結(jié)果驗證了基于PMIC的特征選擇算法的有效性。

    比較PMIC-XGBoost和PMIC-CXGBoost:無論是風電場A還是風電場B,PMIC-CXGBoost模型整體的均方根誤差、平均絕對誤差都要小于PMIC-XGBoost,其合格率也高于PMIC-XGBoost。其中,風電場A的均方根誤差和平均絕對誤差分別相較PMIC-XGBoost低了1.69%和1.84%,合格率相較高了2.44%;風電場B的均方根誤差和平均絕對誤差分別相較PMIC-XGBoost低了1.84%和2.1%,合格率相較高了2.61%。該結(jié)果表明,引入組合預(yù)測的思想后,預(yù)測效果有了進一步的提升。

    表5比較了文中組合預(yù)測方法PMIC-CXGBoost與其他相近組合預(yù)測方法的性能,類比模型為文獻[16]中的集成學習預(yù)測模型,底層算法的迭代次數(shù)設(shè)為300。文獻[16]中的模型也將不同高度的風速作為模型的輸入,底層算法則采用了BP神經(jīng)網(wǎng)絡(luò)、線性外推和線性SVM,對應(yīng)風電場A和風電場B。與文獻[16]中的集成學習預(yù)測模型相比,文中所提組合XGBoost不僅具有更優(yōu)的精度,也具備更短的訓練時間。

    表5 文中組合預(yù)測方法PMIC-CXGBoost和文獻[16]中的預(yù)測方法的對比Table 5 Comparison of the proposed combination forecasting method PMIC-CXGBoost and the forecasting method in reference 16

    圖6和圖7分別為文中方法在2個風電場中風功率預(yù)測值和實測值的比較??梢钥闯?,文中方法能很好地預(yù)測實測序列的變化趨勢。

    圖6 風電場A中組合XGBoost預(yù)測值與實測值的比較Fig.6 Comparison of forecasting and measured values of combined XGBoost in wind farm A

    圖7 風電場B中組合XGBoost預(yù)測值與實測值的比較Fig.7 Comparison of forecasting and measured values of combined XGBoost in wind farm B

    4 結(jié)語

    針對當前短期風功率預(yù)測中存在的精度以及工程化應(yīng)用問題,文中提出一種將PMIC特征選擇與組合XGBoost相結(jié)合的預(yù)測模型。一方面,引入PMI對MIC進行改造,使相關(guān)特征選擇算法不僅能得到對風功率影響程度較大的氣象特征,也有利于消除變量間的耦合關(guān)系。另一方面,為兼顧算法的精度和效率,減少單個模型的預(yù)測風險,采用XGBoost作為底層算法構(gòu)建組合預(yù)測模型。將2個具有較大差異的風電場作為算例進行驗證,實驗結(jié)果表明,結(jié)合了PMIC特征選擇的組合XGBoost模型不僅在精度方面效果理想,在計算效率方面,也較相近組合預(yù)測模型有更好的效果,便于工程化應(yīng)用。

    在下一步工作中,將考慮將誤差修正技術(shù)引入組合XGBoost預(yù)測模型中,使得算法整體上具備更好的反饋能力,以進一步提升短期風功率的預(yù)測精度。

    猜你喜歡
    特征選擇方根風電場
    方根拓展探究
    基于PSS/E的風電場建模與動態(tài)分析
    電子制作(2018年17期)2018-09-28 01:56:44
    均方根嵌入式容積粒子PHD 多目標跟蹤方法
    自動化學報(2017年2期)2017-04-04 05:14:28
    Kmeans 應(yīng)用與特征選擇
    電子制作(2017年23期)2017-02-02 07:17:06
    揭開心算方根之謎
    含風電場電力系統(tǒng)的潮流計算
    聯(lián)合互信息水下目標特征選擇算法
    探求風電場的遠景
    風能(2015年9期)2015-02-27 10:15:25
    代力吉風電場的我們
    風能(2015年7期)2015-02-27 10:15:02
    數(shù)學魔術(shù)
    久久精品综合一区二区三区| 久久婷婷成人综合色麻豆| 男女视频在线观看网站免费 | 亚洲男人天堂网一区| 99国产极品粉嫩在线观看| 97碰自拍视频| 身体一侧抽搐| 中文资源天堂在线| 亚洲av成人精品一区久久| 成人午夜高清在线视频| 亚洲熟妇中文字幕五十中出| 少妇被粗大的猛进出69影院| 床上黄色一级片| 亚洲av日韩精品久久久久久密| 精品国产美女av久久久久小说| 超碰成人久久| 久久久国产成人精品二区| 欧美zozozo另类| 丰满的人妻完整版| 久久久久亚洲av毛片大全| 99久久久亚洲精品蜜臀av| 日本黄大片高清| 亚洲中文字幕一区二区三区有码在线看 | 超碰成人久久| 校园春色视频在线观看| 亚洲欧美日韩高清专用| 日本 欧美在线| xxxwww97欧美| 可以免费在线观看a视频的电影网站| 亚洲成人久久爱视频| 久久香蕉国产精品| av天堂在线播放| 成人av一区二区三区在线看| 好看av亚洲va欧美ⅴa在| 真人做人爱边吃奶动态| 日日摸夜夜添夜夜添小说| 757午夜福利合集在线观看| 激情在线观看视频在线高清| 亚洲精品中文字幕在线视频| www.自偷自拍.com| 亚洲国产精品999在线| 动漫黄色视频在线观看| 亚洲一区中文字幕在线| 中文亚洲av片在线观看爽| 亚洲最大成人中文| 欧美性长视频在线观看| 窝窝影院91人妻| 99热这里只有精品一区 | 亚洲成人久久性| 欧美激情久久久久久爽电影| 中文字幕av在线有码专区| 亚洲欧洲精品一区二区精品久久久| 国产区一区二久久| av片东京热男人的天堂| 美女 人体艺术 gogo| 性欧美人与动物交配| 欧美中文综合在线视频| 天堂av国产一区二区熟女人妻 | 狂野欧美白嫩少妇大欣赏| 国产一区二区三区在线臀色熟女| 亚洲av美国av| 午夜福利18| 免费在线观看影片大全网站| 久久香蕉精品热| 动漫黄色视频在线观看| 亚洲一区二区三区不卡视频| 首页视频小说图片口味搜索| 国产成人av教育| 级片在线观看| 欧美日韩精品网址| 亚洲全国av大片| 亚洲美女黄片视频| 国产精品99久久99久久久不卡| 免费在线观看黄色视频的| 91麻豆精品激情在线观看国产| 我的老师免费观看完整版| 不卡一级毛片| 国产男靠女视频免费网站| 欧美日本亚洲视频在线播放| 亚洲中文字幕一区二区三区有码在线看 | 两个人免费观看高清视频| 不卡一级毛片| 国产精品国产高清国产av| 国产精品一区二区三区四区免费观看 | 亚洲精品色激情综合| 亚洲欧美日韩无卡精品| 成人特级黄色片久久久久久久| 亚洲国产精品合色在线| 国产精品一区二区精品视频观看| 成人欧美大片| 99久久综合精品五月天人人| 中出人妻视频一区二区| 国产激情久久老熟女| 成人18禁在线播放| 97超级碰碰碰精品色视频在线观看| 亚洲人成伊人成综合网2020| 欧美色视频一区免费| tocl精华| 亚洲无线在线观看| 五月玫瑰六月丁香| 日本五十路高清| 亚洲成人久久性| 一进一出抽搐gif免费好疼| 老汉色∧v一级毛片| 久久久久久人人人人人| 国产区一区二久久| 1024视频免费在线观看| 国产伦人伦偷精品视频| 国产一区二区三区在线臀色熟女| a级毛片a级免费在线| 琪琪午夜伦伦电影理论片6080| 免费av毛片视频| 亚洲色图av天堂| 亚洲人成伊人成综合网2020| 很黄的视频免费| 欧美成狂野欧美在线观看| 欧美乱妇无乱码| 欧美在线一区亚洲| 国产高清激情床上av| 色哟哟哟哟哟哟| 婷婷精品国产亚洲av| 99久久99久久久精品蜜桃| 欧美乱色亚洲激情| 一进一出抽搐gif免费好疼| 亚洲av成人不卡在线观看播放网| 亚洲免费av在线视频| 亚洲专区中文字幕在线| 色哟哟哟哟哟哟| 国产野战对白在线观看| 亚洲国产精品999在线| 色综合亚洲欧美另类图片| 国产伦人伦偷精品视频| a级毛片在线看网站| 叶爱在线成人免费视频播放| 1024香蕉在线观看| 午夜福利欧美成人| 亚洲成人免费电影在线观看| 久久久久久免费高清国产稀缺| 亚洲av成人不卡在线观看播放网| 搡老妇女老女人老熟妇| 正在播放国产对白刺激| 亚洲专区中文字幕在线| 99国产精品一区二区蜜桃av| 久久久久久亚洲精品国产蜜桃av| 精品一区二区三区av网在线观看| 欧美 亚洲 国产 日韩一| 香蕉久久夜色| 国产亚洲精品一区二区www| av免费在线观看网站| 免费在线观看视频国产中文字幕亚洲| 搞女人的毛片| 成人特级黄色片久久久久久久| 床上黄色一级片| 久久午夜亚洲精品久久| 欧洲精品卡2卡3卡4卡5卡区| 国产av麻豆久久久久久久| 欧美大码av| 欧美国产日韩亚洲一区| 亚洲第一电影网av| 看黄色毛片网站| 中文资源天堂在线| 一本大道久久a久久精品| 男人舔奶头视频| 少妇被粗大的猛进出69影院| 久久人人精品亚洲av| 亚洲国产精品sss在线观看| 亚洲片人在线观看| 日韩 欧美 亚洲 中文字幕| av欧美777| 国产精品日韩av在线免费观看| 亚洲成人久久爱视频| 久久久久久久久免费视频了| 亚洲专区字幕在线| svipshipincom国产片| 久久久久国产一级毛片高清牌| 一卡2卡三卡四卡精品乱码亚洲| 国产av一区在线观看免费| 久久精品国产综合久久久| 国产99白浆流出| 日韩三级视频一区二区三区| 嫁个100分男人电影在线观看| 国产亚洲欧美98| 狂野欧美激情性xxxx| 高清在线国产一区| 久久热在线av| 最新美女视频免费是黄的| 亚洲国产欧美网| 亚洲 欧美 日韩 在线 免费| 国产亚洲欧美在线一区二区| 亚洲人成电影免费在线| 久久午夜综合久久蜜桃| 老司机在亚洲福利影院| 亚洲国产精品合色在线| 欧美乱色亚洲激情| 日本熟妇午夜| 欧美成人午夜精品| 国产一区二区在线观看日韩 | 夜夜夜夜夜久久久久| 国产精品一区二区免费欧美| 天堂av国产一区二区熟女人妻 | 在线观看66精品国产| 婷婷精品国产亚洲av| 全区人妻精品视频| 国产精品影院久久| 国产精品久久视频播放| 亚洲av成人精品一区久久| 日韩中文字幕欧美一区二区| 丁香欧美五月| 一级a爱片免费观看的视频| 日韩欧美精品v在线| 啦啦啦免费观看视频1| 国产黄a三级三级三级人| 国产高清有码在线观看视频 | 国产激情久久老熟女| 亚洲国产日韩欧美精品在线观看 | 国产高清视频在线观看网站| 91成年电影在线观看| 舔av片在线| 黄片大片在线免费观看| 欧美黄色淫秽网站| 身体一侧抽搐| a级毛片在线看网站| 精品高清国产在线一区| 97人妻精品一区二区三区麻豆| 久久人妻福利社区极品人妻图片| 久久香蕉激情| 国产精华一区二区三区| 欧美日韩乱码在线| 国产av又大| xxxwww97欧美| 日日摸夜夜添夜夜添小说| 日韩欧美在线乱码| 国产亚洲av高清不卡| 1024香蕉在线观看| 91麻豆av在线| 精品国产亚洲在线| 一二三四社区在线视频社区8| 成年人黄色毛片网站| 别揉我奶头~嗯~啊~动态视频| 成年女人毛片免费观看观看9| 精品一区二区三区av网在线观看| 亚洲成a人片在线一区二区| 国产伦在线观看视频一区| 日韩中文字幕欧美一区二区| 中文字幕人妻丝袜一区二区| 国产欧美日韩一区二区精品| 高潮久久久久久久久久久不卡| 妹子高潮喷水视频| 黄色女人牲交| 免费观看人在逋| 国产成人一区二区三区免费视频网站| 一级毛片高清免费大全| 在线观看66精品国产| 婷婷六月久久综合丁香| av超薄肉色丝袜交足视频| svipshipincom国产片| 国产精品98久久久久久宅男小说| 午夜a级毛片| 制服丝袜大香蕉在线| 丝袜人妻中文字幕| 99久久综合精品五月天人人| 国产午夜精品论理片| 757午夜福利合集在线观看| 国产av一区二区精品久久| 99riav亚洲国产免费| 少妇的丰满在线观看| 亚洲精品av麻豆狂野| 色哟哟哟哟哟哟| 婷婷精品国产亚洲av在线| 成在线人永久免费视频| 国产麻豆成人av免费视频| 最近最新中文字幕大全电影3| 99国产精品99久久久久| 欧美日韩精品网址| 我的老师免费观看完整版| 美女免费视频网站| 亚洲人成77777在线视频| 久久久精品国产亚洲av高清涩受| 一二三四在线观看免费中文在| 十八禁网站免费在线| 久久久国产成人免费| 成人欧美大片| 亚洲最大成人中文| 少妇粗大呻吟视频| 久久香蕉精品热| 神马国产精品三级电影在线观看 | 国产麻豆成人av免费视频| 成人精品一区二区免费| 久久久国产欧美日韩av| 亚洲七黄色美女视频| 美女扒开内裤让男人捅视频| 日韩精品中文字幕看吧| 国产男靠女视频免费网站| 国产一区二区三区在线臀色熟女| x7x7x7水蜜桃| e午夜精品久久久久久久| 看片在线看免费视频| 亚洲熟女毛片儿| 男女做爰动态图高潮gif福利片| tocl精华| 午夜成年电影在线免费观看| 脱女人内裤的视频| 日本成人三级电影网站| av天堂在线播放| 琪琪午夜伦伦电影理论片6080| 在线观看日韩欧美| 男男h啪啪无遮挡| 欧美+亚洲+日韩+国产| 女生性感内裤真人,穿戴方法视频| 精品国产乱码久久久久久男人| 中国美女看黄片| 久久午夜综合久久蜜桃| 欧美日韩黄片免| 日韩欧美三级三区| 在线看三级毛片| 无限看片的www在线观看| 久久久久久九九精品二区国产 | 亚洲成av人片免费观看| www.精华液| 欧美激情久久久久久爽电影| 免费高清视频大片| 热99re8久久精品国产| 国语自产精品视频在线第100页| 亚洲精品色激情综合| 高清毛片免费观看视频网站| 日本三级黄在线观看| 一本精品99久久精品77| 身体一侧抽搐| 国产精品日韩av在线免费观看| 精品久久久久久久末码| 九色国产91popny在线| 欧美日韩黄片免| 久久香蕉国产精品| 热99re8久久精品国产| www国产在线视频色| 天堂av国产一区二区熟女人妻 | 欧美日本亚洲视频在线播放| 亚洲精品粉嫩美女一区| 国产精品美女特级片免费视频播放器 | 亚洲av电影不卡..在线观看| 欧美av亚洲av综合av国产av| 很黄的视频免费| 777久久人妻少妇嫩草av网站| 哪里可以看免费的av片| 99久久国产精品久久久| 亚洲 欧美一区二区三区| 国产亚洲精品久久久久久毛片| 神马国产精品三级电影在线观看 | 一进一出抽搐动态| 一级毛片高清免费大全| 中文字幕人成人乱码亚洲影| 日本一二三区视频观看| 成人国产综合亚洲| 亚洲国产欧美一区二区综合| 好看av亚洲va欧美ⅴa在| 亚洲激情在线av| 久9热在线精品视频| 午夜日韩欧美国产| 好男人电影高清在线观看| 久久久水蜜桃国产精品网| 久久久精品国产亚洲av高清涩受| 看免费av毛片| 国产亚洲av高清不卡| 国产精品,欧美在线| 亚洲欧美日韩高清专用| 人妻夜夜爽99麻豆av| a级毛片在线看网站| 国产精品野战在线观看| 999久久久国产精品视频| 国产精品永久免费网站| 日本黄大片高清| 国内揄拍国产精品人妻在线| 久久亚洲真实| 国产在线精品亚洲第一网站| 国产99白浆流出| 嫩草影院精品99| 免费在线观看黄色视频的| 亚洲av中文字字幕乱码综合| 欧美三级亚洲精品| 国产精品一区二区三区四区久久| 一进一出抽搐动态| 亚洲国产日韩欧美精品在线观看 | 久久久久久久午夜电影| 成人午夜高清在线视频| 国产高清videossex| 久久久久久人人人人人| 免费av毛片视频| 亚洲人与动物交配视频| 可以在线观看毛片的网站| 久久久久久免费高清国产稀缺| 18禁国产床啪视频网站| 操出白浆在线播放| 亚洲最大成人中文| 国产黄a三级三级三级人| 美女扒开内裤让男人捅视频| 亚洲成人免费电影在线观看| 亚洲九九香蕉| 国产av一区在线观看免费| 两个人的视频大全免费| 舔av片在线| 欧美日韩亚洲国产一区二区在线观看| 少妇熟女aⅴ在线视频| 国产私拍福利视频在线观看| 免费看十八禁软件| 亚洲成av人片在线播放无| www日本黄色视频网| 国产高清有码在线观看视频 | 国产精品一区二区免费欧美| 精品少妇一区二区三区视频日本电影| 色噜噜av男人的天堂激情| 久久午夜亚洲精品久久| 好看av亚洲va欧美ⅴa在| 日韩成人在线观看一区二区三区| 亚洲狠狠婷婷综合久久图片| 国产成人av教育| 岛国在线观看网站| 九九热线精品视视频播放| 亚洲av电影不卡..在线观看| 精品一区二区三区视频在线观看免费| 国产精品一区二区三区四区久久| 日韩有码中文字幕| 久久精品亚洲精品国产色婷小说| 欧美黑人精品巨大| 1024视频免费在线观看| 日日夜夜操网爽| 亚洲乱码一区二区免费版| 亚洲成av人片免费观看| 老司机深夜福利视频在线观看| videosex国产| 91老司机精品| 搡老岳熟女国产| 在线观看免费午夜福利视频| 国产精品一区二区精品视频观看| www日本黄色视频网| 国产精品 国内视频| 91老司机精品| 大型黄色视频在线免费观看| 狠狠狠狠99中文字幕| 一本精品99久久精品77| 国产野战对白在线观看| 91国产中文字幕| 国产精品国产高清国产av| 黄色视频,在线免费观看| 精品第一国产精品| 国产成人系列免费观看| 成人av在线播放网站| 久久精品国产99精品国产亚洲性色| 日韩免费av在线播放| 亚洲成av人片免费观看| 黑人巨大精品欧美一区二区mp4| 夜夜爽天天搞| 国产伦一二天堂av在线观看| 国产三级黄色录像| 精品久久久久久久久久久久久| 色在线成人网| av超薄肉色丝袜交足视频| 久久久久久久久中文| 亚洲av美国av| 欧美一级毛片孕妇| 每晚都被弄得嗷嗷叫到高潮| 男女视频在线观看网站免费 | 两个人免费观看高清视频| 在线看三级毛片| 国产av在哪里看| 国产成人av教育| 日本成人三级电影网站| 精品国产乱码久久久久久男人| 九色国产91popny在线| 国产av在哪里看| 丝袜人妻中文字幕| 久久精品国产综合久久久| 十八禁网站免费在线| 精品久久久久久成人av| 大型黄色视频在线免费观看| 亚洲精华国产精华精| 精品久久久久久久人妻蜜臀av| 美女高潮喷水抽搐中文字幕| 最近在线观看免费完整版| 韩国av一区二区三区四区| 亚洲男人天堂网一区| 18禁黄网站禁片午夜丰满| 中文字幕av在线有码专区| 亚洲激情在线av| 亚洲人成伊人成综合网2020| 亚洲欧美精品综合一区二区三区| 亚洲人成77777在线视频| 国内精品久久久久精免费| 国产精品一及| 亚洲成a人片在线一区二区| 国产亚洲精品久久久久久毛片| 叶爱在线成人免费视频播放| 99国产精品99久久久久| 男女下面进入的视频免费午夜| 女人被狂操c到高潮| 老汉色∧v一级毛片| 一级片免费观看大全| 女人爽到高潮嗷嗷叫在线视频| 久久精品影院6| xxx96com| 国产真人三级小视频在线观看| 精品欧美国产一区二区三| 国产成+人综合+亚洲专区| 久久久久久国产a免费观看| 午夜久久久久精精品| 日本 av在线| 母亲3免费完整高清在线观看| 精品久久久久久久人妻蜜臀av| 岛国视频午夜一区免费看| 国产精品永久免费网站| 国产不卡一卡二| 桃色一区二区三区在线观看| 日韩免费av在线播放| 久久久久九九精品影院| 手机成人av网站| 一夜夜www| 特级一级黄色大片| 变态另类丝袜制服| 久久伊人香网站| 国产精品香港三级国产av潘金莲| 国产69精品久久久久777片 | 亚洲 国产 在线| 一卡2卡三卡四卡精品乱码亚洲| 国产91精品成人一区二区三区| 日本一本二区三区精品| 91麻豆精品激情在线观看国产| 国产精品久久电影中文字幕| 在线观看一区二区三区| 久久草成人影院| 午夜影院日韩av| 99久久精品国产亚洲精品| 亚洲中文字幕一区二区三区有码在线看 | 午夜视频精品福利| 黄片大片在线免费观看| 变态另类成人亚洲欧美熟女| 免费搜索国产男女视频| 国产精品1区2区在线观看.| 给我免费播放毛片高清在线观看| 动漫黄色视频在线观看| 俺也久久电影网| 久久精品91蜜桃| 桃红色精品国产亚洲av| 小说图片视频综合网站| 一级片免费观看大全| 日韩精品中文字幕看吧| 午夜亚洲福利在线播放| 亚洲国产欧美网| 亚洲精品美女久久av网站| 人妻丰满熟妇av一区二区三区| 亚洲18禁久久av| 免费在线观看日本一区| 哪里可以看免费的av片| www日本在线高清视频| 99在线视频只有这里精品首页| 精品人妻1区二区| 国产单亲对白刺激| 国产在线观看jvid| 亚洲欧美精品综合久久99| 村上凉子中文字幕在线| av片东京热男人的天堂| 大型黄色视频在线免费观看| 99精品久久久久人妻精品| 亚洲电影在线观看av| 丝袜人妻中文字幕| 亚洲人成网站在线播放欧美日韩| 这个男人来自地球电影免费观看| 亚洲精品一卡2卡三卡4卡5卡| 欧美黑人巨大hd| 变态另类成人亚洲欧美熟女| 久久香蕉激情| 国产男靠女视频免费网站| 免费看日本二区| 国产精品久久久av美女十八| 校园春色视频在线观看| 2021天堂中文幕一二区在线观| 国产亚洲欧美98| 在线视频色国产色| 99久久综合精品五月天人人| 美女免费视频网站| 国产成人啪精品午夜网站| 久久天堂一区二区三区四区| 精品一区二区三区av网在线观看| 亚洲熟妇熟女久久| 国产亚洲精品av在线| 国产高清有码在线观看视频 | 精品一区二区三区视频在线观看免费| 这个男人来自地球电影免费观看| 日本黄色视频三级网站网址| 久久久久久久精品吃奶| 一二三四在线观看免费中文在| 国产成人影院久久av| 亚洲中文字幕一区二区三区有码在线看 | 国产私拍福利视频在线观看| 精品一区二区三区av网在线观看| 亚洲av成人av| 波多野结衣巨乳人妻| 色综合站精品国产| 亚洲成av人片在线播放无| 国产一区二区三区在线臀色熟女| 一本大道久久a久久精品| 欧美日韩乱码在线| 不卡av一区二区三区| 51午夜福利影视在线观看| 亚洲午夜精品一区,二区,三区| 十八禁人妻一区二区| 久久久久久人人人人人| 两人在一起打扑克的视频| 色噜噜av男人的天堂激情| 亚洲天堂国产精品一区在线| 老汉色av国产亚洲站长工具| 国产1区2区3区精品| 叶爱在线成人免费视频播放| 欧美性长视频在线观看| 99久久无色码亚洲精品果冻| 国产精品一区二区精品视频观看| 桃红色精品国产亚洲av|