• <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 ?

    考慮辨識(shí)結(jié)果連續(xù)性的Type-Ⅲ型工商業(yè)負(fù)荷辨識(shí)方法

    2021-12-29 07:27:00張振宇李巍巍
    電力系統(tǒng)自動(dòng)化 2021年24期
    關(guān)鍵詞:互信息特征選擇準(zhǔn)確率

    段 晶,李 勇,張振宇,李巍巍,蔣 林,李 磊

    (1. 湖南大學(xué)電氣與信息工程學(xué)院,湖南省長(zhǎng)沙市 410082;2. 長(zhǎng)沙新奧長(zhǎng)燃能源發(fā)展有限公司,湖南省長(zhǎng)沙市 410005;3. 利物浦大學(xué)電氣工程與電子系,利物浦L69 3BX,英國(guó);4. 長(zhǎng)沙新奧湘江新能源發(fā)展有限公司,湖南省長(zhǎng)沙市 410005)

    0 引言

    為提高電力用戶終端負(fù)荷的能源利用效率、減少電量消耗、促進(jìn)用戶參與需求側(cè)管理或?qū)崿F(xiàn)遠(yuǎn)程優(yōu)化控制,電力負(fù)荷的在線監(jiān)測(cè)必不可少[1-2]。電力負(fù)荷的在線監(jiān)測(cè)方法主要有侵入式負(fù)荷監(jiān)測(cè)(ILM)和非侵入式負(fù)荷監(jiān)測(cè)(NILM)兩種。ILM 需要為每個(gè)監(jiān)測(cè)設(shè)備配置一個(gè)或多個(gè)傳感器,雖然監(jiān)測(cè)結(jié)果更為準(zhǔn)確,但成本高、配置復(fù)雜、維護(hù)困難。NILM的概念最早由Hart 于1992 年提出[3],它只需在被監(jiān)測(cè)系統(tǒng)的電力入口處安裝一個(gè)電力信息采集裝置,再通過信號(hào)分析和處理實(shí)現(xiàn)負(fù)荷的分解與辨識(shí),雖然精度稍低,但是硬件結(jié)構(gòu)簡(jiǎn)單,便于安裝和維護(hù),更切合智能電網(wǎng)建設(shè)的實(shí)際需求[4-5]。因此,近年來NILM 方法的研究備受國(guó)內(nèi)外學(xué)者的關(guān)注。

    負(fù)荷辨識(shí)是負(fù)荷監(jiān)測(cè)的核心內(nèi)容,負(fù)荷辨識(shí)方法可分為三大類:優(yōu)化方法、監(jiān)督學(xué)習(xí)方法和無(wú)監(jiān)督學(xué)習(xí)方法。優(yōu)化方法是負(fù)荷辨識(shí)最直接的方法,將提取的負(fù)荷特征數(shù)據(jù)與模板庫(kù)中的特征數(shù)據(jù)進(jìn)行對(duì)比,采用優(yōu)化算法最小化誤差,找到匹配度最高的電氣設(shè)備狀態(tài)組合,包括動(dòng)態(tài)時(shí)間彎曲(DTW)算法[6]、遺傳算法[7]、粒子群優(yōu)化算法[8]等,但優(yōu)化方法進(jìn)行負(fù)荷辨識(shí)普遍需要根據(jù)歷史信息提前建立負(fù)荷特征模板庫(kù)。監(jiān)督學(xué)習(xí)方法需要已知電氣設(shè)備的特定運(yùn)行信息進(jìn)行模型的初始訓(xùn)練,且算法的性能很大程度取決于模型學(xué)習(xí)的數(shù)據(jù)標(biāo)簽,基本上是將負(fù)荷辨識(shí)問題轉(zhuǎn)換為分類學(xué)習(xí)問題進(jìn)行解決,主要方法包括貝葉斯分類器[9]、支持向量機(jī)(SVM)[10]和人工神經(jīng)網(wǎng)絡(luò)(ANN)[11-13]。無(wú)監(jiān)督學(xué)習(xí)方法可以在沒有任何先驗(yàn)信息的情況下運(yùn)行,相較于監(jiān)督學(xué)習(xí)方法減少了訓(xùn)練步驟的干擾性,主要算法包括隱馬爾可夫模型(HMM)[14]及其擴(kuò)展,如文獻(xiàn)[15]中的因子隱馬爾可夫模型(FHMM)和文獻(xiàn)[16]中的隱式半馬爾可夫模型(HSMM)均被應(yīng)用到負(fù)荷辨識(shí)中。

    不同類型的負(fù)荷具有不同的負(fù)荷特征,按照其運(yùn)行狀態(tài)可大致分為3 類[17]。對(duì)于連續(xù)變化(Type-Ⅲ)型的負(fù)荷,由于其工作狀態(tài)的功率值保持連續(xù)變化的特性,導(dǎo)致其狀態(tài)空間極其巨大。文獻(xiàn)[18]指出,對(duì)于常用的基于HMM 的負(fù)荷辨識(shí)方法,僅對(duì)Type-Ⅰ型的開關(guān)負(fù)荷表現(xiàn)較好,在面對(duì)狀態(tài)更為復(fù)雜的其他類型負(fù)荷時(shí)效果將被極大的削弱。因此Type-Ⅲ型負(fù)荷的辨識(shí)一直是NILM 中研究的重點(diǎn)和難點(diǎn)之一。

    為有效辨識(shí)Type-Ⅲ型負(fù)荷,滿足負(fù)荷辨識(shí)算法對(duì)辨識(shí)準(zhǔn)確率和算法魯棒性的要求,本文提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)和HMM 的非侵入式負(fù)荷辨識(shí)算法。通過深度CNN 提取負(fù)荷的多維特征,進(jìn)行負(fù)荷的初次辨識(shí),將連續(xù)變化的負(fù)荷狀態(tài)辨識(shí)問題重構(gòu)為二分類狀態(tài)辨識(shí);根據(jù)負(fù)荷狀態(tài)的時(shí)間依賴性,利用HMM 解決負(fù)荷的二分類狀態(tài)再辨識(shí),減少CNN 辨識(shí)結(jié)果中出現(xiàn)的狀態(tài)斷點(diǎn)現(xiàn)象,提高辨識(shí)準(zhǔn)確率。本文以工商業(yè)電力負(fù)荷為例,在具有代表性的Type-Ⅲ型負(fù)荷數(shù)據(jù)上進(jìn)行訓(xùn)練和測(cè)試,證明了本文算法的有效性,并且可達(dá)到97.9%的辨識(shí)準(zhǔn)確率。

    1 負(fù)荷數(shù)據(jù)處理與特征選擇

    附錄A 圖A1 展示了3 種典型的負(fù)荷曲線,其中Type-Ⅲ型負(fù)荷的狀態(tài)連續(xù)可變性特點(diǎn)非常明顯。工商業(yè)用電在總負(fù)荷中占有很大的比重,研究工商業(yè)用電特性,對(duì)電力系統(tǒng)安全經(jīng)濟(jì)運(yùn)行和電力市場(chǎng)的發(fā)展有著重要的作用。對(duì)工商業(yè)電力負(fù)荷進(jìn)行監(jiān)測(cè)和辨識(shí),可以幫助電力部門了解客戶的用電行為,進(jìn)而為不同的客戶群制訂相應(yīng)的市場(chǎng)策略,使雙方都受益。因此,本文使用Type-Ⅲ型工商業(yè)負(fù)荷來驗(yàn)證非侵入式負(fù)荷辨識(shí)算法的性能。

    1.1 數(shù)據(jù)處理

    本文所用的數(shù)據(jù)集為實(shí)測(cè)電力數(shù)據(jù)。測(cè)量?jī)x器為日置電能質(zhì)量分析儀PQ3198,可完成無(wú)間隙的連續(xù)運(yùn)算、事件檢測(cè)、GPS 時(shí)間同步等標(biāo)準(zhǔn)要求的測(cè)量,測(cè)量項(xiàng)目包括有功功率、無(wú)功功率、頻率、電壓、電流及其有效值、最值和高次諧波成分等多維負(fù)荷特征數(shù)據(jù),并具備波形記錄和存儲(chǔ)功能。在電力入口處安裝數(shù)據(jù)采集裝備,采樣頻率為1 Hz,采樣時(shí)長(zhǎng)為7 d。為了驗(yàn)證辨識(shí)效果,在待辨識(shí)負(fù)荷處也安裝采集設(shè)備以準(zhǔn)確獲取其運(yùn)行狀態(tài),從而為辨識(shí)模型提供參考數(shù)據(jù)。

    對(duì)于電力入口處采集的任一負(fù)荷特征數(shù)據(jù),可用時(shí)間序列R=[R0,R1,…,RT]表示,其中T為負(fù)荷數(shù)據(jù)的時(shí)間長(zhǎng)度。數(shù)據(jù)處理中可通過差分的方式來增強(qiáng)特征的表達(dá)能力,因此可以得到負(fù)荷的差值特征序列x=[x1,x2,…,xT],其中任一元素xt皆滿足:

    給定時(shí)間窗口長(zhǎng)度w,并通過特征選擇確定n種負(fù)荷特征,由此可生成CNN 模型能學(xué)習(xí)的輸入負(fù)荷數(shù)據(jù){H1,H2,…,HL},其中L為輸入數(shù)據(jù)的總長(zhǎng)度。

    式中:Xi,j為第j種負(fù)荷特征的第i個(gè)窗口的差值時(shí)間序列,如式(3)所示。

    式中:i=1,2,…,T-w+1;j=1,2,…,n。

    對(duì)于采集的待辨識(shí)負(fù)荷數(shù)據(jù),以其電流有效值Ii+w/2的大小為標(biāo)準(zhǔn),生成設(shè)備的標(biāo)簽狀態(tài)集{y1,y2,…,yL},其中yi為第i個(gè)時(shí)間窗口內(nèi)的i+w/2 時(shí)刻點(diǎn)的負(fù)荷的運(yùn)行狀態(tài),i=1,2,…,L。

    其中,將1 A 作為狀態(tài)標(biāo)記的基準(zhǔn)是根據(jù)待辨識(shí)負(fù)荷運(yùn)行時(shí)的最小電流值所選擇的。

    1.2 特征選擇

    由電能質(zhì)量分析儀采集的電力數(shù)據(jù)共包含3 537 種負(fù)荷特征,其中包括能反映待辨識(shí)負(fù)荷運(yùn)行狀態(tài)變化的相關(guān)特征和與待辨識(shí)負(fù)荷狀態(tài)變化不相關(guān)的無(wú)關(guān)特征。除此之外,負(fù)荷特征中還包括一類冗余特征,即這類特征中所包含的信息可從其他特征中提?。?9]。冗余特征在負(fù)荷辨識(shí)模型學(xué)習(xí)中幾乎不起作用,而無(wú)關(guān)特征反而會(huì)對(duì)模型學(xué)習(xí)造成干擾。因此,在進(jìn)行模型訓(xùn)練之前要進(jìn)行特征選擇,去除無(wú)關(guān)特征和冗余特征,從而提高負(fù)荷辨識(shí)的準(zhǔn)確率,并且特征選擇可以在很大程度上降低維數(shù),減少了模型的運(yùn)算量。

    時(shí)間窗口長(zhǎng)度、特征維度與CNN 的乘-加操作(multiply-accumulate operations,MAC)次數(shù)之間的關(guān)系如附錄A 圖A2 所示。隨著特征數(shù)目的增加,神經(jīng)網(wǎng)絡(luò)的操作次數(shù)逐漸變得不可接受,另外,由于特征之間的組合狀態(tài)爆炸增長(zhǎng),導(dǎo)致需要大量的數(shù)據(jù)才能對(duì)網(wǎng)絡(luò)進(jìn)行合適的訓(xùn)練。因此,為了降低網(wǎng)絡(luò)運(yùn)算復(fù)雜度、縮短模型訓(xùn)練時(shí)間,本文采用互信息算法進(jìn)行特征選擇。

    在概率論和信息論中,2 個(gè)隨機(jī)變量的互信息是變量間相互依賴性的量度,互信息熵越大表明2 個(gè)隨機(jī)變量之間的相關(guān)性越強(qiáng),反之互信息熵越小,2 個(gè)隨機(jī)變量之間的相關(guān)性就越弱[20]?;バ畔⒅礗(x,y)的計(jì)算如下:

    式中:p(x)和p(y)分別為隨機(jī)變量x和y的邊緣概率密度函數(shù);p(x,y)為x和y的聯(lián)合概率密度函數(shù)。

    本文采用互信息進(jìn)行特征選擇的具體步驟為:根據(jù)式(5)計(jì)算每個(gè)負(fù)荷特征與待辨識(shí)負(fù)荷運(yùn)行狀態(tài)之間的互信息值;按照互信息的大小對(duì)所有特征按從大到小進(jìn)行排序;然后選擇前n個(gè)互信息最大的特征,構(gòu)成負(fù)荷辨識(shí)的初始特征集合{f1,f2,…,fn};計(jì)算fi與fj(i<j)之間的互信息大小,若fi與某個(gè)特征fj的互信息值大于閾值,則將fj移除特征子集,并按照順序添加新的特征;重新計(jì)算新的特征子集中特征之間的互信息值,重復(fù)篩選直到兩兩特征之間的互信息值皆小于閾值,并構(gòu)建新的特征集合。

    附錄A 圖A3 以熱圖的形式展示了負(fù)荷特征之間的相關(guān)性。圖A3(a)中互信息值很小,不同特征之間的相關(guān)性很弱,而圖A3(b)則相反,說明不同負(fù)荷特征之間存在冗余性,特征提取時(shí)可從不同的特征中提取重疊的信息,以致于增加了許多不必要的運(yùn)算。因此,去除冗余特征可使得模型在相同的運(yùn)算維度內(nèi),提取到更多的隱含特征。

    2 深度CNN-HMM 負(fù)荷辨識(shí)算法原理

    對(duì)于Type-Ⅲ型負(fù)荷,本文引入了具備強(qiáng)特征提取能力的CNN 模型,用于提取連續(xù)的負(fù)荷功率變化中隱含的特征。但是,純CNN 類的方法具有另一種弊端,在本文中將其表述為辨識(shí)結(jié)果的非連續(xù)性問題,如附錄A 圖A4 所示。由于CNN 本身不具備時(shí)序建模能力,所以其對(duì)時(shí)序數(shù)據(jù)的感知范圍僅能停留在所選取的時(shí)間窗長(zhǎng)度內(nèi),這導(dǎo)致CNN 的辨識(shí)結(jié)果中經(jīng)常出現(xiàn)局部性的辨識(shí)錯(cuò)誤。值得注意的是,使用CNN 重新提取負(fù)荷數(shù)據(jù)中的特征并將其重構(gòu)為運(yùn)行或非運(yùn)行的二分類狀態(tài),可以解決HMM面臨的狀態(tài)空間過大的問題,使其重新適用于HMM 對(duì)負(fù)荷狀態(tài)的表達(dá)。因此,本文最終確立了使用CNN-HMM 架構(gòu)的Type-Ⅲ型負(fù)荷運(yùn)行狀態(tài)辨識(shí)的解決方案。

    2.1 算法流程

    基于深度CNN-HMM 的非侵入式負(fù)荷辨識(shí)算法流程如圖1 所示。

    圖1 基于深度CNN-HMM 的負(fù)荷辨識(shí)算法流程圖Fig.1 Flow chart of load identification algorithm based on deep CNN-HMM

    第1 階段為數(shù)據(jù)處理:采用互信息算法對(duì)電力入口處采集的高維負(fù)荷數(shù)據(jù)進(jìn)行特征選擇,并采用差分處理的方式強(qiáng)化特征表達(dá)能力;對(duì)于待辨識(shí)負(fù)荷數(shù)據(jù),根據(jù)電流有效值大小確定其運(yùn)行狀態(tài),生成設(shè)備的標(biāo)簽數(shù)據(jù)集。

    第2 階段為模型訓(xùn)練:將負(fù)荷特征數(shù)據(jù)和標(biāo)簽數(shù)據(jù)合成模型的訓(xùn)練數(shù)據(jù)集,訓(xùn)練深度CNN,使其學(xué)習(xí)擬合特征數(shù)據(jù)與標(biāo)簽之間的非線性映射關(guān)系;通過深度CNN 得到負(fù)荷的初始辨識(shí)結(jié)果,并將其作為HMM 的已知觀測(cè)序列,訓(xùn)練HMM 的參數(shù)。

    第3 階段為模型評(píng)估:將負(fù)荷特征數(shù)據(jù)和標(biāo)簽數(shù)據(jù)合成模型的測(cè)試數(shù)據(jù)集,采用深度CNN 模型提取負(fù)荷的隱含特征并進(jìn)行初次辨識(shí),然后采用HMM 優(yōu)化CNN 辨識(shí)結(jié)果中的狀態(tài)斷點(diǎn)問題,由此得到負(fù)荷的最終狀態(tài)序列,并根據(jù)負(fù)荷標(biāo)簽數(shù)據(jù)對(duì)CNN-HMM 辨識(shí)結(jié)果的準(zhǔn)確率進(jìn)行評(píng)估。

    2.2 深度CNN 結(jié)構(gòu)

    殘差神經(jīng)網(wǎng)絡(luò)(ResNet)因其特殊的捷徑連接結(jié)構(gòu),不僅能通過增加網(wǎng)絡(luò)的深度來提高準(zhǔn)確率,而且可緩解由深度增加所帶來的梯度消失問題[21-22]。因此,本文采用ResNet-50 網(wǎng)絡(luò)作為深度CNN 的基本架構(gòu),通過ResNet-50 的學(xué)習(xí),逐漸增加輸入特征向量的深度,減小其數(shù)據(jù)維度,提取數(shù)據(jù)的深層隱含特征,由此優(yōu)化神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)性能。附錄A 表A1為ResNet-50 網(wǎng)絡(luò)結(jié)構(gòu)的超參數(shù)。

    2.3 HMM 參數(shù)計(jì)算

    HMM 是關(guān)于時(shí)間序列的概率模型,可用一個(gè)五元組參數(shù)λ={U,V,A,B,π}來表示,其參數(shù)定義如下。

    1)U={u1,u2,…,uN}是一組隱含狀態(tài)的集合,其中N為隱含狀態(tài)數(shù)目,系統(tǒng)在t時(shí)刻的隱含狀態(tài)Qt∈U。本文采用CNN 進(jìn)行負(fù)荷特征提取,并將其重構(gòu)為二分類狀態(tài)負(fù)荷辨識(shí)問題,所以本文實(shí)驗(yàn)所選擇的待辨識(shí)負(fù)荷的隱含狀態(tài)數(shù)目N=2,只有工作狀態(tài)和非工作狀態(tài),即U={0,1}。

    2)V={v1,v2,…,vM}是一組觀測(cè)狀態(tài)的集合,其中M為每一個(gè)隱含狀態(tài)可能輸出的不同觀測(cè)值的數(shù)目,系統(tǒng)在t時(shí)刻的觀測(cè)值St∈V。對(duì)于待辨識(shí)負(fù)荷,觀測(cè)狀態(tài)數(shù)目M=2,即V={0,1}。

    3)狀態(tài)轉(zhuǎn)移概率矩陣A=(aij),其中aij為在t時(shí)刻狀態(tài)為ui的條件下,在t+1 時(shí)刻狀態(tài)為uj的概率,計(jì)算公式如下。

    4)觀測(cè)狀態(tài)轉(zhuǎn)移概率矩陣B=(bi(k)),其中bi(k)為在t時(shí)刻隱含狀態(tài)為ui的條件下,觀測(cè)狀態(tài)為vk的概率。

    5)初始狀態(tài)概率矩陣π=(πi)為t=1 時(shí)刻初始狀態(tài)的概率分布。

    本文提出的非侵入式負(fù)荷辨識(shí)算法采用ResNet-50 模型對(duì)負(fù)荷數(shù)據(jù)進(jìn)行初辨識(shí),并將其重構(gòu)為運(yùn)行或非運(yùn)行的二分類問題,再采用HMM 對(duì)初始辨識(shí)結(jié)果進(jìn)行優(yōu)化。HMM 算法的具體步驟為:①初始化HMM 可更新參數(shù)λ′0={A,B,π};②根據(jù)深度CNN 的初辨識(shí)結(jié)果生成觀測(cè)序列S=[S1,S2,…,SL];③迭代更新的參數(shù)λ′,直到觀測(cè)序列出現(xiàn)的概率P(S|λ′)達(dá)最大值;④通過最優(yōu)參數(shù)λ′和觀測(cè)序列S,采用維特比算法求使得可能性P(Q|S,λ′)最大的狀態(tài)序列Q=[Q1,Q2,…,QL],即為待辨識(shí)負(fù)荷的最終辨識(shí)結(jié)果。

    3 算例分析

    3.1 評(píng)價(jià)指標(biāo)

    負(fù)荷辨識(shí)算法的性能可用準(zhǔn)確率Acc、精確度P′、召回率R以及調(diào)和平均評(píng)價(jià)指標(biāo)Fscore進(jìn)行評(píng)估。準(zhǔn)確率Acc的計(jì)算如下:

    式中:m為經(jīng)過算法辨識(shí)預(yù)測(cè)正確的數(shù)量。

    精確度P′用來表示算法抗誤檢的能力,召回率R用來表示算法抗漏檢的能力。

    式中:TP為被辨識(shí)為正樣本、實(shí)際為正樣本的數(shù)量;FP為被辨識(shí)為正樣本、實(shí)際為負(fù)樣本的數(shù)量;FN為被辨識(shí)為負(fù)樣本、實(shí)際為正樣本的數(shù)量。

    Fscore是用來平衡精確度和召回率的評(píng)價(jià)指標(biāo)。

    此外,本文采用Wasserstein 距離衡量負(fù)荷辨識(shí)結(jié)果的運(yùn)行時(shí)間概率分布與實(shí)際負(fù)荷運(yùn)行時(shí)間概率分布之間的差異[23],距離可表征算法解決識(shí)別錯(cuò)誤斷點(diǎn)的能力,該值越小表明2 個(gè)概率分布之間的擬合程度越好。Wasserstein 距離的計(jì)算公式如下。

    式中:pr和pg為需要計(jì)算二者之間距離的2 個(gè)概率分布;inf(·)表示取最小值;Π(pr,pg)為以pr和pg為邊緣分布的所有可能的聯(lián)合概率分布γ的集合。從γ中采樣(x,y)~γ,計(jì)算其范數(shù)距離||x-y||,由此計(jì)算該聯(lián)合分布下的距離期望值E(x,y)~γ(||x-y||),所有可能的聯(lián)合分布中取該期望值的下確界為Wasserstein 距離。

    3.2 算例數(shù)據(jù)集介紹

    本文實(shí)驗(yàn)所用數(shù)據(jù)集為實(shí)測(cè)電力數(shù)據(jù),數(shù)據(jù)采集地點(diǎn)分別為湖南大學(xué)研究生教學(xué)樓和湘江歡樂城能源站。其中,教學(xué)樓背景負(fù)荷較為簡(jiǎn)單,主要用能設(shè)備包括電梯與中央空調(diào)。而能源站用能結(jié)構(gòu)較為復(fù)雜,它是一個(gè)冷熱電綜合能源站,包括溴化鋰機(jī)組、蒸汽鍋爐、燃?xì)鉄崴仩t、熱水鍋爐循環(huán)泵等多種用能設(shè)備以及內(nèi)燃發(fā)電機(jī)等發(fā)電設(shè)備。除去大型設(shè)備外,也存在數(shù)量眾多的中小型負(fù)荷,由于供能覆蓋范圍較大,難以窮舉。為滿足2 所酒店與冰雪世界的用能需求,設(shè)備機(jī)組經(jīng)常處于復(fù)雜的動(dòng)態(tài)調(diào)控過程中,用電情況多變、辨識(shí)難度較高,是一個(gè)典型的工商業(yè)復(fù)雜負(fù)荷。

    附錄A 圖A5 為實(shí)驗(yàn)數(shù)據(jù)采集地點(diǎn)的電網(wǎng)拓?fù)浣Y(jié)構(gòu)圖,數(shù)據(jù)采集裝置的安裝位置已在圖中標(biāo)記。圖A5(a)為教學(xué)樓低壓側(cè)的拓?fù)?,包括相互?dú)立的1 號(hào)與2 號(hào)電梯、中央空調(diào)、照明設(shè)備等,本文選擇1 號(hào)電梯負(fù)荷為待辨識(shí)負(fù)荷,采集的部分電梯負(fù)荷數(shù)據(jù)見附錄B。圖A5(b)為能源站低壓側(cè)的拓?fù)渑c其部分負(fù)荷,為保障能源站供電的安全可靠性,其中包含兩支獨(dú)立的進(jìn)線,電源進(jìn)線為消防負(fù)荷供電,非消防負(fù)荷進(jìn)線為其他電力負(fù)荷供電,本文選擇鍋爐負(fù)荷作為待辨識(shí)負(fù)荷。

    圖2 為待辨識(shí)負(fù)荷的有功功率和無(wú)功功率的聯(lián)合分布圖??梢钥闯?,電梯負(fù)荷和鍋爐負(fù)荷的有功和無(wú)功功率變化范圍都非常廣泛,并且分布較隨機(jī),不能簡(jiǎn)單地將其聚類處理劃分為有限個(gè)狀態(tài),且其有功功率并非維持在一個(gè)或多個(gè)穩(wěn)定值附近。電梯負(fù)荷和鍋爐負(fù)荷的狀態(tài)多變復(fù)雜,是典型的Type-Ⅲ型負(fù)荷,因此可以作為驗(yàn)證本文算法有效性的待辨識(shí)負(fù)荷。

    圖2 待辨識(shí)負(fù)荷的有功、無(wú)功功率聯(lián)合分布圖Fig.2 Diagrams of active and reactive power joint distribution for load to be identified

    3.3 時(shí)間窗口長(zhǎng)度和特征數(shù)目對(duì)負(fù)荷辨識(shí)的影響

    對(duì)采集的數(shù)據(jù)集進(jìn)行預(yù)處理和特征選擇時(shí),選擇不同的時(shí)間窗口長(zhǎng)度w和特征數(shù)量n會(huì)產(chǎn)生不同的辨識(shí)結(jié)果。表1 為固定w=50 s 時(shí),不同的特征數(shù)目對(duì)ResNet-50 網(wǎng)絡(luò)每輪訓(xùn)練時(shí)間的影響。由表1 可知,隨著特征數(shù)目的增加,輸入數(shù)據(jù)維度變大,網(wǎng)絡(luò)的訓(xùn)練時(shí)間也會(huì)隨之變長(zhǎng),因此采用互信息進(jìn)行特征選擇可以縮短模型的訓(xùn)練時(shí)間,從而提高模型運(yùn)算效率。

    表1 ResNet-50 網(wǎng)絡(luò)每輪的訓(xùn)練時(shí)間Table 1 Training time of each epoch in ResNet-50 network

    圖3 展示了算法辨識(shí)準(zhǔn)確率與時(shí)間長(zhǎng)度和特征數(shù)目的關(guān)系。由圖可見,隨著n的增加,負(fù)荷辨識(shí)模型可從輸入數(shù)據(jù)中提取更多的隱含特征,但當(dāng)n達(dá)到某一數(shù)值后,選擇的負(fù)荷特征中開始出現(xiàn)重疊信息或是無(wú)關(guān)信息,反而會(huì)對(duì)模型辨識(shí)產(chǎn)生干擾,降低辨識(shí)的準(zhǔn)確率;隨著w的增加,模型可從一個(gè)時(shí)間窗口內(nèi)學(xué)習(xí)待辨識(shí)負(fù)荷狀態(tài)之間的時(shí)間連續(xù)性,從而減少辨識(shí)結(jié)果非連續(xù)性的現(xiàn)象,但當(dāng)w覆蓋負(fù)荷的最大運(yùn)行周期值時(shí),模型逐漸達(dá)到飽和,負(fù)荷辨識(shí)準(zhǔn)確率便不會(huì)隨著w的增大而增大。綜合考慮算法的運(yùn)算量和準(zhǔn)確率,本文選擇時(shí)間窗口長(zhǎng)度w=60 s、特征數(shù)量n=40 進(jìn)行特征選擇和模型訓(xùn)練。

    圖3 時(shí)間長(zhǎng)度和特征數(shù)量與辨識(shí)準(zhǔn)確率的關(guān)系Fig.3 Relationship of time length, number of characteristics and identification accuracy

    3.4 ResNet-50 網(wǎng)絡(luò)訓(xùn)練過程

    從實(shí)驗(yàn)數(shù)據(jù)集中選擇周六的數(shù)據(jù)作為網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù),選擇周一的數(shù)據(jù)作為測(cè)試數(shù)據(jù),并且在訓(xùn)練數(shù)據(jù)中將80%用于訓(xùn)練,其余20%用于模型的評(píng)估,從而選擇出效果最佳的模型。在訓(xùn)練過程中,采用Adam 優(yōu)化器,設(shè)置初始學(xué)習(xí)率為0.001,并使用線性整流函數(shù)(ReLu)以加快模型的收斂速度,用交叉熵函數(shù)計(jì)算分類誤差。附錄A 圖A6 為損失函數(shù)值隨訓(xùn)練過程迭代次數(shù)的變化曲線圖。可以看出,在迭代次數(shù)達(dá)到30 左右時(shí),無(wú)論是訓(xùn)練誤差還是評(píng)估誤差,模型的損失值都趨于平緩,達(dá)到收斂狀態(tài)。

    3.5 與其他辨識(shí)算法的對(duì)比

    本文將幾種常用的非侵入式負(fù)荷辨識(shí)算法作為對(duì)比算法進(jìn)行測(cè)試,包括k最近鄰(KNN)[24]、隨機(jī)森林(RF)[25]、HMM[14]、長(zhǎng)短期記憶(LSTM)網(wǎng)絡(luò)[12]、CNN[11]以及CNN-LSTM 模型。其中,選擇HMM和CNN 算法是為了對(duì)比本文算法相較于單獨(dú)模型的優(yōu)化效果。KNN 和RF 算法是經(jīng)典的分類識(shí)別算法,而LSTM 網(wǎng)絡(luò)模型是處理時(shí)間序列的神經(jīng)網(wǎng)絡(luò),這3 種算法均被普遍應(yīng)用于非侵入式負(fù)荷辨識(shí)領(lǐng)域中。

    待辨識(shí)負(fù)荷的辨識(shí)結(jié)果如表2 所示,圖4 展示了幾種負(fù)荷辨識(shí)算法在相同時(shí)間內(nèi)的辨識(shí)結(jié)果。由圖4 可見,LSTM 和CNN 算法的辨識(shí)結(jié)果中都存在一定的狀態(tài)斷點(diǎn)問題,導(dǎo)致負(fù)荷辨識(shí)的準(zhǔn)確率降低;而2 層模型CNN-LSTM 和CNN-HMM 相較于單獨(dú)模型在一定程度上優(yōu)化了辨識(shí)結(jié)果的非連續(xù)性,提高了負(fù)荷辨識(shí)的準(zhǔn)確率,且HMM 比LSTM 的優(yōu)化效果更為顯著,本文提出的CNN-HMM 算法具有更高的精度。結(jié)合表2 中的評(píng)價(jià)指標(biāo)對(duì)比,可在數(shù)據(jù)上證實(shí)這一觀點(diǎn)。雖然在精確度P′和召回率R上,本文算法并非是最優(yōu)的,即本文算法在所有對(duì)比算法中并不具有最強(qiáng)的抗誤檢和抗漏檢的能力,但是對(duì)于能綜合反映辨識(shí)結(jié)果的可靠程度指標(biāo)Fscore,提出的算法取得了0.987 9 的最高值;對(duì)于反映負(fù)荷辨識(shí)結(jié)果與實(shí)際運(yùn)行狀態(tài)之間差異的Wasserstein 距離,提出的算法取得了最小值,而d值越小表明算法解決識(shí)別錯(cuò)誤斷點(diǎn)的能力越強(qiáng)。綜上所述,本文算法對(duì)于Type-Ⅲ型工商業(yè)負(fù)荷的辨識(shí)效果優(yōu)于其他對(duì)比算法,并且具有最高的辨識(shí)準(zhǔn)確率,能達(dá)到97.9%。

    表2 待辨識(shí)負(fù)荷的辨識(shí)結(jié)果Table 2 Identification results of load to be identified

    圖4 辨識(shí)結(jié)果對(duì)比Fig.4 Comparison of identification results

    3.6 用戶用電行為分析

    用戶的用電行為是指在什么時(shí)間用了什么電器產(chǎn)生了多大的負(fù)荷,通過NILM 技術(shù)可以方便地獲得各電器的使用情況,進(jìn)而可以對(duì)各電器的用電信息如啟停時(shí)間、持續(xù)時(shí)間及用電量等進(jìn)行統(tǒng)計(jì),以得到用戶準(zhǔn)確的用電行為,從而幫助電網(wǎng)公司制定供需互動(dòng)策略。

    附錄A 圖A7 為根據(jù)負(fù)荷辨識(shí)結(jié)果得到的電梯負(fù)荷和鍋爐負(fù)荷一天的用能統(tǒng)計(jì)。由圖A7(a)可知,電梯負(fù)荷的運(yùn)行具有明顯的時(shí)間特性,主要用電行為集中在09:00—23:00,而在00:00—06:00 時(shí)段內(nèi)幾乎沒有運(yùn)作,且工作日的運(yùn)行時(shí)長(zhǎng)較周末的略長(zhǎng),這與電梯負(fù)荷所處的學(xué)校環(huán)境有關(guān),電梯的運(yùn)行時(shí)段與學(xué)生上下課時(shí)段重合。由圖A7(b)可知,鍋爐負(fù)荷的運(yùn)行幾乎與時(shí)間無(wú)關(guān),因其處于供能站內(nèi),要滿足站內(nèi)所有的供熱需求,所以鍋爐負(fù)荷每天的工作時(shí)間都很長(zhǎng),用能量很大,且工作日與周末的用能并沒有很大區(qū)別。

    4 結(jié)語(yǔ)

    為有效辨識(shí)Type-Ⅲ型負(fù)荷,本文提出了基于深度CNN-HMM 的非侵入式負(fù)荷辨識(shí)算法。首先,根據(jù)互信息原理進(jìn)行特征選擇并去除冗余特征,采用參數(shù)搜索確定最優(yōu)時(shí)間窗口長(zhǎng)度和特征數(shù)目;由于ResNet-50 網(wǎng)絡(luò)可有效解決深度網(wǎng)絡(luò)訓(xùn)練過程中梯度消失的問題,將其作為深度CNN 模型的架構(gòu),提取負(fù)荷的多維特征,并完成初次辨識(shí);根據(jù)初次辨識(shí)結(jié)果,計(jì)算HMM 的參數(shù),并完成負(fù)荷的二次辨識(shí),從而優(yōu)化CNN 模型辨識(shí)中存在的辨識(shí)結(jié)果非連續(xù)性問題;最后,與其他負(fù)荷辨識(shí)算法的對(duì)比測(cè)試結(jié)果表明,本文算法能有效辨識(shí)Type-Ⅲ型工商業(yè)電力負(fù)荷,具有更好的準(zhǔn)確率和辨識(shí)精度。

    下一步的工作重點(diǎn)是研究Type-Ⅲ型負(fù)荷運(yùn)行時(shí)的典型狀態(tài)辨識(shí)問題。

    附錄見本刊網(wǎng)絡(luò)版(http://www.aeps-info.com/aeps/ch/index.aspx),掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。

    猜你喜歡
    互信息特征選擇準(zhǔn)確率
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
    2015—2017 年寧夏各天氣預(yù)報(bào)參考產(chǎn)品質(zhì)量檢驗(yàn)分析
    高速公路車牌識(shí)別標(biāo)識(shí)站準(zhǔn)確率驗(yàn)證法
    Kmeans 應(yīng)用與特征選擇
    電子制作(2017年23期)2017-02-02 07:17:06
    基于互信息的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)
    聯(lián)合互信息水下目標(biāo)特征選擇算法
    改進(jìn)的互信息最小化非線性盲源分離算法
    基于增量式互信息的圖像快速匹配方法
    基于特征選擇和RRVPMCD的滾動(dòng)軸承故障診斷方法
    日韩中文字幕欧美一区二区| 亚洲国产看品久久| 午夜免费成人在线视频| 十八禁网站网址无遮挡| 免费看十八禁软件| 自拍欧美九色日韩亚洲蝌蚪91| 久久 成人 亚洲| 黄色视频在线播放观看不卡| 丁香六月天网| 国产亚洲欧美在线一区二区| 日韩有码中文字幕| 精品国内亚洲2022精品成人 | 丝袜美足系列| 亚洲全国av大片| 亚洲第一青青草原| 亚洲精品自拍成人| 国产区一区二久久| 黑人操中国人逼视频| 亚洲中文字幕日韩| 久久天堂一区二区三区四区| 十八禁人妻一区二区| 成人三级做爰电影| 美女国产高潮福利片在线看| 精品视频人人做人人爽| 欧美精品人与动牲交sv欧美| 老司机午夜福利在线观看视频 | 美女午夜性视频免费| 午夜福利在线免费观看网站| 99久久国产精品久久久| 色视频在线一区二区三区| 亚洲欧美日韩另类电影网站| 亚洲欧美色中文字幕在线| 成年动漫av网址| 一区二区三区激情视频| 在线观看舔阴道视频| 中文字幕高清在线视频| 啦啦啦中文免费视频观看日本| 黄色怎么调成土黄色| 国产aⅴ精品一区二区三区波| 精品第一国产精品| 久久人人爽av亚洲精品天堂| 黄色怎么调成土黄色| 真人做人爱边吃奶动态| 少妇猛男粗大的猛烈进出视频| 免费一级毛片在线播放高清视频 | 美女国产高潮福利片在线看| 国产亚洲精品第一综合不卡| 中文字幕人妻丝袜制服| 777米奇影视久久| 国产在视频线精品| 波多野结衣av一区二区av| 国产成人精品在线电影| 两人在一起打扑克的视频| 啦啦啦视频在线资源免费观看| 激情视频va一区二区三区| av视频免费观看在线观看| 男女下面插进去视频免费观看| 国产区一区二久久| a级毛片黄视频| 在线观看人妻少妇| 亚洲av日韩在线播放| 亚洲免费av在线视频| 精品卡一卡二卡四卡免费| 久久久久久人人人人人| 国产精品av久久久久免费| 亚洲国产av新网站| 日韩免费高清中文字幕av| 国产精品影院久久| 狠狠婷婷综合久久久久久88av| 亚洲伊人久久精品综合| 欧美 亚洲 国产 日韩一| 新久久久久国产一级毛片| 国产三级黄色录像| 老司机午夜十八禁免费视频| 精品少妇内射三级| 国产日韩欧美在线精品| 国产免费福利视频在线观看| av网站在线播放免费| 久久精品亚洲熟妇少妇任你| 亚洲精品久久成人aⅴ小说| 国产伦人伦偷精品视频| 亚洲avbb在线观看| 日韩一区二区三区影片| 成年人免费黄色播放视频| 中文字幕人妻熟女乱码| 热re99久久国产66热| 国产亚洲一区二区精品| 欧美黑人欧美精品刺激| 亚洲国产av影院在线观看| 国产人伦9x9x在线观看| 另类精品久久| 国产精品二区激情视频| 三级毛片av免费| 窝窝影院91人妻| 久久久久久久大尺度免费视频| 精品人妻熟女毛片av久久网站| 成人黄色视频免费在线看| 青青草视频在线视频观看| 久久久久久免费高清国产稀缺| 一本一本久久a久久精品综合妖精| 高清毛片免费观看视频网站 | 电影成人av| 久久久精品94久久精品| 黄色 视频免费看| 99精品欧美一区二区三区四区| 国产精品偷伦视频观看了| 最新美女视频免费是黄的| 国产精品亚洲一级av第二区| 99re6热这里在线精品视频| 久久午夜亚洲精品久久| 丁香六月欧美| 波多野结衣av一区二区av| 在线看a的网站| 国产亚洲午夜精品一区二区久久| 亚洲精品在线美女| 午夜福利在线免费观看网站| 国产成人啪精品午夜网站| 久热爱精品视频在线9| 亚洲欧美色中文字幕在线| 99国产精品免费福利视频| 国产成人精品无人区| 一本—道久久a久久精品蜜桃钙片| 欧美久久黑人一区二区| 手机成人av网站| 亚洲伊人色综图| 欧美激情 高清一区二区三区| 一级,二级,三级黄色视频| 成人18禁高潮啪啪吃奶动态图| 精品少妇内射三级| 精品卡一卡二卡四卡免费| 黄色毛片三级朝国网站| 久久精品亚洲精品国产色婷小说| 麻豆成人av在线观看| 国产日韩欧美亚洲二区| 国产一区二区三区综合在线观看| 中国美女看黄片| 狂野欧美激情性xxxx| 国产成人免费无遮挡视频| a级毛片黄视频| 亚洲 国产 在线| 国产又爽黄色视频| 国产一区二区激情短视频| 日韩人妻精品一区2区三区| 大香蕉久久成人网| 国产精品秋霞免费鲁丝片| svipshipincom国产片| 高清在线国产一区| 成人影院久久| 亚洲成人手机| 亚洲精品成人av观看孕妇| 男人舔女人的私密视频| 国产伦理片在线播放av一区| cao死你这个sao货| 99久久精品国产亚洲精品| 首页视频小说图片口味搜索| 搡老乐熟女国产| 我的亚洲天堂| 一本综合久久免费| 国产精品98久久久久久宅男小说| 中文字幕制服av| 欧美黑人精品巨大| 日韩熟女老妇一区二区性免费视频| 大型av网站在线播放| 亚洲熟女精品中文字幕| av网站在线播放免费| 免费在线观看日本一区| 夜夜骑夜夜射夜夜干| 激情视频va一区二区三区| 国产一区有黄有色的免费视频| 欧美激情极品国产一区二区三区| a级毛片在线看网站| 18禁裸乳无遮挡动漫免费视频| 在线 av 中文字幕| 国产在线视频一区二区| 老司机午夜福利在线观看视频 | 91成年电影在线观看| 99热网站在线观看| 一级黄色大片毛片| 日韩熟女老妇一区二区性免费视频| 一区二区三区精品91| 午夜激情久久久久久久| 欧美日韩亚洲高清精品| 精品人妻熟女毛片av久久网站| 成年人黄色毛片网站| 精品少妇久久久久久888优播| 亚洲专区中文字幕在线| 中国美女看黄片| 精品少妇内射三级| 宅男免费午夜| 欧美黄色淫秽网站| 国产成人欧美| 电影成人av| av国产精品久久久久影院| 精品人妻1区二区| 国产成人精品无人区| 黑人欧美特级aaaaaa片| 丁香欧美五月| 欧美成狂野欧美在线观看| 大片免费播放器 马上看| 久久国产精品男人的天堂亚洲| 1024视频免费在线观看| 亚洲中文日韩欧美视频| 宅男免费午夜| 高清av免费在线| 美女视频免费永久观看网站| 男女免费视频国产| 窝窝影院91人妻| 国产真人三级小视频在线观看| 亚洲熟女精品中文字幕| 777久久人妻少妇嫩草av网站| 99国产精品免费福利视频| 亚洲人成伊人成综合网2020| 女同久久另类99精品国产91| 欧美激情高清一区二区三区| 日本av手机在线免费观看| 日韩欧美国产一区二区入口| 中国美女看黄片| 亚洲成人手机| 人人妻人人爽人人添夜夜欢视频| 一进一出抽搐动态| 久久精品国产综合久久久| 国产高清视频在线播放一区| 久久久国产成人免费| 啦啦啦视频在线资源免费观看| 少妇粗大呻吟视频| 精品乱码久久久久久99久播| 免费观看a级毛片全部| 精品国产乱子伦一区二区三区| 日韩免费av在线播放| 欧美日韩中文字幕国产精品一区二区三区 | 最新美女视频免费是黄的| 免费日韩欧美在线观看| 波多野结衣av一区二区av| 91av网站免费观看| 性少妇av在线| 99久久99久久久精品蜜桃| 欧美亚洲日本最大视频资源| 日韩欧美三级三区| 高清毛片免费观看视频网站 | 脱女人内裤的视频| 一区二区三区激情视频| 午夜福利视频在线观看免费| 亚洲精品美女久久久久99蜜臀| 国产成人精品无人区| 免费av中文字幕在线| 黄网站色视频无遮挡免费观看| 男女无遮挡免费网站观看| 亚洲七黄色美女视频| 日韩一卡2卡3卡4卡2021年| 我的亚洲天堂| 悠悠久久av| 久久天堂一区二区三区四区| 啪啪无遮挡十八禁网站| 午夜激情久久久久久久| 美国免费a级毛片| 国产精品久久久av美女十八| 国产午夜精品久久久久久| 麻豆国产av国片精品| 精品国内亚洲2022精品成人 | 精品久久蜜臀av无| 9191精品国产免费久久| 精品亚洲成a人片在线观看| 精品国产一区二区三区久久久樱花| 精品熟女少妇八av免费久了| 丁香六月欧美| 午夜精品国产一区二区电影| 黄色视频,在线免费观看| 一区在线观看完整版| 国产精品一区二区在线不卡| 性色av乱码一区二区三区2| 满18在线观看网站| 亚洲免费av在线视频| 成人精品一区二区免费| 伊人久久大香线蕉亚洲五| 黄色视频,在线免费观看| 亚洲国产av新网站| 大片免费播放器 马上看| 色在线成人网| 狠狠狠狠99中文字幕| 久久人人爽av亚洲精品天堂| a级毛片黄视频| 在线观看人妻少妇| 亚洲伊人久久精品综合| 少妇的丰满在线观看| 亚洲成人手机| 老汉色∧v一级毛片| 国产欧美亚洲国产| 人人妻人人澡人人看| 狂野欧美激情性xxxx| 精品国内亚洲2022精品成人 | 免费在线观看日本一区| 亚洲国产成人一精品久久久| 亚洲成人免费av在线播放| 欧美黑人欧美精品刺激| 最新的欧美精品一区二区| 高清在线国产一区| 国产精品久久久久久精品电影小说| 日韩中文字幕欧美一区二区| 一区二区日韩欧美中文字幕| 久久中文字幕一级| 99riav亚洲国产免费| 色综合欧美亚洲国产小说| 午夜福利视频精品| 丝瓜视频免费看黄片| 亚洲精品国产精品久久久不卡| 成年人黄色毛片网站| √禁漫天堂资源中文www| 老熟妇乱子伦视频在线观看| 超碰97精品在线观看| kizo精华| 亚洲av美国av| 91成年电影在线观看| 中文字幕人妻丝袜制服| 亚洲黑人精品在线| 久9热在线精品视频| 不卡av一区二区三区| 亚洲,欧美精品.| 99香蕉大伊视频| 欧美 亚洲 国产 日韩一| 久久久精品免费免费高清| 香蕉丝袜av| 91精品国产国语对白视频| 国产老妇伦熟女老妇高清| 人妻一区二区av| 菩萨蛮人人尽说江南好唐韦庄| 免费在线观看日本一区| 国产精品影院久久| 欧美在线一区亚洲| 人人澡人人妻人| 亚洲美女黄片视频| 亚洲黑人精品在线| 一级毛片女人18水好多| 午夜福利视频在线观看免费| 国产精品成人在线| 国产成+人综合+亚洲专区| 久久久欧美国产精品| 国产麻豆69| 国产精品一区二区精品视频观看| 精品少妇黑人巨大在线播放| 十分钟在线观看高清视频www| 超碰97精品在线观看| 午夜福利在线观看吧| 亚洲专区字幕在线| 一个人免费在线观看的高清视频| 午夜91福利影院| 19禁男女啪啪无遮挡网站| 久久午夜综合久久蜜桃| 18禁国产床啪视频网站| 精品欧美一区二区三区在线| 女人被躁到高潮嗷嗷叫费观| 日韩 欧美 亚洲 中文字幕| 午夜福利视频精品| 99久久99久久久精品蜜桃| 妹子高潮喷水视频| 男女无遮挡免费网站观看| 国产伦人伦偷精品视频| 久久久精品94久久精品| 欧美日韩亚洲高清精品| 人人妻人人澡人人爽人人夜夜| 色婷婷av一区二区三区视频| 成人永久免费在线观看视频 | 亚洲黑人精品在线| 正在播放国产对白刺激| 天堂俺去俺来也www色官网| 国产三级黄色录像| 亚洲免费av在线视频| 国产精品99久久99久久久不卡| 欧美变态另类bdsm刘玥| 亚洲性夜色夜夜综合| 最新在线观看一区二区三区| 天天躁日日躁夜夜躁夜夜| 精品国产超薄肉色丝袜足j| 一个人免费看片子| 成在线人永久免费视频| 精品一区二区三区四区五区乱码| 又黄又粗又硬又大视频| 日韩欧美免费精品| 色综合婷婷激情| 亚洲精品美女久久久久99蜜臀| 中文字幕最新亚洲高清| 美女高潮喷水抽搐中文字幕| 久久人人爽av亚洲精品天堂| 午夜福利,免费看| 国产精品亚洲av一区麻豆| 纯流量卡能插随身wifi吗| 久久香蕉激情| 操美女的视频在线观看| 精品国产一区二区久久| 水蜜桃什么品种好| 欧美精品人与动牲交sv欧美| 97人妻天天添夜夜摸| 国产福利在线免费观看视频| 午夜福利视频精品| 精品国产乱码久久久久久男人| 亚洲av成人一区二区三| 在线永久观看黄色视频| 国产精品欧美亚洲77777| 亚洲国产看品久久| 欧美中文综合在线视频| 久久精品国产a三级三级三级| 亚洲九九香蕉| 欧美精品av麻豆av| 久久婷婷成人综合色麻豆| 久久人妻熟女aⅴ| 亚洲色图综合在线观看| 成人亚洲精品一区在线观看| 国产高清国产精品国产三级| 一本一本久久a久久精品综合妖精| 成人三级做爰电影| 日韩精品免费视频一区二区三区| 亚洲第一欧美日韩一区二区三区 | 国产精品麻豆人妻色哟哟久久| 大香蕉久久成人网| 国产精品国产高清国产av | 一个人免费在线观看的高清视频| 法律面前人人平等表现在哪些方面| 12—13女人毛片做爰片一| 波多野结衣一区麻豆| 欧美成人午夜精品| 成人免费观看视频高清| 9191精品国产免费久久| 深夜精品福利| 亚洲色图综合在线观看| kizo精华| 人妻久久中文字幕网| 国产又色又爽无遮挡免费看| 最新在线观看一区二区三区| 久久人人97超碰香蕉20202| 久久这里只有精品19| 午夜两性在线视频| 亚洲人成电影观看| av免费在线观看网站| 国产免费福利视频在线观看| 免费日韩欧美在线观看| 人成视频在线观看免费观看| 国产精品久久久久成人av| 国产一区二区三区在线臀色熟女 | 啪啪无遮挡十八禁网站| 亚洲精品一卡2卡三卡4卡5卡| 99国产综合亚洲精品| 色综合婷婷激情| 日韩三级视频一区二区三区| 在线播放国产精品三级| 午夜福利,免费看| 午夜久久久在线观看| 久久国产精品人妻蜜桃| 我的亚洲天堂| 狠狠精品人妻久久久久久综合| 露出奶头的视频| 精品久久蜜臀av无| 嫩草影视91久久| 欧美精品一区二区大全| 国产一区二区 视频在线| 在线观看免费视频网站a站| 极品教师在线免费播放| 91老司机精品| 久久精品aⅴ一区二区三区四区| 国产成人欧美在线观看 | 妹子高潮喷水视频| 成人手机av| 欧美激情久久久久久爽电影 | 欧美日韩国产mv在线观看视频| 久久久精品免费免费高清| 国产一区二区三区在线臀色熟女 | 精品国产超薄肉色丝袜足j| 色94色欧美一区二区| 成人三级做爰电影| 一级a爱视频在线免费观看| 男女床上黄色一级片免费看| 国产一区二区在线观看av| 王馨瑶露胸无遮挡在线观看| 日韩 欧美 亚洲 中文字幕| 中文字幕另类日韩欧美亚洲嫩草| 婷婷丁香在线五月| 麻豆乱淫一区二区| 日韩三级视频一区二区三区| www.熟女人妻精品国产| 三上悠亚av全集在线观看| 精品免费久久久久久久清纯 | 操出白浆在线播放| 丰满少妇做爰视频| 午夜福利一区二区在线看| av又黄又爽大尺度在线免费看| 精品国产亚洲在线| 日韩视频一区二区在线观看| 十八禁人妻一区二区| 亚洲精品国产色婷婷电影| 欧美日韩精品网址| 国产又爽黄色视频| 久久久久久久精品吃奶| 高清av免费在线| 在线十欧美十亚洲十日本专区| 久久精品熟女亚洲av麻豆精品| 亚洲av国产av综合av卡| 久久精品亚洲熟妇少妇任你| 国产精品九九99| 成人18禁高潮啪啪吃奶动态图| 麻豆乱淫一区二区| 亚洲一区二区三区欧美精品| 精品少妇久久久久久888优播| 国产xxxxx性猛交| 久久精品91无色码中文字幕| 丰满人妻熟妇乱又伦精品不卡| 午夜免费成人在线视频| 纵有疾风起免费观看全集完整版| 亚洲精品久久午夜乱码| 啦啦啦免费观看视频1| 可以免费在线观看a视频的电影网站| 午夜两性在线视频| 久久国产精品大桥未久av| 法律面前人人平等表现在哪些方面| 国产成人系列免费观看| 大香蕉久久成人网| 成人永久免费在线观看视频 | 99国产精品免费福利视频| av超薄肉色丝袜交足视频| 精品少妇内射三级| 欧美黄色片欧美黄色片| 18禁美女被吸乳视频| 91老司机精品| 亚洲精品一二三| 亚洲国产欧美在线一区| 男女午夜视频在线观看| 国产成人影院久久av| av电影中文网址| 国产不卡av网站在线观看| 大码成人一级视频| 老司机在亚洲福利影院| 国产一卡二卡三卡精品| 人人妻人人澡人人看| 在线 av 中文字幕| 亚洲av日韩精品久久久久久密| 黄色片一级片一级黄色片| 久久青草综合色| 久热这里只有精品99| 亚洲人成电影免费在线| 亚洲精品在线美女| 亚洲人成77777在线视频| 黑人猛操日本美女一级片| 999久久久精品免费观看国产| 十八禁网站网址无遮挡| 99香蕉大伊视频| 又黄又粗又硬又大视频| 精品少妇黑人巨大在线播放| 成人国语在线视频| 精品国产超薄肉色丝袜足j| 中国美女看黄片| 色播在线永久视频| 亚洲久久久国产精品| 国产成人一区二区三区免费视频网站| 亚洲欧美日韩另类电影网站| 69av精品久久久久久 | 国产精品1区2区在线观看. | 老司机亚洲免费影院| 欧美日韩亚洲综合一区二区三区_| 天天躁日日躁夜夜躁夜夜| 午夜福利在线免费观看网站| 黄色视频在线播放观看不卡| 色精品久久人妻99蜜桃| 日韩欧美国产一区二区入口| 在线av久久热| 麻豆成人av在线观看| bbb黄色大片| 国产深夜福利视频在线观看| 国产激情久久老熟女| 欧美精品高潮呻吟av久久| 91大片在线观看| 天堂动漫精品| 757午夜福利合集在线观看| a级毛片在线看网站| 日韩制服丝袜自拍偷拍| 在线av久久热| 亚洲av美国av| 男男h啪啪无遮挡| 亚洲男人天堂网一区| 一本久久精品| cao死你这个sao货| 欧美日韩亚洲高清精品| 老司机午夜十八禁免费视频| 99久久人妻综合| 亚洲国产av影院在线观看| 天天躁狠狠躁夜夜躁狠狠躁| 精品一区二区三卡| 亚洲熟女精品中文字幕| 亚洲欧美色中文字幕在线| 在线播放国产精品三级| 成在线人永久免费视频| 老司机亚洲免费影院| 精品熟女少妇八av免费久了| 亚洲成人免费av在线播放| 国产区一区二久久| 超碰成人久久| 肉色欧美久久久久久久蜜桃| 亚洲国产成人一精品久久久| 国产精品亚洲av一区麻豆| 亚洲熟妇熟女久久| 成人三级做爰电影| 亚洲av日韩精品久久久久久密| 国产成人免费无遮挡视频| 1024视频免费在线观看| 考比视频在线观看| 一本综合久久免费| 欧美日韩一级在线毛片| av欧美777| 我的亚洲天堂| 欧美在线一区亚洲| 日本黄色视频三级网站网址 | 欧美国产精品一级二级三级| 老汉色av国产亚洲站长工具| 成年人午夜在线观看视频| 国产色视频综合| 一区二区日韩欧美中文字幕| 成人18禁在线播放| 成人亚洲精品一区在线观看| 我要看黄色一级片免费的|