• <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 ?

    用電異常行為預(yù)警方法

    2022-05-30 20:17:40萬偉劉紅旗孫洪昌張峰王洋孫偉卿
    關(guān)鍵詞:長短期記憶網(wǎng)絡(luò)支持向量機(jī)

    萬偉 劉紅旗 孫洪昌 張峰 王洋 孫偉卿

    摘要:針對竊電、濫用電等用戶異常用電行為給電力公司造成了巨額的經(jīng)濟(jì)損失的問題,通過數(shù)據(jù)驅(qū)動方法,利用區(qū)域內(nèi)居民用戶日負(fù)荷數(shù)據(jù)分別從橫向與縱向兩個(gè)層面,對用戶用能行為進(jìn)行定量的綜合評分,進(jìn)而識別用戶異常用電行為。首先,建立K-Means和SVM分類模型,將單個(gè)居民日負(fù)荷數(shù)據(jù)與周邊具有相似用電行為的居民進(jìn)行比較,用于生成用戶用電行為評價(jià)的橫向評分。其次,利用LSTM模型建立用戶負(fù)荷預(yù)測模型,實(shí)現(xiàn)與自身歷史用電行為的對比,生成用戶用電行為評價(jià)的縱向評分。最終,通過設(shè)定權(quán)重進(jìn)行綜合評分。當(dāng)評分低于一定閾值時(shí)進(jìn)行預(yù)警。算例部分利用30個(gè)用戶4年數(shù)據(jù)對提出方法進(jìn)行驗(yàn)證,橫向評分結(jié)果準(zhǔn)確率達(dá)到99.9%以上,縱向評分的擬合優(yōu)度達(dá)到95%以上,驗(yàn)證了方法的準(zhǔn)確性。

    關(guān)鍵詞:用電異常檢測; 長短期記憶網(wǎng)絡(luò); K-Means; 支持向量機(jī); 用電評分

    DOI:10.15938/j.jhust.2022.04.008

    中圖分類號: TM71

    文獻(xiàn)標(biāo)志碼: A

    文章編號: 1007-2683(2022)04-0053-10

    Early Warning Method of Abnormal Electricity

    Consumption Behavior Based on Data Driven

    WAN Wei LIU Hongqi SUN Hong-chang ZHANG Feng WANG Yang SUN Wei-qing

    (1.Heze Power Supply Company of State Grid Shandong Electric Power Company, Heze 274000, China;

    2.Department of Electrical Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China)

    Abstract:In view of the huge economic losses caused to power companies by abnormal power consumption behaviors of users such as stealing and abusing electricity, based on data driven method, the daily load data of residents in the region is used to score the users′ energy consumption behavior quantitatively from the horizontal and vertical levels.?Firstly, based on K-means and SVM (Support Vector Machine) classification model, the daily load data of individual residents data are compared with those of residents with similar electricity consumption behaviors to generate the user′s horizontal score.?Secondly, the user load forecasting model is established by using LSTM (Long Short-Term Memory) model to realize the comparison with their own historical electricity consumption behavior and generate the users vertical score.?Finally, according to the set weight, a comprehensive score is made.?When the score is lower than a certain threshold, early warning is given.?The proposed method is verified by the data of 30 users for 4 years, the accuracy of horizontal score is more than 99.9%, and the goodness of fit of vertical score is more than 95%, which proves the feasibility of the method.

    Keywords:detection of abnormal power consumption; long short-term memory; K-Means; support vector machine; power rating

    0引言

    我國電力公司電量自動化管理技術(shù)相對匱乏,造成了竊電等異常用電行為多發(fā),給電力公司帶來了巨大的經(jīng)濟(jì)損失,同時(shí)也擾亂了市場經(jīng)濟(jì)秩序[1]。近年來,隨著電力體制改革,電力企業(yè)逐漸認(rèn)識到提高電量管理水平、加大反竊電打擊力度、強(qiáng)化電網(wǎng)自動化運(yùn)營能力,才能保證電網(wǎng)安全生產(chǎn),獲取更大的經(jīng)濟(jì)效益[2]。減少非技術(shù)損失對電力公司而言至關(guān)重要,非技術(shù)損失是指配電網(wǎng)側(cè)電力用戶竊電等一系列欺騙性用電行為所導(dǎo)致的電能損失[3]。傳統(tǒng)異常用電檢測主要依靠人工現(xiàn)場排查,效率低、易出錯(cuò)且效果差[4]。隨著技術(shù)發(fā)展,一些新型方法被應(yīng)用于異常用電行為檢測,如竊電表箱表柜、數(shù)據(jù)比對等[5]。雖然這些方法具有一定成效,但由于資金投入大、技術(shù)變化落后于竊電手段、不能及時(shí)發(fā)現(xiàn)異常用電行為。因此,有必要開展集成多智能分析方法的用電模型及竊電行為精準(zhǔn)判別技術(shù),實(shí)現(xiàn)常態(tài)化竊電行為分析預(yù)測和快速精準(zhǔn)判定功能。

    針對用電異常行為的檢測及判別技術(shù),文[3]選取支持向量機(jī)(SVM)進(jìn)行異常檢測,并通過遺傳算法求出針對不同用戶的最優(yōu)參數(shù),以提高用戶異常檢測率。文[6]將綜合遺傳算法和SVM用于檢測用戶側(cè)的非技術(shù)損失用電。文[7]基于不同城鎮(zhèn)歷史用電數(shù)據(jù),挑選最優(yōu)負(fù)荷特征組合,采用SVM進(jìn)行離線檢測。文[8]\利用皮爾森相關(guān)系數(shù)檢測以負(fù)荷驟降為特征的非技術(shù)損失,通過貝葉斯網(wǎng)絡(luò)和決策樹檢測其他類型的非技術(shù)損失。通過貝葉斯算法和決策樹提取用戶用電行為特征,并通過兩種算法結(jié)果對比,選取最優(yōu)方法檢測非技術(shù)損失。上述文獻(xiàn)主要通過分類等監(jiān)督學(xué)習(xí)的方式實(shí)現(xiàn)對用戶異常用電行為檢測。文[9]基于K-Means和決策樹算法設(shè)計(jì)異常用電行為分析系統(tǒng)。文[10]提出基于模糊聚類的居民用電負(fù)荷模式識別以檢測異常用電。上述文獻(xiàn)主要通過聚類等非監(jiān)督學(xué)習(xí)對用戶異常用電行為檢測。

    目前研究普遍直接對用戶用電量數(shù)據(jù)進(jìn)行聚類、分類,沒有考慮用戶用電行為的多樣性,因此存在一定局限。本文所提出的方法是利用區(qū)域內(nèi)居民用戶的每日數(shù)據(jù)(天氣、溫度、濕度、用電量)分別從橫向(與周邊具有相似用電行為的居民作比較)、縱向(與自身的日常用電行為作比較)兩個(gè)對比層面對區(qū)域范圍內(nèi)用戶的用能行為進(jìn)行定量綜合評分。首先,基于K-Means和SVM分類模型,將居民日負(fù)荷數(shù)據(jù)與周邊具有相似用電行為的居民進(jìn)行比較,用于橫向評分。其次,利用長短期記憶網(wǎng)絡(luò)(LSTM)建立用戶負(fù)荷預(yù)測模型,實(shí)現(xiàn)與自身歷史用電行為的縱向?qū)Ρ?,用于縱向評分。最終,根據(jù)權(quán)重進(jìn)行綜合評分。當(dāng)用戶綜合評分低于一定閾值,則判定用戶存在異常用電行為,通知工作人員進(jìn)行實(shí)地考證,從而提高異常用電檢測效率、有效打擊竊電行為,減少經(jīng)濟(jì)損失。

    1用戶異常用電行為預(yù)警方法

    本文所提出的基于數(shù)據(jù)驅(qū)動的用電異常行為預(yù)警方法流程圖如圖1所示。

    首先假設(shè)經(jīng)過排查后,目前系統(tǒng)中用戶用電行為均為正常,基于正常用電數(shù)據(jù)進(jìn)行建模,再將模型投入日常運(yùn)行中進(jìn)行異常用電識別。系統(tǒng)于第t+1天凌晨收集第t天完整的用戶負(fù)荷及外部環(huán)境數(shù)據(jù)。根據(jù)收集的數(shù)據(jù)對第t天用戶用電行為評分,并為第t+1天的模型做數(shù)據(jù)準(zhǔn)備。

    對于橫向評分模塊,利用K-Means算法將所有用戶歷史日負(fù)荷數(shù)據(jù)進(jìn)行聚類,確定用戶的用電行為,并給出每種用電行為聚類標(biāo)簽。其次,將用戶歷史日負(fù)荷數(shù)據(jù)作為輸入,用電行為標(biāo)簽作為輸出,建立日負(fù)荷分類模型。在日常運(yùn)行階段,對每個(gè)用戶日負(fù)荷進(jìn)行分類,根據(jù)居民用戶橫向評分標(biāo)準(zhǔn),對比同一類用戶用能行為,給出橫向評分。

    對于縱向評分模塊,利用LSTM算法對每個(gè)用戶建立短時(shí)間尺度用電量預(yù)測模型。在日常運(yùn)行階段,對每個(gè)用戶用電量進(jìn)行實(shí)時(shí)預(yù)測,輸入為前24小時(shí)的用戶實(shí)際用電量,輸出為第25小時(shí)的預(yù)測用電量。在第t+1天凌晨,整合第t天24小時(shí)的預(yù)測用電量和第t天24小時(shí)的實(shí)際用電量,根據(jù)居民用戶縱向評分標(biāo)準(zhǔn),評估單個(gè)居民用戶第t天的用電情況是否符合其一貫用電行為,并給出縱向評分。

    通過橫向評分標(biāo)準(zhǔn),對每個(gè)類別中用戶用能行為進(jìn)行評分,對用電量較少的用戶給予較低的分?jǐn)?shù),提高其異常用電行為的可能性。但僅僅是橫向評分不能排除用戶一貫用電量較少的可能性,所以通過縱向評分,充分考慮了用戶用電行為的多樣性,彌補(bǔ)了橫向評分的缺陷。當(dāng)用戶實(shí)際用電量偏離預(yù)測用電量一定范圍后,說明存在較大異常用電行為的可能性。因此,結(jié)合橫向評分和縱向評分建立居民用戶用電行為綜合評分。判斷綜合評分是否符合標(biāo)準(zhǔn),若綜合評分過低,則發(fā)出報(bào)警信號通知相關(guān)工作人員。

    2橫向評分機(jī)制

    2.1K-Means算法

    2.1.1K-Means原理

    2.1.2聚類模型評價(jià)

    2.2SVM

    2.2.1SVM原理

    2.2.2分類模型評價(jià)

    2.3橫向評分方法

    首先,利用K-Means算法將所有用戶經(jīng)過歸一化的歷史日負(fù)荷數(shù)據(jù)進(jìn)行聚類,將用戶的用電行為進(jìn)行分類,并對每種用電行為給出聚類標(biāo)簽。其次,將用戶歷史日負(fù)荷數(shù)據(jù)作為輸入,用電行為標(biāo)簽作為輸出,建立基于SVM的分類模型。建立分類模型,可在離線情況下將用戶每天用電行為分類。通過對同一類別用電行為的橫向?qū)Ρ?,給出橫向評分。圖2與圖3分別為用戶行為分類流程圖和用戶橫向評分流程圖。

    通過橫向評分,對每個(gè)類別中用電行為進(jìn)行評分,當(dāng)用戶用電量大于同類別用戶平均用電量時(shí)橫向評分為滿分,隨著用電量逐漸降低,其橫向評分也逐漸降低,提高該用戶異常用電行為的可能性。但是,僅僅是橫向評分不能排除用戶由于用電人數(shù)、用電習(xí)慣等一貫用電量較少的可能性。因此,需要縱向評分對該缺點(diǎn)進(jìn)行彌補(bǔ)。

    3縱向評分機(jī)制

    3.1Embedding模型

    Embedding本質(zhì)是通過學(xué)習(xí)離散數(shù)據(jù)之間的關(guān)系,將One-Hot向量降維。

    本文所采集的影響因素中天氣為離散型數(shù)據(jù)。該類數(shù)據(jù)無法直接將數(shù)值輸入模型,利用Embedding模型可以解決這一問題。

    3.2LSTM模型

    LSTM是一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法,解決了RNN因“梯度彌散”而導(dǎo)致無法長距離傳輸?shù)囊蕾噯栴}[15-18]。

    3.3縱向評分方法

    3.3.1用電量預(yù)測模型

    基于LSTM網(wǎng)絡(luò)的用戶用電量預(yù)測模型包括輸入層、Embedding層、LSTM層、輸出層,如圖5所示。其中,輸入層為多特征滾動窗口形式,考慮單個(gè)用戶縱向24小時(shí)、4種數(shù)據(jù)特征:天氣、溫度、濕度、用電量,故滾動窗口大小為24×4的形式。由于天氣是離散數(shù)據(jù),因此首先經(jīng)過Embedding層后,生成特征向量并與連續(xù)數(shù)據(jù)進(jìn)行特征聯(lián)合,形成LSTM層的輸入向量。LSTM模型的輸出層為第25小時(shí)內(nèi)的用戶用電量。

    3.3.2預(yù)測模型評價(jià)

    3.3.3縱向評分標(biāo)準(zhǔn)

    在當(dāng)日該用戶實(shí)際用電量少于預(yù)測用電量的時(shí)段內(nèi),考慮到用電量預(yù)測模型存在5%的預(yù)測誤差,則若實(shí)際用電量平均值少于預(yù)測用電量平均值的5%以內(nèi),此時(shí)縱向評分為滿分。當(dāng)實(shí)際用電量與預(yù)測用電量的比值越小,則縱向評分越低。通過與自身歷史用電行為對比的方式,彌補(bǔ)了橫向?qū)Ρ葧r(shí)可能存在該用電需求普遍較同類用戶較低的問題。

    4綜合評分

    5算例部分

    本文選取30個(gè)用戶用電數(shù)據(jù),采樣時(shí)間范圍為2014年1月1日至2017年12月31日,采樣間隔為1小時(shí),包含天氣、溫度、星期、電價(jià)等特征,共有1051920條該數(shù)據(jù)。所采用的數(shù)據(jù)均已經(jīng)過預(yù)處理,實(shí)驗(yàn)基于python3.7運(yùn)行環(huán)境。

    5.1橫向評分

    5.1.1分類模型

    首先根據(jù)Elbow Method、Silhouette Coefficient與Calinski-Harabaz Index綜合判定K值,結(jié)果如圖6所示。

    由圖6可見,根據(jù)Elbow Method可知,聚類個(gè)數(shù)在2~3類之間。根據(jù)Silhouette Coefficient盡可能大的原則,選擇聚類個(gè)數(shù)為2類。

    根據(jù)聚類結(jié)果求取每類用電行為的平均曲線,如圖7所示。通過聚類結(jié)果可以看出,兩種用電行為的差異主要體現(xiàn)在14時(shí)~24時(shí)這段時(shí)間內(nèi)。

    聚類分析得到用戶用電行為標(biāo)簽后,將用戶歷史日負(fù)荷數(shù)據(jù)作為輸入,用戶用電行為標(biāo)簽作為輸出,采用SVM建立用戶用電行為分類模型。其中將用戶日負(fù)荷數(shù)據(jù)(共43830條數(shù)據(jù))按9∶1比例劃分為訓(xùn)練集(39447條數(shù)據(jù))和測試集(4383條數(shù)據(jù))。分類模型結(jié)果如圖8所示。分類模型的數(shù)值評價(jià)指標(biāo)如表4所示。

    通過各級評價(jià)指標(biāo)的結(jié)果,可以看出分類模型準(zhǔn)確度高。由此模型對用戶分類可靠性高,所得到的橫向評分也更為可靠。

    5.1.2橫向評分結(jié)果

    當(dāng)每天用戶實(shí)時(shí)日負(fù)荷數(shù)據(jù)被采集后,每個(gè)用戶24個(gè)負(fù)荷點(diǎn)作為分類模型的輸入,得到對應(yīng)的類別輸出。然后將同類用戶進(jìn)行比對,根據(jù)橫向評分標(biāo)準(zhǔn),給出橫向評分。

    本文隨機(jī)選取了30名用戶在測試集上第206天的用戶日負(fù)荷數(shù)據(jù)。分別給出了30名用戶的用電行為類別以及用戶橫向評分。

    第206天用戶用電行為標(biāo)簽如圖9所示。

    由圖9可見,用戶16、17、19、23、24這5位用戶的用電行為為第二類用電行為。其余用戶均為第一類用電行為。30名用戶第206天的橫向評分如表5所示。

    5.2縱向評分

    5.2.1LSTM模型

    利用30個(gè)用戶數(shù)據(jù)(包括天氣、溫度、濕度、用電量)的數(shù)據(jù)進(jìn)行分析。其中,用戶用電量數(shù)據(jù)(共有35064條數(shù)據(jù))按照9∶1劃分為訓(xùn)練集(31558條數(shù)據(jù))和測試集(3506條數(shù)據(jù))。

    首先,建立基于LSTM網(wǎng)絡(luò)的用戶用電量預(yù)測模型,進(jìn)行用戶用電量預(yù)測。其中,天氣為離散數(shù)據(jù),使用Embedding學(xué)習(xí)離散型數(shù)據(jù)后,生成特征向量并與連續(xù)數(shù)據(jù)用電量、溫度、濕度進(jìn)行特征聯(lián)合,形成LSTM輸入向量。LSTM輸出層為第25小時(shí)內(nèi)的用戶用電量。模型的訓(xùn)練結(jié)果如圖10所示。

    利用測試集對該模型進(jìn)行驗(yàn)證并針對用戶用電量預(yù)測模型對比了主要參數(shù)(神經(jīng)元個(gè)數(shù)、訓(xùn)練次數(shù))對預(yù)測精度的影響,如表6所示。

    由表6可以看出,當(dāng)神經(jīng)元個(gè)數(shù)為30個(gè),訓(xùn)練次數(shù)為150次時(shí),預(yù)測模型的最高預(yù)測精度可以達(dá)到95.1%,因此前文中縱向評分的誤差閾值設(shè)為0.05。此外,參數(shù)的變動對于結(jié)果的改變不明顯,說明模型結(jié)構(gòu)穩(wěn)定,且與輸入輸出契合。

    5.2.2縱向評分結(jié)果

    5.3綜合評分

    根據(jù)30名用戶第206天的橫向評分和縱向評分,給出30名用戶第206天的綜合評分。本文選用60為判定標(biāo)準(zhǔn)。當(dāng)用戶評分低于60,則判定該用戶存在竊電嫌疑。

    本文綜合評分的修正系數(shù)α和β分別選取以下3種情況,系數(shù)α=0.1,β=0.9時(shí),綜合評分為Z1;系數(shù)α=0.5,β=0.5時(shí),綜合評分為Z2;系數(shù)α=0.9,β=0.1時(shí),綜合評分為Z3。30名用戶第206天不同修正系數(shù)下綜合評分,如表8所示。

    在第1組修正系數(shù)α=0.1,β=0.9下,用戶11、12、16、22、24這5名用戶的綜合得分明顯偏低,所以存在極大的竊電嫌疑。在第2組修正系數(shù)α=0.5,β=0.5下,用戶11、12、16、22這4名用戶的綜合得分明顯偏低,所以存在極大的竊電嫌疑。用戶3、14、20、22這4名用戶的得分為60,也存在竊電嫌疑。在第3組修正系數(shù)α=0.9,β=0.1下,用戶1、2、3、4、11、12、14、15、16、20、24這11名用戶的綜合得分明顯偏低,所以存在極大的竊電嫌疑。

    α與β分別代表著橫向評分與縱向評分對于綜合評分的重要程度。對比3組系數(shù)下的結(jié)果,當(dāng)橫向修正系數(shù)大時(shí),用戶的綜合評分偏低,此時(shí)被判定為異常用電的用戶比較多。當(dāng)縱向修正系數(shù)較大時(shí),用戶的綜合評分偏高,此時(shí)被判定為異常用電的用戶較少。當(dāng)橫向修正系數(shù)和縱向修正系數(shù)取值適中時(shí),被判定為竊電的用戶是以上兩種情況結(jié)果的交集。

    文[19]指出數(shù)據(jù)驅(qū)動檢測竊電行為無法得到推廣的原因是誤報(bào)率過高,供電企業(yè)的人力資源有限,無法頻繁地進(jìn)行實(shí)地稽查驗(yàn)證。另外,在電力企業(yè)的角度來看,竊電行為的杜絕并不是要將所有存在竊電的用戶全部查處,而是精準(zhǔn)地查處一部分竊電用戶,以實(shí)現(xiàn)對其他竊電用戶的震懾。所以電力企業(yè)追求的是低誤報(bào)率。

    綜合考慮低誤報(bào)率和竊電檢測準(zhǔn)確率的要求,在沒有竊電的先驗(yàn)信息的條件下,選用參數(shù)為α=0.5、β=0.5較為合適。在有歷史竊電數(shù)據(jù)的情況下,工作人員可以根據(jù)歷史信息對α、β進(jìn)行回歸擬合。即以是否存在竊電為標(biāo)簽,以歷史數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)建立邏輯回歸模型對橫向評分系數(shù)和縱向評分系數(shù)進(jìn)行擬合,得到適用于實(shí)際情況的修正系數(shù)。

    6結(jié)論

    本文利用區(qū)域內(nèi)居民用戶的實(shí)時(shí)動態(tài)數(shù)據(jù)(天氣、溫度、濕度、用電量)分別從橫向、縱向兩個(gè)對比層面對區(qū)域范圍內(nèi)用戶的用能行為進(jìn)行定量綜合評分進(jìn)行異常用電識別。

    1)從橫向(與周邊具有相似用電行為的居民)作比較,本文建立K-Means-SVM分類模型,給出橫向評分。

    2)從縱向(與自身的日常用電行為)作比較,本文建立LSTM網(wǎng)絡(luò)用戶用電量預(yù)測模型,給出縱向評分。

    3)在兩個(gè)對比層面對區(qū)域范圍內(nèi)用戶的用電行為進(jìn)行綜合評分。最后分析了綜合評分修正系數(shù)對綜合評分的影響。并給出了橫向評分系數(shù)和縱向評分系數(shù)的確定方法,即在沒有竊電的先驗(yàn)信息的條件下,選用參數(shù)為α=0.5、β=0.5較為合適。在有歷史竊電數(shù)據(jù)的情況下,工作人員可以根據(jù)歷史信息對α、β進(jìn)行回歸擬合,得到適用于實(shí)際情況的修正系數(shù)。

    相較于傳統(tǒng)的基于聚類、分類方式的用戶用電行為異常識別,本文所提出的竊電識別方法綜合考慮了影響用戶用電行為的因素和用戶用電行為的多樣性,可以更加有效地對竊電行為進(jìn)行識別。

    參 考 文 獻(xiàn):

    [1]張承智, 肖先勇, 鄭子萱. 基于實(shí)值深度置信網(wǎng)絡(luò)的用戶側(cè)竊電行為檢測[J]. 電網(wǎng)技術(shù), 2019, 43(03): 1083.Zhang Chengzhi, Xiao Xianyong, Zheng Zixuan. Electricity Theft Detection for Customers in Power Utility Based on Real-valued Deep Belief Network[J]. Power System Technology, 2019, 43(3): 1083.

    [2]熊秋. 居民用電異常識別系統(tǒng)的研究實(shí)現(xiàn)[D].北京:北京郵電大學(xué),2018.

    [3]劉杰,侯躍斌,劉念.針對非技術(shù)性損失的智能用電異常檢測方法[J].華東電力,2014,42(4):650.LIU Jie, HOU Yuebin, LIU Nian. Analysis System of Abnormal Behavior of Electricity Consumption Based on Big Data and Machine Learning[J]. East China Electric Power, 2014,42(4):650.

    [4]楊錚宇.基于大數(shù)據(jù)和機(jī)器學(xué)習(xí)的用電異常行為分析系統(tǒng)[J/OL].電測與儀表:1[2021-01-05]. http://kns.cnki.net/kcms/detail/23.1202.TH.20200827.1730.042.html.YANG Zhengyu. Analysis System of Abnormal Behavior of Electricity Consumption Based on Big Data and Machine Learning[J/OL]. Electrical Measurement and Instrumentation,:1[2021-01-05]. http://kns.cnki.net/kcms/detail/23.1202.TH.20200827.1730.042.html.

    [5]周興,高明濤,李維奇.一種具有防竊電功能的電力計(jì)量柜[J].農(nóng)村電氣化,2020(3):68.ZHOU Xing, GAO Mingtao, LI Weiqi. A Power Metering Cabinet with Anti Stealing Function[J]. Rural Electrification, 2020(3):68.

    [6]NAGI J, YAP K S, TIONG S K, et al. Detection of Abnormalities and Electricity Theft Using Genetic Support Vector Machines[C]// TENCON 2008-2008 IEEE Region 10 Conference, Hyderabad, 2008:1.

    [7]NAGI J, YAP K S, TIONG S K, et al. Nontechnical Loss Detection for Metered Customers in Power Utility Using Support Vector Machines[J]. in IEEE Transactions on Power Delivery, 25(2):1162.

    [8]MONEDERO I,BISCARRI F,LEN C,et al.Detection of Frauds and Other Non-technical Losses in a Power Utility Using Pearson Coefficient,Bayesian Networks and Decision Trees[J] .International Journal of Electrical Power & Energy Systems,2012,34(1):90.

    [9]ANGELOS EWS,SAAVEDRA OR,CORTS OAC,et al.Detection and Identification of Abnormalities in Customer Consumptions in Power Distribution Systems[J].IEEE Transactions on Power Delivery,2011,26(4):2436.

    [10]莊池杰,張斌,胡軍,等.基于無監(jiān)督學(xué)習(xí)的電力用戶異常用電模式檢測[J].中國電機(jī)工程學(xué)報(bào),2016,36(2):379.ZHUANG Chijie, ZHANG Bin, HU Jun, et al. Anomaly Detection for Power Consumption Patterns Based on Unsupervised Learning[J]. Proceeding of the CSEE, 2016, 36(2): 379.

    [11]姚奇峰,楊連賀.數(shù)據(jù)挖掘經(jīng)典分類聚類算法的研究綜述[J].現(xiàn)代信息科技,2019,3(24):86.YAO Qifeng, YANG Lianhe. Research on Classical Classification and Clustering Algorithms in Data Mining[J]. Modern Information Technology, 2019,3(24):86.

    [12]龍文佳,張曉峰,張鏈.基于k-means和肘部法則的業(yè)務(wù)流程聚類方法[J].江漢大學(xué)學(xué)報(bào)(自然科學(xué)版),2020,48(1):81.LONG Wenjia, ZHANG Xiaofeng, ZHANG Lian. Business Process Clustering Method Based on k-means and Elbow Method[J]. Journal of Jianghan University (Natural Science Edition) ,2020,48(1):81.

    [13]尹世莊,王韜,謝方方,等.基于互信息和輪廓系數(shù)的聚類結(jié)果評估方法[J].兵器裝備工程學(xué)報(bào),2020,41(8):207.YIN Shizhuang, WANG Tao, XIE Fangfang, et al. Protocol Clustering Evaluation Method Based on Mutual Information and Contour Coefficient[J]. Journal of Ordnance Equipment Engineering, 2020,41(8):207.

    [14]司守奎,孫兆亮. 數(shù)學(xué)建模算法與應(yīng)用[M]. 北京:國防工業(yè)出版社, 2015.

    [15]BENGIO Y, SIMARD P, FRASCONI P. Learning Long-term Dependencies with Gradient Descent is Difficult[J]. inIEEE Transactions on Neural Networks, 5(2):157.

    [16]彭文, 王金睿, 尹山青. 電力市場中基于Attention-LSTM的短期負(fù)荷預(yù)測模型[J].電網(wǎng)技術(shù),2019,43(5):1745.PENG Wen, WANG Jingrui, YIN Qingshan. Short-term Load Forecasting Model Based on Attention-LSTM in Electricity Market[J]. Power System Technology,2019,43(5):1745.

    [17]陸繼翔, 張琪培, 楊志宏. 基于CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)模型的短期負(fù)荷預(yù)測方法[J]. 電力系統(tǒng)自動化, 2019, 43(8): 191.LU Jixiang, ZHANG Qipei, YANG Zhihong. Short-term Load Forecasting Method Based on CNN-LSTM Hybrid Neural Network Model[J]. Automation of Electric Power Systems, 2019, 43(8): 191.

    [18]郭傅傲,劉大明,張振中,等.基于特征相關(guān)分析修正的GPSO-LSTM短期負(fù)荷預(yù)測[J].電測與儀表,58(6):39.GUO Fuao, LIU Daming, ZHANG Zhengzhong, et al. GPSO-LSTM Short-term Load Forecasting Based on Feature Correlation Analysis and Correction[J]. Electrical Measurement and Instrumentation,58(6):39.

    [19]金晟,蘇盛,薛陽,楊藝寧,劉廈,曹一家.數(shù)據(jù)驅(qū)動竊電檢測方法綜述與低誤報(bào)率研究展望[J].電力系統(tǒng)自動化,2022,46(1):3.JIN Sheng, SU Sheng, XUE Yang, et al. Summary of Data-driven Power Theft Detection Methods and Research Prospect of Low False Alarm Rate[J]. Automation of Electric Power Systems,2022,46(1):3.

    (編輯:溫澤宇)

    猜你喜歡
    長短期記憶網(wǎng)絡(luò)支持向量機(jī)
    從餐館評論中提取方面術(shù)語
    多種算法對不同中文文本分類效果比較研究
    LSTM—RBM—NMS模型下的視頻人臉檢測方法研究
    餐飲業(yè)客流預(yù)測的深度聯(lián)合模型
    商情(2018年47期)2018-11-26 09:12:38
    基于LSTM的媒體網(wǎng)站用戶流量預(yù)測與負(fù)載均衡方法
    基于LSTM自動編碼機(jī)的短文本聚類方法
    基于改進(jìn)支持向量機(jī)的船舶縱搖預(yù)報(bào)模型
    基于SVM的煙草銷售量預(yù)測
    動態(tài)場景中的視覺目標(biāo)識別方法分析
    論提高裝備故障預(yù)測準(zhǔn)確度的方法途徑
    日本与韩国留学比较| 少妇人妻一区二区三区视频| 国产欧美日韩精品亚洲av| 两个人视频免费观看高清| 精品国产乱码久久久久久男人| 亚洲激情在线av| 精品久久久久久久人妻蜜臀av| 欧美黑人巨大hd| 欧美zozozo另类| 欧美在线一区亚洲| 夜夜爽天天搞| 国产精品av久久久久免费| 免费av毛片视频| 丁香欧美五月| 亚洲一区二区三区色噜噜| 亚洲专区国产一区二区| 亚洲av中文字字幕乱码综合| 亚洲人成伊人成综合网2020| 好男人在线观看高清免费视频| 亚洲性夜色夜夜综合| 久久久国产精品麻豆| 欧美一区二区国产精品久久精品| 母亲3免费完整高清在线观看| 性欧美人与动物交配| 亚洲在线自拍视频| 九九在线视频观看精品| 久久这里只有精品中国| 久久天躁狠狠躁夜夜2o2o| 久久精品国产99精品国产亚洲性色| 国产亚洲精品综合一区在线观看| av中文乱码字幕在线| 国产精品日韩av在线免费观看| 香蕉国产在线看| 观看免费一级毛片| 99视频精品全部免费 在线 | 国产精品av视频在线免费观看| 国产精品爽爽va在线观看网站| 欧美黑人巨大hd| 美女扒开内裤让男人捅视频| 免费av不卡在线播放| av欧美777| 国产成人精品久久二区二区91| 欧美黄色淫秽网站| 岛国在线观看网站| 亚洲片人在线观看| 男人的好看免费观看在线视频| 亚洲天堂国产精品一区在线| 12—13女人毛片做爰片一| 十八禁网站免费在线| 国产亚洲精品久久久com| 国产aⅴ精品一区二区三区波| 午夜两性在线视频| 99在线人妻在线中文字幕| 久久性视频一级片| 中文字幕高清在线视频| 无遮挡黄片免费观看| 欧美黑人欧美精品刺激| tocl精华| 午夜精品一区二区三区免费看| 亚洲精品一卡2卡三卡4卡5卡| 美女午夜性视频免费| 搡老妇女老女人老熟妇| 国产精品 欧美亚洲| www日本在线高清视频| 一级a爱片免费观看的视频| 偷拍熟女少妇极品色| 两人在一起打扑克的视频| 久久久久免费精品人妻一区二区| 男人舔女人下体高潮全视频| 母亲3免费完整高清在线观看| 美女扒开内裤让男人捅视频| 欧美三级亚洲精品| 床上黄色一级片| 国产真实乱freesex| 啦啦啦韩国在线观看视频| 1000部很黄的大片| 叶爱在线成人免费视频播放| 精品午夜福利视频在线观看一区| 国产精品国产高清国产av| 国产一区二区在线观看日韩 | 午夜福利在线观看吧| 国产精品久久电影中文字幕| 中文亚洲av片在线观看爽| 1024香蕉在线观看| 国产成人影院久久av| 成人国产综合亚洲| 91九色精品人成在线观看| 亚洲精品一区av在线观看| 国产精品av久久久久免费| 成年免费大片在线观看| 国内精品一区二区在线观看| 久久久成人免费电影| 性色avwww在线观看| 黑人欧美特级aaaaaa片| 久久久久亚洲av毛片大全| 天天添夜夜摸| 欧美极品一区二区三区四区| 精品一区二区三区视频在线观看免费| 久久精品综合一区二区三区| 亚洲第一欧美日韩一区二区三区| 午夜两性在线视频| 中文字幕熟女人妻在线| 成人三级做爰电影| 精品不卡国产一区二区三区| 久久久久久久午夜电影| 97超级碰碰碰精品色视频在线观看| 成人永久免费在线观看视频| 丰满的人妻完整版| 在线观看免费午夜福利视频| 两性午夜刺激爽爽歪歪视频在线观看| 宅男免费午夜| 久久这里只有精品19| 好看av亚洲va欧美ⅴa在| 国产精品久久久av美女十八| 色播亚洲综合网| 国产综合懂色| 1000部很黄的大片| 亚洲欧美一区二区三区黑人| 欧美国产日韩亚洲一区| 亚洲午夜精品一区,二区,三区| 午夜福利高清视频| 亚洲成av人片在线播放无| xxxwww97欧美| 真实男女啪啪啪动态图| 99久久99久久久精品蜜桃| 日韩国内少妇激情av| 亚洲专区字幕在线| 一个人看视频在线观看www免费 | 高潮久久久久久久久久久不卡| www.熟女人妻精品国产| 怎么达到女性高潮| 久久精品亚洲精品国产色婷小说| 看片在线看免费视频| 亚洲中文日韩欧美视频| 国产一级毛片七仙女欲春2| 国产一区二区在线av高清观看| 精品一区二区三区四区五区乱码| 亚洲精品一卡2卡三卡4卡5卡| 中文字幕人妻丝袜一区二区| 中出人妻视频一区二区| 12—13女人毛片做爰片一| 听说在线观看完整版免费高清| 亚洲第一欧美日韩一区二区三区| 免费在线观看影片大全网站| 欧美成人性av电影在线观看| 久久人妻av系列| 午夜视频精品福利| av视频在线观看入口| 日韩欧美国产在线观看| 国产男靠女视频免费网站| 欧美在线一区亚洲| 成人精品一区二区免费| 国产蜜桃级精品一区二区三区| 99在线视频只有这里精品首页| 久久久久免费精品人妻一区二区| 国产精品久久久久久精品电影| 在线观看日韩欧美| 亚洲av五月六月丁香网| 久久久久久久午夜电影| 高清在线国产一区| 亚洲精品一区av在线观看| 男女视频在线观看网站免费| 亚洲av中文字字幕乱码综合| 一a级毛片在线观看| 男人的好看免费观看在线视频| 少妇的逼水好多| 欧美在线黄色| 精品一区二区三区视频在线 | 日韩欧美精品v在线| 亚洲精华国产精华精| 淫妇啪啪啪对白视频| 波多野结衣高清无吗| 黄频高清免费视频| 中文字幕最新亚洲高清| 少妇人妻一区二区三区视频| 午夜精品久久久久久毛片777| 国产1区2区3区精品| 成人三级黄色视频| 亚洲欧美日韩高清专用| 搡老熟女国产l中国老女人| 亚洲美女视频黄频| 日韩有码中文字幕| 麻豆成人av在线观看| 国产午夜精品久久久久久| 欧美丝袜亚洲另类 | 男人的好看免费观看在线视频| 亚洲av片天天在线观看| 在线视频色国产色| 在线观看免费午夜福利视频| 国产精品亚洲一级av第二区| 搡老妇女老女人老熟妇| 波多野结衣巨乳人妻| av欧美777| 成人性生交大片免费视频hd| 小说图片视频综合网站| 国产精品自产拍在线观看55亚洲| 天堂网av新在线| 亚洲精品在线观看二区| tocl精华| 三级男女做爰猛烈吃奶摸视频| 国产精品日韩av在线免费观看| 蜜桃久久精品国产亚洲av| 人妻夜夜爽99麻豆av| 日韩欧美免费精品| 脱女人内裤的视频| 色吧在线观看| 中文字幕精品亚洲无线码一区| 亚洲午夜精品一区,二区,三区| 亚洲精品粉嫩美女一区| 高清在线国产一区| av国产免费在线观看| 一本一本综合久久| 搞女人的毛片| 欧美性猛交黑人性爽| 国产久久久一区二区三区| 18禁观看日本| 欧美黑人巨大hd| 中文字幕高清在线视频| 波多野结衣高清作品| 国产v大片淫在线免费观看| 国产一区二区三区视频了| 精品免费久久久久久久清纯| 一级毛片精品| 精品乱码久久久久久99久播| 精品久久久久久成人av| 日本免费一区二区三区高清不卡| 日韩高清综合在线| 岛国在线观看网站| 免费大片18禁| 免费观看精品视频网站| 亚洲美女视频黄频| 久久久国产成人精品二区| 欧美日韩黄片免| 欧美成人性av电影在线观看| 欧美日韩国产亚洲二区| 亚洲av免费在线观看| 久久久国产成人精品二区| 老汉色∧v一级毛片| 欧美激情在线99| 波多野结衣巨乳人妻| 91麻豆精品激情在线观看国产| 最新在线观看一区二区三区| 国产爱豆传媒在线观看| 禁无遮挡网站| 老司机在亚洲福利影院| 国产黄色小视频在线观看| 观看免费一级毛片| 在线永久观看黄色视频| 色综合欧美亚洲国产小说| 精品国产超薄肉色丝袜足j| 日韩欧美免费精品| 久久久久久久久中文| 亚洲,欧美精品.| 精品日产1卡2卡| 欧美一区二区精品小视频在线| 国产精品 国内视频| 91九色精品人成在线观看| 国产精品一区二区三区四区久久| 精品久久久久久久久久久久久| 日本与韩国留学比较| 欧美色视频一区免费| 一个人看视频在线观看www免费 | 亚洲av成人不卡在线观看播放网| 中文字幕人成人乱码亚洲影| 免费看美女性在线毛片视频| 欧美3d第一页| 国产av麻豆久久久久久久| 亚洲中文字幕日韩| 日本 av在线| 麻豆av在线久日| 亚洲在线观看片| 女人高潮潮喷娇喘18禁视频| 女生性感内裤真人,穿戴方法视频| 变态另类丝袜制服| 久久久色成人| 国产午夜精品论理片| 99国产极品粉嫩在线观看| 老鸭窝网址在线观看| 精品一区二区三区av网在线观看| 国产一级毛片七仙女欲春2| 国产精品九九99| 亚洲人成伊人成综合网2020| 国产伦一二天堂av在线观看| avwww免费| 十八禁人妻一区二区| 国产综合懂色| 中文字幕av在线有码专区| 色老头精品视频在线观看| 在线观看免费视频日本深夜| 女人高潮潮喷娇喘18禁视频| 噜噜噜噜噜久久久久久91| 97超级碰碰碰精品色视频在线观看| 少妇熟女aⅴ在线视频| 欧美av亚洲av综合av国产av| 亚洲av熟女| 99久国产av精品| 免费无遮挡裸体视频| 日韩欧美精品v在线| 亚洲av熟女| 九色国产91popny在线| 1000部很黄的大片| 香蕉国产在线看| 一级黄色大片毛片| 免费看十八禁软件| 婷婷精品国产亚洲av| 一个人免费在线观看电影 | 女生性感内裤真人,穿戴方法视频| 国产高清三级在线| 亚洲av免费在线观看| 99久久成人亚洲精品观看| av国产免费在线观看| e午夜精品久久久久久久| 好男人电影高清在线观看| a在线观看视频网站| 精品福利观看| 亚洲国产欧美一区二区综合| 亚洲av五月六月丁香网| 天天躁日日操中文字幕| 免费av不卡在线播放| 亚洲aⅴ乱码一区二区在线播放| 国产熟女xx| 露出奶头的视频| 窝窝影院91人妻| 亚洲精品色激情综合| 一本精品99久久精品77| 1024香蕉在线观看| 精品久久久久久成人av| 97人妻精品一区二区三区麻豆| 好男人在线观看高清免费视频| 免费无遮挡裸体视频| 成人午夜高清在线视频| 国产毛片a区久久久久| 性色av乱码一区二区三区2| 亚洲国产欧美网| 精品乱码久久久久久99久播| 欧美中文日本在线观看视频| 国产精品国产高清国产av| 亚洲av美国av| 精品日产1卡2卡| 亚洲专区中文字幕在线| 国产精品自产拍在线观看55亚洲| 天堂影院成人在线观看| 亚洲真实伦在线观看| 麻豆av在线久日| 久久精品国产综合久久久| 色综合亚洲欧美另类图片| 麻豆国产av国片精品| 欧美乱色亚洲激情| 日韩欧美三级三区| 狂野欧美白嫩少妇大欣赏| 国产午夜精品论理片| av中文乱码字幕在线| 俺也久久电影网| 夜夜躁狠狠躁天天躁| 日韩精品青青久久久久久| 久久久国产精品麻豆| 亚洲精品456在线播放app | 亚洲专区中文字幕在线| 国产午夜精品久久久久久| 在线看三级毛片| av福利片在线观看| 中文字幕人妻丝袜一区二区| 免费搜索国产男女视频| 国产精品美女特级片免费视频播放器 | 精品一区二区三区四区五区乱码| 激情在线观看视频在线高清| 2021天堂中文幕一二区在线观| 极品教师在线免费播放| 成年女人毛片免费观看观看9| 成人永久免费在线观看视频| 精品国产美女av久久久久小说| 天天躁日日操中文字幕| 小蜜桃在线观看免费完整版高清| 五月玫瑰六月丁香| 啦啦啦韩国在线观看视频| 哪里可以看免费的av片| 午夜日韩欧美国产| 观看美女的网站| 99国产精品一区二区三区| 91在线精品国自产拍蜜月 | 亚洲国产看品久久| 午夜成年电影在线免费观看| 在线永久观看黄色视频| 精品久久久久久久久久久久久| 久久这里只有精品中国| 国产成人欧美在线观看| 午夜福利欧美成人| 国产精品永久免费网站| 亚洲av免费在线观看| 国产成人av激情在线播放| 长腿黑丝高跟| 中文字幕av在线有码专区| 嫩草影院精品99| 好看av亚洲va欧美ⅴa在| 国产精品女同一区二区软件 | 国产成人影院久久av| 欧美三级亚洲精品| 亚洲成人久久爱视频| 嫩草影视91久久| 日本撒尿小便嘘嘘汇集6| 亚洲成人精品中文字幕电影| 精品日产1卡2卡| 久久这里只有精品中国| 国产在线精品亚洲第一网站| 国产精品九九99| 亚洲av成人一区二区三| 亚洲七黄色美女视频| 成人国产综合亚洲| a在线观看视频网站| 欧美日韩黄片免| 欧美日韩一级在线毛片| 国产野战对白在线观看| 欧美另类亚洲清纯唯美| 精品乱码久久久久久99久播| 欧美大码av| 国内揄拍国产精品人妻在线| 一本久久中文字幕| 午夜福利在线观看吧| 美女被艹到高潮喷水动态| 男女做爰动态图高潮gif福利片| 成人性生交大片免费视频hd| 少妇熟女aⅴ在线视频| 国产91精品成人一区二区三区| 久久九九热精品免费| 欧美乱码精品一区二区三区| 日韩 欧美 亚洲 中文字幕| 青草久久国产| 国产精品野战在线观看| 国产三级在线视频| 免费搜索国产男女视频| 国产探花在线观看一区二区| 热99在线观看视频| 午夜激情欧美在线| h日本视频在线播放| 久久中文看片网| 色综合欧美亚洲国产小说| 999久久久精品免费观看国产| 午夜免费激情av| 我的老师免费观看完整版| tocl精华| 日本与韩国留学比较| 熟女少妇亚洲综合色aaa.| 国产精品久久久久久精品电影| 亚洲欧美日韩高清在线视频| 黄色视频,在线免费观看| 亚洲va日本ⅴa欧美va伊人久久| 免费搜索国产男女视频| 999精品在线视频| 精品熟女少妇八av免费久了| 又粗又爽又猛毛片免费看| e午夜精品久久久久久久| 男人舔女人下体高潮全视频| 淫妇啪啪啪对白视频| 国产午夜精品久久久久久| 国产伦在线观看视频一区| 亚洲国产欧美一区二区综合| 12—13女人毛片做爰片一| 非洲黑人性xxxx精品又粗又长| 18禁黄网站禁片免费观看直播| 级片在线观看| 久久久国产精品麻豆| 亚洲欧美日韩东京热| 久久天躁狠狠躁夜夜2o2o| av在线蜜桃| 桃色一区二区三区在线观看| av欧美777| 午夜精品一区二区三区免费看| 久久久精品欧美日韩精品| 成人国产综合亚洲| 亚洲欧美日韩高清专用| 日韩成人在线观看一区二区三区| 国产高清videossex| 亚洲熟妇熟女久久| 亚洲va日本ⅴa欧美va伊人久久| 丝袜人妻中文字幕| 97碰自拍视频| 亚洲国产精品久久男人天堂| 国产午夜精品久久久久久| 熟妇人妻久久中文字幕3abv| 日韩高清综合在线| 男人舔奶头视频| 欧美另类亚洲清纯唯美| 天堂√8在线中文| 亚洲无线观看免费| 又大又爽又粗| 99国产极品粉嫩在线观看| 国产精品久久电影中文字幕| 国产黄a三级三级三级人| 国产熟女xx| 欧美成人一区二区免费高清观看 | 国产午夜福利久久久久久| 国产成人一区二区三区免费视频网站| 丁香欧美五月| 亚洲avbb在线观看| 国内揄拍国产精品人妻在线| 精品99又大又爽又粗少妇毛片 | 亚洲成人免费电影在线观看| 免费人成视频x8x8入口观看| 99热这里只有精品一区 | 性色avwww在线观看| h日本视频在线播放| 欧美黑人巨大hd| 成人高潮视频无遮挡免费网站| av视频在线观看入口| 国产精品99久久99久久久不卡| 日韩高清综合在线| 一区二区三区激情视频| 给我免费播放毛片高清在线观看| 成人特级黄色片久久久久久久| 嫩草影院入口| 三级男女做爰猛烈吃奶摸视频| 18美女黄网站色大片免费观看| 日韩国内少妇激情av| 在线观看美女被高潮喷水网站 | 国产精品1区2区在线观看.| 久久精品综合一区二区三区| 小蜜桃在线观看免费完整版高清| 亚洲无线在线观看| 亚洲中文日韩欧美视频| 舔av片在线| 国产成+人综合+亚洲专区| 国产黄色小视频在线观看| 757午夜福利合集在线观看| 搡老妇女老女人老熟妇| 岛国在线观看网站| 免费人成视频x8x8入口观看| 成人特级黄色片久久久久久久| 97超级碰碰碰精品色视频在线观看| 国产欧美日韩一区二区三| 99久久99久久久精品蜜桃| 麻豆av在线久日| 人人妻,人人澡人人爽秒播| 精品久久久久久久久久久久久| a级毛片a级免费在线| 一二三四在线观看免费中文在| bbb黄色大片| 99久久精品热视频| 在线国产一区二区在线| 日本 欧美在线| 男人舔奶头视频| 国产高清videossex| 亚洲性夜色夜夜综合| 久久香蕉精品热| 欧美丝袜亚洲另类 | 搡老熟女国产l中国老女人| 一本久久中文字幕| 天天躁狠狠躁夜夜躁狠狠躁| 人妻丰满熟妇av一区二区三区| 少妇裸体淫交视频免费看高清| 动漫黄色视频在线观看| 99久久综合精品五月天人人| 亚洲精品美女久久av网站| 国产精品乱码一区二三区的特点| 一级作爱视频免费观看| 午夜福利欧美成人| 一级毛片高清免费大全| 欧美xxxx黑人xx丫x性爽| 国产男靠女视频免费网站| 两个人看的免费小视频| 欧美日韩乱码在线| 不卡一级毛片| 99热这里只有精品一区 | 精品国产乱子伦一区二区三区| 岛国在线免费视频观看| 91字幕亚洲| 亚洲精品乱码久久久v下载方式 | 99久久精品国产亚洲精品| 99热只有精品国产| 成人高潮视频无遮挡免费网站| 欧美日韩福利视频一区二区| 日韩欧美一区二区三区在线观看| 香蕉久久夜色| 精品一区二区三区视频在线 | www.www免费av| 午夜福利18| 国产探花在线观看一区二区| 欧美黑人巨大hd| av中文乱码字幕在线| 国产成人av激情在线播放| 国产成人精品久久二区二区91| 欧美+亚洲+日韩+国产| 欧美大码av| 亚洲欧美一区二区三区黑人| 国产精品综合久久久久久久免费| www.熟女人妻精品国产| 制服丝袜大香蕉在线| 久久久久久人人人人人| 99久久成人亚洲精品观看| 制服丝袜大香蕉在线| 亚洲成a人片在线一区二区| 国产高清视频在线观看网站| 国产精品一区二区三区四区免费观看 | 中文字幕精品亚洲无线码一区| 丰满人妻一区二区三区视频av | 人妻丰满熟妇av一区二区三区| 亚洲狠狠婷婷综合久久图片| 欧美zozozo另类| 国产乱人伦免费视频| 成人无遮挡网站| 999精品在线视频| 欧美色欧美亚洲另类二区| 精华霜和精华液先用哪个| 校园春色视频在线观看| 深夜精品福利| 国产成人精品久久二区二区免费| 18禁美女被吸乳视频| av福利片在线观看| av女优亚洲男人天堂 | 性色avwww在线观看| 亚洲专区中文字幕在线| 99久国产av精品| 欧美黑人欧美精品刺激| 91九色精品人成在线观看| 亚洲精华国产精华精| ponron亚洲|