• <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
    日本黄色日本黄色录像| 国产97色在线日韩免费| 欧美久久黑人一区二区| 麻豆乱淫一区二区| 欧美黄色片欧美黄色片| 亚洲人成电影观看| 一级片'在线观看视频| 精品久久久精品久久久| 少妇精品久久久久久久| 天堂中文最新版在线下载| 91国产中文字幕| 一边亲一边摸免费视频| 中国国产av一级| 亚洲婷婷狠狠爱综合网| 国产精品熟女久久久久浪| 国产精品久久久久久精品古装| 国产午夜精品一二区理论片| 亚洲精品久久久久久婷婷小说| 色综合欧美亚洲国产小说| 一级毛片我不卡| 成年av动漫网址| 国产一区二区三区综合在线观看| 久久精品久久久久久噜噜老黄| 9色porny在线观看| 久久精品国产综合久久久| 精品久久久精品久久久| 亚洲成人国产一区在线观看 | 美国免费a级毛片| 日本欧美国产在线视频| 亚洲精品在线美女| 中文字幕精品免费在线观看视频| 18禁观看日本| 80岁老熟妇乱子伦牲交| 色网站视频免费| 亚洲色图 男人天堂 中文字幕| 又大又黄又爽视频免费| 国产精品人妻久久久影院| 免费av中文字幕在线| 亚洲,一卡二卡三卡| 不卡av一区二区三区| 久久久精品区二区三区| 亚洲伊人色综图| 精品一品国产午夜福利视频| 久久鲁丝午夜福利片| 男女之事视频高清在线观看 | 欧美xxⅹ黑人| 成人手机av| 国产97色在线日韩免费| 中国国产av一级| 日韩,欧美,国产一区二区三区| 国产毛片在线视频| 深夜精品福利| 天堂中文最新版在线下载| 如日韩欧美国产精品一区二区三区| 国产一区二区在线观看av| 一级片'在线观看视频| 久久韩国三级中文字幕| 在现免费观看毛片| 婷婷成人精品国产| 丝瓜视频免费看黄片| 日韩欧美一区视频在线观看| 青春草视频在线免费观看| 极品少妇高潮喷水抽搐| 久久精品熟女亚洲av麻豆精品| 久久天堂一区二区三区四区| 中文字幕人妻丝袜一区二区 | 亚洲精品av麻豆狂野| 老司机深夜福利视频在线观看 | 亚洲伊人久久精品综合| 欧美日韩亚洲国产一区二区在线观看 | 青春草国产在线视频| 国产一卡二卡三卡精品 | 中国国产av一级| 一二三四中文在线观看免费高清| 婷婷色综合www| 精品久久久精品久久久| 亚洲欧美激情在线| 波多野结衣av一区二区av| 九草在线视频观看| 最近中文字幕2019免费版| 性高湖久久久久久久久免费观看| 在线天堂最新版资源| 在线看a的网站| 国产精品偷伦视频观看了| 精品国产乱码久久久久久小说| 日韩伦理黄色片| 一边亲一边摸免费视频| 国产99久久九九免费精品| 大片免费播放器 马上看| 午夜激情av网站| 亚洲专区中文字幕在线 | www.熟女人妻精品国产| 97精品久久久久久久久久精品| 蜜桃在线观看..| 十八禁人妻一区二区| 中文字幕最新亚洲高清| 久久久精品区二区三区| 亚洲国产日韩一区二区| 亚洲国产欧美在线一区| 建设人人有责人人尽责人人享有的| 国产一卡二卡三卡精品 | 一级黄片播放器| 午夜福利,免费看| 最黄视频免费看| av卡一久久| av在线app专区| 亚洲国产精品一区二区三区在线| 亚洲情色 制服丝袜| 亚洲成人一二三区av| 国产在线免费精品| 在线观看三级黄色| 韩国av在线不卡| 精品少妇黑人巨大在线播放| av片东京热男人的天堂| 欧美日韩av久久| kizo精华| 亚洲熟女精品中文字幕| 欧美 亚洲 国产 日韩一| 国产色婷婷99| 国产 一区精品| 少妇猛男粗大的猛烈进出视频| 女人高潮潮喷娇喘18禁视频| 日韩av在线免费看完整版不卡| 丰满迷人的少妇在线观看| 一级黄片播放器| 国产野战对白在线观看| 人妻一区二区av| 人体艺术视频欧美日本| 欧美日韩综合久久久久久| 国产精品久久久久久人妻精品电影 | 国产日韩欧美视频二区| 人人妻人人澡人人爽人人夜夜| 成人国语在线视频| 亚洲欧美激情在线| 一级毛片黄色毛片免费观看视频| 亚洲情色 制服丝袜| 免费黄网站久久成人精品| 国产av码专区亚洲av| 午夜久久久在线观看| 麻豆乱淫一区二区| 丝袜美腿诱惑在线| 成人漫画全彩无遮挡| 国产欧美日韩一区二区三区在线| 免费观看人在逋| 欧美中文综合在线视频| 国产成人欧美| 交换朋友夫妻互换小说| 啦啦啦视频在线资源免费观看| 97在线人人人人妻| 两性夫妻黄色片| 丝袜美足系列| 欧美黄色片欧美黄色片| 精品久久久久久电影网| 丰满饥渴人妻一区二区三| 亚洲成色77777| 中文精品一卡2卡3卡4更新| 精品少妇一区二区三区视频日本电影 | 如日韩欧美国产精品一区二区三区| 亚洲国产欧美网| 欧美在线黄色| 操出白浆在线播放| 狂野欧美激情性bbbbbb| 色网站视频免费| 欧美国产精品一级二级三级| 亚洲国产精品国产精品| 交换朋友夫妻互换小说| 色播在线永久视频| 欧美精品av麻豆av| 婷婷色av中文字幕| 亚洲精品aⅴ在线观看| 久久人人爽av亚洲精品天堂| 亚洲第一av免费看| 99精品久久久久人妻精品| 婷婷色综合www| 亚洲精华国产精华液的使用体验| 七月丁香在线播放| 热re99久久精品国产66热6| 黑丝袜美女国产一区| 国产男女内射视频| 欧美亚洲日本最大视频资源| 久久99一区二区三区| 精品一区在线观看国产| 久久人人97超碰香蕉20202| 黄频高清免费视频| 亚洲av电影在线观看一区二区三区| 亚洲av在线观看美女高潮| 亚洲av欧美aⅴ国产| 亚洲 欧美一区二区三区| 亚洲第一av免费看| 亚洲美女视频黄频| 韩国高清视频一区二区三区| 午夜福利网站1000一区二区三区| 天美传媒精品一区二区| 亚洲精品久久成人aⅴ小说| 超色免费av| 午夜福利视频精品| 亚洲第一青青草原| 色综合欧美亚洲国产小说| 国产成人欧美| 亚洲精品日韩在线中文字幕| av国产精品久久久久影院| 久久国产精品男人的天堂亚洲| 免费人妻精品一区二区三区视频| a级毛片黄视频| 国产成人精品福利久久| 免费av中文字幕在线| 嫩草影视91久久| 亚洲激情五月婷婷啪啪| netflix在线观看网站| 两个人免费观看高清视频| 日本午夜av视频| 欧美国产精品va在线观看不卡| 亚洲成av片中文字幕在线观看| 色吧在线观看| 亚洲精品国产av蜜桃| 久久99一区二区三区| av国产精品久久久久影院| 日韩精品免费视频一区二区三区| 操出白浆在线播放| 亚洲精品在线美女| 日韩av在线免费看完整版不卡| 色播在线永久视频| 捣出白浆h1v1| 中国国产av一级| 久久久国产欧美日韩av| 人人妻人人澡人人看| 日韩 亚洲 欧美在线| 亚洲av电影在线进入| 在线观看国产h片| 欧美av亚洲av综合av国产av | 一个人免费看片子| 久久久久精品久久久久真实原创| 性色av一级| 黄频高清免费视频| 精品国产国语对白av| a级片在线免费高清观看视频| 一级毛片 在线播放| 久久久久久免费高清国产稀缺| 一级毛片黄色毛片免费观看视频| 日本爱情动作片www.在线观看| 久久国产精品男人的天堂亚洲| 中文字幕人妻熟女乱码| 日韩 亚洲 欧美在线| 精品国产一区二区三区久久久樱花| 丰满迷人的少妇在线观看| 国产精品久久久av美女十八| 日韩制服骚丝袜av| 婷婷色av中文字幕| 欧美精品人与动牲交sv欧美| 精品久久久精品久久久| 久久精品人人爽人人爽视色| 久久99热这里只频精品6学生| 美女中出高潮动态图| 精品国产一区二区久久| 一区二区三区激情视频| 国产精品久久久久久人妻精品电影 | 亚洲,欧美精品.| 一本色道久久久久久精品综合| 如何舔出高潮| 午夜日本视频在线| 亚洲国产精品成人久久小说| 欧美日韩综合久久久久久| 午夜免费鲁丝| 熟女av电影| 成年女人毛片免费观看观看9 | 日韩电影二区| 最新在线观看一区二区三区 | 亚洲第一av免费看| 十分钟在线观看高清视频www| 亚洲精品中文字幕在线视频| 大香蕉久久成人网| 少妇人妻精品综合一区二区| 欧美日韩一区二区视频在线观看视频在线| 国产免费一区二区三区四区乱码| 在线精品无人区一区二区三| 操美女的视频在线观看| 亚洲一区中文字幕在线| 青春草视频在线免费观看| 欧美激情高清一区二区三区 | 国产一级毛片在线| 亚洲精品一二三| 一级片免费观看大全| 国产激情久久老熟女| 欧美国产精品va在线观看不卡| 国产精品麻豆人妻色哟哟久久| 亚洲一码二码三码区别大吗| 大码成人一级视频| av不卡在线播放| 国产又爽黄色视频| av网站免费在线观看视频| 国产精品免费大片| 最近2019中文字幕mv第一页| 国产成人午夜福利电影在线观看| 欧美日韩成人在线一区二区| 国产黄色视频一区二区在线观看| 天天操日日干夜夜撸| 精品国产国语对白av| 看免费成人av毛片| 久久人人爽av亚洲精品天堂| 国产又色又爽无遮挡免| 欧美少妇被猛烈插入视频| 国产乱人偷精品视频| 69精品国产乱码久久久| 美女视频免费永久观看网站| 欧美精品一区二区免费开放| 国产精品一二三区在线看| 老鸭窝网址在线观看| 婷婷色综合www| 亚洲av电影在线进入| 日日爽夜夜爽网站| 美女高潮到喷水免费观看| 欧美久久黑人一区二区| 欧美黑人欧美精品刺激| 我的亚洲天堂| 欧美激情 高清一区二区三区| 国产精品欧美亚洲77777| 日本欧美视频一区| 少妇的丰满在线观看| 伊人久久国产一区二区| e午夜精品久久久久久久| 嫩草影视91久久| 99精品久久久久人妻精品| 另类精品久久| 高清欧美精品videossex| av有码第一页| 热re99久久国产66热| 黄色视频不卡| 亚洲精品av麻豆狂野| a级片在线免费高清观看视频| svipshipincom国产片| 国产成人系列免费观看| 大码成人一级视频| 久久狼人影院| 欧美中文综合在线视频| av视频免费观看在线观看| 免费久久久久久久精品成人欧美视频| 青春草视频在线免费观看| 国产一区亚洲一区在线观看| 日韩视频在线欧美| www.精华液| 亚洲av在线观看美女高潮| 成人国产麻豆网| 中文字幕亚洲精品专区| 99热国产这里只有精品6| 欧美成人精品欧美一级黄| 久久精品亚洲av国产电影网| 热re99久久精品国产66热6| 亚洲人成电影观看| 妹子高潮喷水视频| 婷婷色综合大香蕉| 自线自在国产av| 又大又黄又爽视频免费| 精品亚洲乱码少妇综合久久| 七月丁香在线播放| 日本欧美视频一区| 国产成人啪精品午夜网站| 国产xxxxx性猛交| 狂野欧美激情性xxxx| 日本91视频免费播放| 菩萨蛮人人尽说江南好唐韦庄| 自线自在国产av| 亚洲av成人精品一二三区| 丝瓜视频免费看黄片| 午夜老司机福利片| 极品少妇高潮喷水抽搐| av又黄又爽大尺度在线免费看| 国产一区有黄有色的免费视频| 各种免费的搞黄视频| 国产成人系列免费观看| 亚洲国产中文字幕在线视频| 免费看不卡的av| 成人影院久久| 男女床上黄色一级片免费看| 亚洲精品av麻豆狂野| 国产一区二区激情短视频 | 亚洲国产精品一区三区| 99国产精品免费福利视频| 国产成人av激情在线播放| 十八禁网站网址无遮挡| 美女福利国产在线| 精品国产乱码久久久久久男人| 亚洲欧美清纯卡通| 永久免费av网站大全| 丝袜脚勾引网站| 男的添女的下面高潮视频| 亚洲欧美一区二区三区国产| 大香蕉久久成人网| 丝袜在线中文字幕| 亚洲国产av影院在线观看| 日日啪夜夜爽| 成人国语在线视频| h视频一区二区三区| 丰满乱子伦码专区| 国产毛片在线视频| 久久国产亚洲av麻豆专区| 国产一区二区激情短视频 | 最近中文字幕高清免费大全6| 啦啦啦 在线观看视频| 少妇猛男粗大的猛烈进出视频| 久久女婷五月综合色啪小说| 老司机深夜福利视频在线观看 | 叶爱在线成人免费视频播放| 超碰成人久久| 欧美精品人与动牲交sv欧美| 青春草国产在线视频| 国产精品一国产av| 老熟女久久久| 自拍欧美九色日韩亚洲蝌蚪91| 国产xxxxx性猛交| 国产精品三级大全| 欧美黑人欧美精品刺激| 男男h啪啪无遮挡| 午夜福利在线免费观看网站| 国产精品嫩草影院av在线观看| 男的添女的下面高潮视频| 精品少妇一区二区三区视频日本电影 | 久久久久精品国产欧美久久久 | 黄色 视频免费看| 日韩伦理黄色片| 伊人久久国产一区二区| 久久久国产一区二区| 国产午夜精品一二区理论片| 久久99热这里只频精品6学生| 看十八女毛片水多多多| 中文字幕精品免费在线观看视频| 日韩人妻精品一区2区三区| 欧美成人午夜精品| 久久精品久久久久久噜噜老黄| 日日啪夜夜爽| 免费久久久久久久精品成人欧美视频| 亚洲国产精品999| 亚洲,一卡二卡三卡| 久久国产精品大桥未久av| 欧美 亚洲 国产 日韩一| av网站免费在线观看视频| 国产乱来视频区| 日本av免费视频播放| 伊人久久大香线蕉亚洲五| 最近最新中文字幕免费大全7| 男人添女人高潮全过程视频| 丰满迷人的少妇在线观看| 十八禁网站网址无遮挡| 精品久久久精品久久久| 电影成人av| 国产无遮挡羞羞视频在线观看| av免费观看日本| 97在线人人人人妻| 国产精品欧美亚洲77777| 亚洲精品一二三| 一区二区三区四区激情视频| av.在线天堂| 亚洲国产精品成人久久小说| 日本av免费视频播放| 99久久人妻综合| 一本—道久久a久久精品蜜桃钙片| 在线观看免费视频网站a站| 国产一区二区 视频在线| 女人久久www免费人成看片| 精品卡一卡二卡四卡免费| 一本一本久久a久久精品综合妖精| 夫妻午夜视频| 一级爰片在线观看| 日韩av不卡免费在线播放| 中国三级夫妇交换| 亚洲av在线观看美女高潮| 99精品久久久久人妻精品| 亚洲精品在线美女| 国产精品国产三级专区第一集| 久久久久精品性色| 汤姆久久久久久久影院中文字幕| 999久久久国产精品视频| 最近最新中文字幕免费大全7| 久久精品aⅴ一区二区三区四区| 综合色丁香网| 在线天堂最新版资源| 国产黄色视频一区二区在线观看| 国产熟女午夜一区二区三区| 国产一区有黄有色的免费视频| 伦理电影免费视频| videosex国产| a级毛片黄视频| 街头女战士在线观看网站| www.自偷自拍.com| 国产激情久久老熟女| 午夜福利,免费看| 精品卡一卡二卡四卡免费| 天天操日日干夜夜撸| 婷婷成人精品国产| 狂野欧美激情性xxxx| 熟女av电影| 亚洲国产欧美网| 母亲3免费完整高清在线观看| 精品国产超薄肉色丝袜足j| 亚洲伊人久久精品综合| 少妇被粗大的猛进出69影院| 男男h啪啪无遮挡| 欧美在线一区亚洲| 欧美 日韩 精品 国产| 爱豆传媒免费全集在线观看| 欧美黄色片欧美黄色片| 精品久久久精品久久久| 亚洲人成电影观看| 亚洲少妇的诱惑av| av天堂久久9| 国产精品.久久久| 国产片特级美女逼逼视频| 亚洲色图 男人天堂 中文字幕| 亚洲成人免费av在线播放| 欧美另类一区| 五月开心婷婷网| 国产精品久久久久久精品电影小说| 男人操女人黄网站| 巨乳人妻的诱惑在线观看| 久久热在线av| 国产一区二区 视频在线| 成人亚洲欧美一区二区av| 久久久久国产精品人妻一区二区| 国产极品粉嫩免费观看在线| 在线观看免费视频网站a站| 久久精品久久精品一区二区三区| 高清黄色对白视频在线免费看| 欧美亚洲日本最大视频资源| 在线观看三级黄色| 看免费成人av毛片| 国产精品久久久久久精品电影小说| 欧美人与性动交α欧美精品济南到| 国产日韩欧美在线精品| 天堂8中文在线网| 香蕉丝袜av| 亚洲欧美激情在线| 色吧在线观看| 国产精品二区激情视频| 亚洲自偷自拍图片 自拍| 两性夫妻黄色片| 国产一区有黄有色的免费视频| 久久人人爽av亚洲精品天堂| 久久人妻熟女aⅴ| 一级a爱视频在线免费观看| 久久精品久久久久久噜噜老黄| avwww免费| 91精品国产国语对白视频| 久久人妻熟女aⅴ| 欧美亚洲日本最大视频资源| 成年女人毛片免费观看观看9 | 免费观看人在逋| 免费看av在线观看网站| 国产男人的电影天堂91| 国产探花极品一区二区| 国产片特级美女逼逼视频| 操出白浆在线播放| 少妇被粗大的猛进出69影院| 咕卡用的链子| 香蕉国产在线看| 搡老岳熟女国产| av在线播放精品| av.在线天堂| 欧美亚洲日本最大视频资源| av网站在线播放免费| 国产一区二区激情短视频 | 超碰成人久久| 婷婷色综合大香蕉| 日韩欧美一区视频在线观看| 国产免费一区二区三区四区乱码| 亚洲精品,欧美精品| 欧美精品高潮呻吟av久久| 久久青草综合色| 久久久久久久久久久久大奶| 人人妻,人人澡人人爽秒播 | 一本久久精品| 制服诱惑二区| 精品视频人人做人人爽| 毛片一级片免费看久久久久| 十八禁人妻一区二区| 欧美精品高潮呻吟av久久| 亚洲,一卡二卡三卡| 久久天躁狠狠躁夜夜2o2o | 制服丝袜香蕉在线| 午夜精品国产一区二区电影| 久久久久精品国产欧美久久久 | 18禁动态无遮挡网站| 一边亲一边摸免费视频| 久久女婷五月综合色啪小说| 丰满饥渴人妻一区二区三| 午夜激情久久久久久久| 90打野战视频偷拍视频| 一区二区三区激情视频| av网站在线播放免费| 国产成人精品在线电影| 热re99久久精品国产66热6| 大片电影免费在线观看免费| 亚洲av日韩精品久久久久久密 | 男女午夜视频在线观看| 校园人妻丝袜中文字幕| 久久久亚洲精品成人影院| 91成人精品电影| 人人妻人人添人人爽欧美一区卜| 纵有疾风起免费观看全集完整版| 亚洲伊人色综图| 人人妻人人添人人爽欧美一区卜| 男的添女的下面高潮视频| 女人高潮潮喷娇喘18禁视频| 天美传媒精品一区二区| 色精品久久人妻99蜜桃| tube8黄色片| 卡戴珊不雅视频在线播放| 久久99精品国语久久久| 欧美在线黄色| 好男人视频免费观看在线| 欧美日韩视频精品一区| 国产精品香港三级国产av潘金莲 | 18禁观看日本| 精品第一国产精品| 午夜福利网站1000一区二区三区| 亚洲精品一区蜜桃| 日韩成人av中文字幕在线观看|