• <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 ?

    基于實(shí)車數(shù)據(jù)和BP-AdaBoost算法的電動(dòng)汽車動(dòng)力電池健康狀態(tài)估計(jì)

    2022-08-23 12:24:00周仁張向文
    科學(xué)技術(shù)與工程 2022年21期
    關(guān)鍵詞:預(yù)測器實(shí)車容量

    周仁, 張向文,2*

    (1.桂林電子科技大學(xué)電子工程與自動(dòng)化學(xué)院, 桂林 541004; 2. 廣西自動(dòng)檢測技術(shù)與儀器重點(diǎn)實(shí)驗(yàn)室, 桂林 541004)

    為了應(yīng)對(duì)燃油車帶來的環(huán)境污染和能源危機(jī)問題,世界各國都在積極推動(dòng)和發(fā)展新能源汽車,特別是純電動(dòng)汽車的研發(fā)和推廣應(yīng)用。純電動(dòng)車擁有零排放、零污染、成本低等優(yōu)勢,在中國被確定為七大戰(zhàn)略性新興產(chǎn)業(yè)之一[1]。純電動(dòng)汽車的關(guān)鍵技術(shù)在電池、電機(jī)、電控3個(gè)方面,而電池的能量密度遠(yuǎn)低于汽油,這嚴(yán)重影響了純電動(dòng)汽車的行駛速度和續(xù)航里程,而電池的老化也制約了純電動(dòng)汽車的使用壽命。另外,電池的成本在整車中占比1/3[2]。隨著使用時(shí)間、充放電次數(shù)和極端工作溫度影響而出現(xiàn)老化現(xiàn)象,依據(jù)IEEE Std 1188—1996標(biāo)準(zhǔn)規(guī)定,當(dāng)動(dòng)力電池的儲(chǔ)能能力下降到出廠容量80%時(shí)達(dá)到報(bào)廢標(biāo)準(zhǔn),應(yīng)及時(shí)更換電池[3]。因此,對(duì)電池健康狀態(tài)(state of health, SOH)的準(zhǔn)確估計(jì),對(duì)延長動(dòng)力電池的使用壽命和降低電動(dòng)汽車的使用成本具有重要的現(xiàn)實(shí)意義和實(shí)用價(jià)值。

    目前,電池SOH估計(jì)的主要方法包括實(shí)驗(yàn)法、模型法、數(shù)據(jù)驅(qū)動(dòng)法和大數(shù)據(jù)分析法四類[4-5]。

    實(shí)驗(yàn)法包含定義法、內(nèi)阻法、電化學(xué)分析法、容量衰減法、部分放電法和阻抗譜分析法,這些方法不方便實(shí)車在線應(yīng)用,在近幾年中使用頻率越來越低。

    模型法基于壽命衰減模型、經(jīng)驗(yàn)?zāi)P秃偷刃щ娐纺P?,通過數(shù)學(xué)模型結(jié)合各類濾波器與估計(jì)算法來進(jìn)行SOH的估計(jì),美國阿克倫大學(xué)的Hashemi等[6]提出一種在線參數(shù)估計(jì)方法,該方法通過該參數(shù)估計(jì)器提出一種自適應(yīng)滑模觀測器來估計(jì)實(shí)車電池容量,可針對(duì)溫度變化對(duì)電池SOH估計(jì)精度進(jìn)行修正,但其溫度補(bǔ)償公式效果較差,實(shí)際電池SOH的估計(jì)誤差在1.3%以上。

    數(shù)據(jù)驅(qū)動(dòng)法,國內(nèi)方面,武漢理工大學(xué)的楊勝杰等[7]對(duì)電池剩余容量(state of capacity, SOC)切片分區(qū),使用容量增量分析法 (incremental capacity analysis, ICA)提取的特征進(jìn)行SOH預(yù)測,該研究選用NASA數(shù)據(jù)集中的四組電池,提取IC曲線特征基于高斯回歸建立預(yù)測模型,很好地量化了SOH與IC曲線特征參數(shù)的關(guān)系,但是僅選取IC曲線的特征作為特征輸入,得到的預(yù)測結(jié)果精度較低,其均方根誤差(root mean squard error,RMSE)為2%;國外方面,法國巴黎-薩克雷大學(xué)的Mawonou等[8]開發(fā)了兩種新的老化指標(biāo),使用充電和駕駛期間采集的數(shù)據(jù),結(jié)合實(shí)際用戶行為和環(huán)境條件,使用隨機(jī)森林算法來對(duì)電池老化進(jìn)度進(jìn)行預(yù)測,對(duì)實(shí)車電池SOH的估計(jì)誤差在1.27%左右,但這兩種指標(biāo)的具體提取方式并未標(biāo)明,該指標(biāo)與電池SOH的相關(guān)性有待考究。

    大數(shù)據(jù)分析法是一種新興方法,國內(nèi)方面,北京航空航天大學(xué)的宋林軍等[9]提出了基于互聯(lián)網(wǎng)平臺(tái)在線大數(shù)據(jù)的SOH估計(jì)方法,在原有數(shù)據(jù)的基礎(chǔ)上從歷史運(yùn)行數(shù)據(jù)中提取的運(yùn)行狀況特征進(jìn)行SOH預(yù)測,對(duì)不同駕駛模式下700輛電動(dòng)車的監(jiān)測數(shù)據(jù)集進(jìn)行了測試驗(yàn)證,對(duì)不同類型車輛的適應(yīng)性較好,但是該方法對(duì)SOH的估計(jì)誤差較大,預(yù)測結(jié)果的RMSE為4.5%;國外方面,美國北達(dá)科他州立大學(xué)的Phattara等[10]使用機(jī)器學(xué)習(xí)算法基于大數(shù)據(jù)分析,采用深度神經(jīng)網(wǎng)絡(luò)方法對(duì)鋰離子電池的SOH和剩余壽命進(jìn)行預(yù)測,使用了NASA Ames大數(shù)據(jù)卓越中心數(shù)據(jù)庫采集的實(shí)車動(dòng)力電池?cái)?shù)據(jù)集,并將結(jié)果與支持向量機(jī)、最近鄰分類、人工神經(jīng)網(wǎng)絡(luò)和線性回歸等算法進(jìn)行比較試驗(yàn),估算結(jié)果的RMSE在5%以內(nèi),該方法在保證樣本適應(yīng)性的同時(shí),估計(jì)精度較低,大數(shù)據(jù)分析法精度受車輛類型影響較大,且需要體量較大的大數(shù)據(jù)平臺(tái)提供數(shù)據(jù)采集服務(wù),不利于常規(guī)性的研究,該方法發(fā)展到成熟還需要一些時(shí)間。

    目前的SOH估計(jì)方法大部分都是使用實(shí)驗(yàn)室數(shù)據(jù),這些數(shù)據(jù)一般在規(guī)定的溫度和充放電電流下進(jìn)行測試獲得,具有很好的連續(xù)性和完整性。通過前面的分析可以看出,由于實(shí)際電池的循環(huán)老化壽命受到很多因素的影響[11-12],地域溫度不同、快慢充電流、非滿充滿放循環(huán)、數(shù)據(jù)采集丟失等原因都會(huì)造成估計(jì)的誤差,因此,利用實(shí)際數(shù)據(jù)進(jìn)行SOH估計(jì)的難度較大。

    現(xiàn)利用實(shí)車數(shù)據(jù)進(jìn)行SOH估計(jì)研究,通過對(duì)原始數(shù)據(jù)的清洗、篩選、填充缺失值等一系列預(yù)處理,對(duì)不同類型車輛數(shù)據(jù)進(jìn)行車型分類,得到規(guī)范化的車輛數(shù)據(jù),然后使用ICA方法提取出IC峰值與對(duì)應(yīng)電壓位置的特征參數(shù),進(jìn)行數(shù)據(jù)特征的相關(guān)性分析和特征選擇,隨后,利用穩(wěn)定性高的反向傳播-自適應(yīng)推進(jìn)(back propagation-adapt boost,BP-AdaBoost)算法進(jìn)行數(shù)據(jù)訓(xùn)練,建立數(shù)據(jù)特征和SOH之間的聯(lián)系,最后,進(jìn)行SOH估計(jì)算法的驗(yàn)證。以期滿足基于實(shí)車測試數(shù)據(jù)的SOH估計(jì)精度要求,具有一定的應(yīng)用價(jià)值。

    1 數(shù)據(jù)處理

    1.1 數(shù)據(jù)來源

    使用的數(shù)據(jù)集來源于國家大數(shù)據(jù)聯(lián)盟NCBDC(National College New Energy Vehicle Big Data Application Innovation Competition)比賽的實(shí)車數(shù)據(jù),包含京滬兩地10輛在運(yùn)行的車輛2018年3月—2020年3月收集的數(shù)據(jù),時(shí)間跨度高達(dá)24個(gè)月。該數(shù)據(jù)集以《電動(dòng)汽車遠(yuǎn)程服務(wù)與管理系統(tǒng)技術(shù)規(guī)范》(GB/T 32960—2016)為基礎(chǔ),大數(shù)據(jù)平臺(tái)數(shù)據(jù)采樣周期為10 s,得到總計(jì)1 600萬行17列的數(shù)據(jù)樣本。監(jiān)控?cái)?shù)據(jù)包括車輛ID、數(shù)據(jù)采集時(shí)間、車輛狀態(tài)、充電狀態(tài)、車輛運(yùn)行模式、車速、累計(jì)里程、總電壓、總電流、SOC、電池單體電壓最高值、電池單體電壓最低值、最高溫度值、最低溫度值、最高報(bào)警級(jí)別和報(bào)警標(biāo)志定義數(shù)據(jù)。通過對(duì)車輛的數(shù)據(jù)特征和計(jì)算容量的分析,10輛車可以分成A、B、C、D 4個(gè)類型,為了簡化分析,后續(xù)研究以C類三輛車為例,利用C類三輛車car5、car6、car9的充電數(shù)據(jù)進(jìn)行研究。

    1.2 預(yù)處理模型

    原始數(shù)據(jù)繁多且雜亂,基于大數(shù)據(jù)處理的思維建立了一個(gè)完整的數(shù)據(jù)預(yù)處理模型,獲取電池的容量和數(shù)據(jù)特征。預(yù)處理模型分為數(shù)據(jù)處理和容量處理兩部分。

    1.2.1 數(shù)據(jù)處理步驟

    步驟1遍歷數(shù)據(jù)集,根據(jù)車輛標(biāo)識(shí)符把數(shù)據(jù)集分為不同車輛類型的數(shù)據(jù)集。

    步驟2把每一輛車的時(shí)間數(shù)據(jù)類型由數(shù)值型轉(zhuǎn)換為時(shí)間類型,方便后續(xù)操作,同時(shí)根據(jù)時(shí)間序列對(duì)車輛數(shù)據(jù)進(jìn)行排序。

    步驟3根據(jù)車輛狀態(tài)、充放電數(shù)據(jù)、行駛里程和 SOC等相關(guān)數(shù)據(jù),提取車輛的充電和放電片段。

    預(yù)處理模型流程如圖1所示。

    圖1 預(yù)處理模型流程圖Fig.1 Flowchart of the preprocess model

    1.2.2 容量處理步驟

    步驟1對(duì)選用車輛數(shù)據(jù)特征進(jìn)行規(guī)范化處理,根據(jù)片段內(nèi)的充電電流和時(shí)間數(shù)據(jù),區(qū)分快充和慢充行為,并使用安時(shí)積分法計(jì)算每次循環(huán)充入的容量。

    步驟2將快慢充數(shù)據(jù)處理合并成同一個(gè)時(shí)間序列下的完整充電容量數(shù)據(jù)。

    步驟3通過溫度補(bǔ)償函數(shù)對(duì)容量數(shù)據(jù)進(jìn)行溫度容量補(bǔ)償。

    步驟4通過箱型圖法刪除誤差較大的容量結(jié)果,去除異常數(shù)據(jù)。

    步驟5將首次充電數(shù)據(jù)設(shè)為出廠容量,定義此時(shí)的電池SOH為100%,后續(xù)的容量數(shù)據(jù)基于此標(biāo)準(zhǔn)轉(zhuǎn)換為電池SOH特征,從而獲得完整的可用容量數(shù)據(jù)集。

    1.3 數(shù)據(jù)規(guī)范化

    由于采集頻率和使用工況等一系列不可控因素影響,實(shí)車數(shù)據(jù)準(zhǔn)確度不高,質(zhì)量較差,為了提高估計(jì)結(jié)果的精度,需要對(duì)原始數(shù)據(jù)進(jìn)行規(guī)范化處理,將離散、雜亂、低質(zhì)量的數(shù)據(jù)規(guī)范為便于使用的高質(zhì)量數(shù)據(jù)。

    數(shù)據(jù)規(guī)范化的過程如下。

    (1)通過時(shí)間數(shù)據(jù)的識(shí)別對(duì)重復(fù)采樣點(diǎn)進(jìn)行合并處理。

    (2)使用箱型圖對(duì)超出邊界的電壓電流數(shù)據(jù)進(jìn)行剔除。

    (3)針對(duì)所屬不同類型的空白值數(shù)據(jù),選用合適的插值函數(shù)進(jìn)行插值填充。

    (4)刪除部分缺失過大的數(shù)據(jù)。

    (5)最后進(jìn)行交叉驗(yàn)證,確認(rèn)每一列的基礎(chǔ)數(shù)據(jù)都能符合規(guī)范。

    (6)將電壓、電流和時(shí)間數(shù)據(jù)的單位分別統(tǒng)一到伏(V)、安(A)、秒(s)。

    1.4 快慢充數(shù)據(jù)切分

    實(shí)際車輛使用過程中存在快速充電和慢速充電的充電行為,對(duì)電池實(shí)際容量的確定存在一定的干擾[13],不同車型受到的影響程度不同,需要單獨(dú)分開處理。以C類車為例,可以通過完整充電過程的平均電流數(shù)據(jù)和總充電時(shí)間數(shù)據(jù)來劃分快充和慢充,根據(jù)describe函數(shù)設(shè)定充電電流閾值為20 A、充電時(shí)間閾值為1.5 h,來綜合區(qū)分car5的快慢充行為片段,結(jié)果如圖2所示。

    圖2 兩種充電行為下的電壓和電流變化曲線Fig.2 Voltage and current curves under two charging behaviors

    由圖2可以看出,慢充過程耗費(fèi)的時(shí)間是快充的4~5倍,快充過程平均電流是慢充過程平均電流的4~5倍。另外,慢充過程大部分充電電流較為穩(wěn)定,不存在過大波動(dòng),可以直接使用,但是快充過程充電電流變化過大和充電過程較短,不利于平均濾波,需要對(duì)通過安時(shí)積分獲取的容量結(jié)果進(jìn)行進(jìn)一步處理。

    2 特征選取

    2.1 容量標(biāo)定

    容量數(shù)據(jù)是一個(gè)重要的特征量,但是,原數(shù)據(jù)集沒有給出,可以通過SOC數(shù)據(jù)、汽車充電行為數(shù)據(jù)和電流數(shù)據(jù)進(jìn)行求解。由于實(shí)車數(shù)據(jù)都不是完整的充放電過程,放電數(shù)據(jù)由于實(shí)際運(yùn)行工況的離散程度過高且連續(xù)性較差,難以清晰得到SOH相關(guān)的有效數(shù)據(jù),而充電數(shù)據(jù)均采集于停車時(shí)的充電過程中,相對(duì)穩(wěn)定,干擾因素也較少,因此,將其作為容量標(biāo)定的特征數(shù)據(jù)。實(shí)際使用中,車主很少在SOC偏低時(shí)進(jìn)行充電,也很少完全充電,這導(dǎo)致充電開始和結(jié)束時(shí)的SOC都不相同,最后根據(jù)數(shù)據(jù)量分布情況,選取在SOC位于40%~80%段的數(shù)據(jù)進(jìn)行分析,該段電壓電流變化相對(duì)穩(wěn)定且具有代表性,用此段數(shù)據(jù)結(jié)合安時(shí)積分法得到每次循環(huán)過程中的電池容量,根據(jù)獲取的電池容量,可以進(jìn)行SOH的估計(jì),計(jì)算公式為

    (1)

    式(1)中:Qnow-max為電池當(dāng)前循環(huán)時(shí)SOC位于40%~80%的最大可用容量;Qnew-max為電池第一次循環(huán)時(shí)SOC位于40%~80%的最大可用容量。

    通過安時(shí)積分得到容量數(shù)據(jù),然后利用式(1)標(biāo)定電池SOH,積分容量結(jié)果與采樣時(shí)間有關(guān),數(shù)據(jù)采集平臺(tái)的采樣周期存在少量差異,其中采樣周期為10 s的數(shù)據(jù)占97%以上,采樣周期的變化會(huì)引起容量計(jì)算的誤差[13],其中的關(guān)系如表1所示。

    表1中采樣周期為1 s和10 s的數(shù)據(jù)對(duì)結(jié)果的影響較低,為了確保最后得到優(yōu)質(zhì)、準(zhǔn)確的SOH特征,在充電行為判斷中對(duì)分段數(shù)據(jù)內(nèi)間隔大于10 s的數(shù)據(jù)進(jìn)行刪除,保留間隔較小的數(shù)據(jù)。缺失較少的電流數(shù)據(jù)使用前后插值、平均插值、函數(shù)插值等方法進(jìn)行填充,電流和時(shí)間缺失過多的充電次數(shù)僅保留時(shí)間值,容量積分結(jié)果進(jìn)行剔除以免出現(xiàn)過大誤差。

    表1 采樣周期與容量估計(jì)誤差Table 1 Sampling period and capacity estimation error

    2.2 容量處理

    不同類型車輛受到快慢充行為的影響程度不同,C類車受到不同充電行為的影響最小,該類型車輛的快慢充容量結(jié)果在處理后能夠統(tǒng)合成一個(gè)數(shù)據(jù)集,例如car5的快慢充容量結(jié)果如圖3所示,隨著電池循環(huán)次數(shù)增加有明顯的容量下降趨勢。

    圖3中快充容量和慢充容量變化曲線相似,容量值也屬于同一量級(jí),可以對(duì)car5的快慢充容量結(jié)果進(jìn)行歸一化處理,考慮到實(shí)際運(yùn)行過程中快充行為和慢充行為交替進(jìn)行,按照時(shí)間序列將快慢充合并為一個(gè)完整的循環(huán)老化過程。

    除了充電電流的影響之外,數(shù)據(jù)時(shí)間跨度高達(dá)兩年,實(shí)際運(yùn)行環(huán)境的溫差較大,考慮到電池溫度對(duì)容量造成的影響,對(duì)初步計(jì)算得到的容量結(jié)果進(jìn)行溫度容量補(bǔ)償操作。根據(jù)實(shí)車數(shù)據(jù),結(jié)合文獻(xiàn)[11]相同特征的經(jīng)驗(yàn)公式,經(jīng)過數(shù)據(jù)擬合得出合適的對(duì)數(shù)函數(shù)模型為

    K=-0.068 3lgT+0.790 9

    (2)

    QT=QK

    (3)

    式中:T為某次循環(huán)電池組的平均溫度, ℃;K為溫度補(bǔ)償系數(shù);Q為安時(shí)積分法得到的容量;QT為溫度修正后的容量。兩個(gè)常數(shù)-0.068 3、0.790 9通過實(shí)驗(yàn)測試結(jié)果進(jìn)行擬合得到。

    圖3 car5的快慢充容量結(jié)果Fig.3 Fast and slow charging capacity results of car5

    數(shù)據(jù)集中沒有單體溫度高于40 ℃或者低于0 ℃的數(shù)據(jù),所以不考慮過高溫度帶來的容量下降因素。通過單體最高溫度和最低溫度計(jì)算得到平均溫度數(shù)據(jù),作為溫度補(bǔ)償函數(shù)的修改依據(jù)?;谑?2)和式(3),可以得到溫度修正后的結(jié)果如圖4所示。

    由圖4可以看出,相對(duì)于溫度修正之前的快慢統(tǒng)合結(jié)果,經(jīng)過溫度修正后的結(jié)果波動(dòng)更小。安時(shí)積分法得到的容量結(jié)果在40次循環(huán)時(shí)存在異常,主要原因是car5在40次循環(huán)時(shí)最低溫度為0 ℃,導(dǎo)致實(shí)際充入電池的電量過少,反之,較高環(huán)境溫度時(shí)則會(huì)充入比平時(shí)更多的容量。對(duì)此類數(shù)據(jù)進(jìn)行溫度補(bǔ)償后,電池容量數(shù)據(jù)均方差有所降低,比僅僅使用安時(shí)積分法得到的容量數(shù)據(jù)更加符合容量衰退規(guī)律,在一定程度上修正了溫度變化所帶來的誤差。

    圖4 添加溫度補(bǔ)償后的容量對(duì)比Fig.4 Capacity comparison after adding temperature compensation

    2.3 特征選取與相關(guān)性分析

    動(dòng)力電池的充放電過程是非常復(fù)雜的電化學(xué)變化過程,測試數(shù)據(jù)的特征與電池SOH之間具有較高的關(guān)聯(lián)性,其中IC曲線的峰值點(diǎn)與電池的反應(yīng)速率和儲(chǔ)能能力有關(guān)[14-15]。ICA方法不僅適用于車載動(dòng)力電池的低倍率充電過程,也同樣適用于高倍率充電過程[16],選取車輛的快充和慢充數(shù)據(jù)不會(huì)造成ICA結(jié)果出現(xiàn)誤差,且選取的車輛數(shù)據(jù)都是在恒流充電情況下采集的,所以可以通過分析充電過程中的IC曲線峰值高度與對(duì)應(yīng)電壓關(guān)系得到與電池SOH相關(guān)的特征。以car5的數(shù)據(jù)為例,基于ICA方法,每間隔20次循環(huán)提取一次循環(huán)的IC曲線,并且通過高斯濾波器對(duì)噪聲進(jìn)行平滑處理,該處理目的是為了找到明顯的IC峰值點(diǎn),然后根據(jù)該峰值點(diǎn)選取原數(shù)據(jù)坐標(biāo),并不會(huì)影響數(shù)據(jù)的真實(shí)性,最終得到容量增量峰值與對(duì)應(yīng)電壓位置變化的關(guān)系曲線如圖5所示。

    由圖5可以看出,容量增量峰值隨循環(huán)次數(shù)增加而有所降低,峰值對(duì)應(yīng)電壓位置隨循環(huán)次數(shù)增加在一定程度上右偏。第80次循環(huán)峰值不明顯,出現(xiàn)平臺(tái)區(qū)的原因是部分慢充過程時(shí)間較長,電壓變化緩慢,而第100次循環(huán)峰值存在左偏異常,是由于快充過程充電電流的波動(dòng)較大導(dǎo)致的。

    新提取的特征需要進(jìn)行關(guān)聯(lián)度分析[15],通過皮爾森相關(guān)系數(shù)法對(duì)該特征參數(shù)與SOH進(jìn)行相關(guān)性分析,car5的峰值和對(duì)應(yīng)電壓位置數(shù)據(jù)與電池SOH的關(guān)聯(lián)度分別為0.895 8和0.813 4,因此,這兩個(gè)特征都可以作為模型估計(jì)的特征參數(shù)。

    除了上述的ICA特征之外,為了降低實(shí)車數(shù)據(jù)中部分合理的強(qiáng)噪聲對(duì)單一特征預(yù)測結(jié)果穩(wěn)定性的影響,同時(shí)也為了提高模型估計(jì)精度,選取了實(shí)車數(shù)據(jù)充電過程中的一段充電數(shù)據(jù)的容量樣本作為特征樣本輸入,綜合數(shù)據(jù)分布的可視化分析和真實(shí)充電行為的特征分析,最終選定每次充電循環(huán)中SOC在50%~60%段的累計(jì)充入容量作為容量樣本,該段充電過程中容量、電壓和電流數(shù)據(jù)變化趨勢最為平緩,且片段長度較短不會(huì)導(dǎo)致過擬合現(xiàn)象。由于其本身就是與SOH計(jì)算相關(guān)的一部分?jǐn)?shù)據(jù),所以不需要進(jìn)行相關(guān)性分析。

    圖5 電池IC曲線Fig.5 IC curve of battery

    3 預(yù)測模型

    3.1 算法選擇

    長短期記憶-循環(huán)神經(jīng)網(wǎng)絡(luò)(long short term memory-recurrent neural network,LSTM-RNN)模型廣泛地用于數(shù)據(jù)預(yù)測研究,其結(jié)構(gòu)為多個(gè)LSTM單元構(gòu)成的RNN模型,可以有效地捕捉連續(xù)性數(shù)據(jù)在時(shí)間維度上的長期和短期特征依賴,電池老化過程屬于時(shí)間序列問題,該類問題使用LSTM-RNN模型的效果較好[17],但這種算法的魯棒性較差,多次預(yù)測結(jié)果之間均存在1%~3%的不一致預(yù)測結(jié)果。

    在使用實(shí)車運(yùn)行數(shù)據(jù)集進(jìn)行數(shù)據(jù)處理時(shí),對(duì)影響SOH結(jié)果且占此次循環(huán)數(shù)據(jù)總量不超過5%真實(shí)數(shù)據(jù)都予以保留,視為可用數(shù)據(jù),反之視其與SOH的相關(guān)性進(jìn)行處理或直接剔除。故而部分循環(huán)數(shù)據(jù)在實(shí)際數(shù)據(jù)集中并不是連續(xù)的,且實(shí)際運(yùn)行數(shù)據(jù)的工況較為復(fù)雜且數(shù)據(jù)量巨大,出現(xiàn)部分狀態(tài)正常但數(shù)據(jù)結(jié)果離群值較大的正常數(shù)據(jù),該類數(shù)據(jù)存在有隱含特征,讓依賴記憶前期數(shù)據(jù)特征的LSTM-RNN模型的預(yù)測結(jié)果受到較大的影響。后通過對(duì)該類數(shù)據(jù)結(jié)果的微觀分析發(fā)現(xiàn),實(shí)車數(shù)據(jù)存在日常使用下的隔夜不滿充滿放行為以及不規(guī)律用電帶來的電池長時(shí)間靜置等問題,導(dǎo)致前后兩次充放電循環(huán)過程的數(shù)據(jù)時(shí)間性關(guān)系較差,數(shù)據(jù)特征在時(shí)序性上出現(xiàn)跳躍性的波動(dòng),所以預(yù)測結(jié)果在出現(xiàn)較多的離群點(diǎn)數(shù)據(jù)后,LSTM-RNN算法的預(yù)測結(jié)果往往會(huì)連續(xù)出現(xiàn)一系列誤差。

    針對(duì)這一問題,選擇了與實(shí)車數(shù)據(jù)問題類似的股票價(jià)格預(yù)測問題中較為新穎的AdaBoost算法,對(duì)實(shí)車數(shù)據(jù)結(jié)果進(jìn)行預(yù)測,最終結(jié)果表明,該算法可以較好地處理不規(guī)律數(shù)據(jù)變化問題[18]。使用BP-AdaBoost算法通過疊加法以AdaBoost算法為框架,以反向傳播(back propagation,BP)算法為弱預(yù)測器,優(yōu)化樣本節(jié)點(diǎn)和弱預(yù)測器的權(quán)重,最終得到強(qiáng)預(yù)測模型。BP-AdaBoost算法可以利用n個(gè)BP網(wǎng)絡(luò)組成的弱預(yù)測器,最快速地挖掘數(shù)據(jù)特征,然后通過優(yōu)化提升權(quán)重分配將多個(gè)弱預(yù)測器的輸出結(jié)果合并輸出,最大程度降低數(shù)據(jù)噪聲對(duì)學(xué)習(xí)效果的影響,提升估計(jì)效果。同時(shí)對(duì)輸入特征要求也不高,不需要額外進(jìn)行特征篩選,強(qiáng)預(yù)測器可以彌補(bǔ)弱預(yù)測器由于誤差積累所帶來的缺陷,因此,將BP-AdaBoost算法應(yīng)用于基于實(shí)車數(shù)據(jù)的電池SOH估計(jì)研究。

    3.2 算法設(shè)計(jì)

    BP神經(jīng)網(wǎng)絡(luò)是一種常用的神經(jīng)網(wǎng)絡(luò),其原理是通過數(shù)據(jù)信號(hào)的正向傳播與誤差的反向傳播來學(xué)習(xí)數(shù)據(jù)集內(nèi)在關(guān)聯(lián)特征。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單,僅由輸入層、隱藏層和輸出層組成,解決回歸問題具有準(zhǔn)確率高和訓(xùn)練速度快的優(yōu)點(diǎn),適合用于構(gòu)建AdaBoost算法中的弱預(yù)測器。負(fù)反饋過程中該網(wǎng)絡(luò)對(duì)每一個(gè)樣本輸出的結(jié)果y,都會(huì)通過式(4)計(jì)算其與預(yù)期結(jié)果Y的誤差率Er,即

    Er=(Yr-yr)2

    (4)

    式(4)中:r為輸入網(wǎng)絡(luò)的第r個(gè)樣本。對(duì)所有樣本的均方誤差進(jìn)行求和,得到BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)函數(shù),為了得到最優(yōu)的結(jié)果,只需要最小化式(5)中的誤差函數(shù)Ek,即

    (5)

    式(5)中:M為樣本總量。BP網(wǎng)絡(luò)中局部數(shù)據(jù)的誤差不會(huì)對(duì)全局結(jié)果造成很大影響,適用于消除真實(shí)數(shù)據(jù)中強(qiáng)噪聲對(duì)后續(xù)預(yù)測結(jié)果的影響,也是選擇該神經(jīng)網(wǎng)絡(luò)構(gòu)造AdaBoost模型弱預(yù)測器的原因。結(jié)構(gòu)上通過使用AdaBoost算法規(guī)則組合n個(gè)BP網(wǎng)絡(luò)為強(qiáng)預(yù)測器,有效改善了 BP 神經(jīng)網(wǎng)絡(luò)自身容易過擬合停留在局部最優(yōu)的情況,提高了整個(gè)模型全局搜索能力。為了提高模型預(yù)測精度,最終模型的輸入樣本包括容量樣本和ICA特征樣本,這兩種特征在迭代過程中的權(quán)重采用分開分配的策略,其實(shí)現(xiàn)過程如圖6所示。具體步驟如下。

    步驟1導(dǎo)入容量樣本集和特征樣本集,對(duì)其簡單規(guī)范化預(yù)處理后,輸入由BP神經(jīng)網(wǎng)絡(luò)構(gòu)成的弱預(yù)測器,利用car5數(shù)據(jù)集中124次充電循環(huán)數(shù)據(jù)來訓(xùn)練模型,每一個(gè)初始訓(xùn)練樣本點(diǎn)最開始的權(quán)重W1=1/124,在此樣本權(quán)重下得到x1,通過x1訓(xùn)練得到一個(gè)基本預(yù)測器H1,設(shè)置一個(gè)期望的誤差區(qū)間,根據(jù)H1對(duì)樣本的預(yù)測結(jié)果與真實(shí)值y進(jìn)行比對(duì),判斷預(yù)測結(jié)果是否在誤差區(qū)間內(nèi),從而對(duì)樣本進(jìn)行分類并進(jìn)行權(quán)重更新。預(yù)測失敗的樣本數(shù)據(jù),提高數(shù)據(jù)樣本權(quán)重,使其更貼近真實(shí)值,已經(jīng)預(yù)測成功的樣本數(shù)據(jù),則降低權(quán)重,不對(duì)其分類結(jié)果進(jìn)行修改。

    圖6 BP-AdaBoost算法流程圖Fig.6 Flowchart of the BP-AdaBoost algorithm

    步驟2根據(jù)新的權(quán)重分布訓(xùn)練弱預(yù)測器Hn,將數(shù)據(jù)迭代m次,每次迭代中都進(jìn)行樣本權(quán)重更新。同時(shí)將每一次BP網(wǎng)絡(luò)的預(yù)測結(jié)果與真實(shí)容量進(jìn)行對(duì)比,根據(jù)樣本預(yù)測結(jié)果對(duì)樣本權(quán)重進(jìn)行更新,樣本權(quán)重更新公式為

    (6)

    (7)

    式中:Wmn為第m次迭代第n個(gè)預(yù)測器輸入的樣本權(quán)重;Hn為表示第n個(gè)預(yù)測器;Zm為標(biāo)準(zhǔn)化因子;an為弱預(yù)測器的權(quán)重;n為預(yù)測器的數(shù)量;y為電池SOH的真實(shí)值。

    步驟3計(jì)算BP網(wǎng)絡(luò)預(yù)測結(jié)果與真實(shí)容量的誤差率E,作為最終弱預(yù)測器權(quán)重更新的依據(jù),完成m次迭代后,將所有的弱預(yù)測器結(jié)果綜合加權(quán)得到強(qiáng)預(yù)測器模型,該算法能夠修正一部分實(shí)車容量數(shù)據(jù)問題帶來的偏差,提高模型收斂速度,穩(wěn)定預(yù)測結(jié)果,比較適合實(shí)車電池SOH的估計(jì)模型,弱預(yù)測器Hn的權(quán)重更新公式為

    (8)

    式(8)中:En為第n個(gè)預(yù)測器的誤差率。

    首先,BP-AdaBoost模型根據(jù)樣本點(diǎn)的預(yù)測結(jié)果進(jìn)行樣本權(quán)重的迭代修改;其次,根據(jù)每次BP網(wǎng)絡(luò)的誤差率給所有的BP網(wǎng)絡(luò)分配權(quán)重;最后,得到基于BP神經(jīng)網(wǎng)絡(luò)融合AdaBoost算法的電池SOH強(qiáng)預(yù)測器模型。

    3.3 預(yù)測結(jié)果

    為了驗(yàn)證設(shè)計(jì)算法的有效性,建立了BP-AdaBoost模型,利用同一類型3車輛的car5、car6和car9的實(shí)車數(shù)據(jù)進(jìn)行訓(xùn)練、驗(yàn)證和測試,數(shù)據(jù)量比例約為2∶1∶1。為了防止循環(huán)次數(shù)長度干擾模型預(yù)測,car9數(shù)據(jù)量最大作為訓(xùn)練集,car6作為驗(yàn)證集,用于在預(yù)測過程中對(duì)參數(shù)進(jìn)行尋優(yōu)輔助模型建立,car5作為最后的測試數(shù)據(jù)。作為對(duì)比,同時(shí)建立了LSTM-RNN模型,利用相同的訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)進(jìn)行驗(yàn)證。

    利用car5的數(shù)據(jù)進(jìn)行測試的結(jié)果如圖7所示,可以看到LSTM-RNN模型前20次循環(huán)預(yù)測結(jié)果誤差較大,全過程中的預(yù)測值普遍高于真實(shí)值,且對(duì)于波動(dòng)較大的實(shí)車數(shù)據(jù),無法很好地對(duì)其進(jìn)行預(yù)測,特別是在電池SOH下降速度較快的98%~94%部分。這是由于LSTM-RNN中的梯度優(yōu)化過程受到數(shù)據(jù)噪聲影響,并且實(shí)車數(shù)據(jù)的循環(huán)時(shí)間不是等距序列,間隔增大時(shí)LSTM會(huì)失去學(xué)習(xí)信息的能力,導(dǎo)致誤差增大,從而影響模型估計(jì)精度。

    圖7 兩種方法估計(jì)結(jié)果Fig.7 Prediction results of two methods

    BP-AdaBoost模型在數(shù)據(jù)開始階段,估計(jì)誤差同樣較大,預(yù)測結(jié)果出現(xiàn)稍許滯后現(xiàn)象,通過樣本權(quán)重的再分配,有效地消除了波動(dòng)較大數(shù)據(jù)對(duì)結(jié)果的影響,能夠很好地貼近實(shí)車數(shù)據(jù)結(jié)果,隨著弱預(yù)測器權(quán)重的迭代修正能夠很好地提高模型穩(wěn)定性,多次預(yù)測結(jié)果相差極小,且隨著迭代次數(shù)增加,效果進(jìn)一步提高。

    兩種算法模型在電池老化循環(huán)剛開始時(shí)的估計(jì)誤差均保持在較低范圍,但是LSTM-RNN模型在電池SOH出現(xiàn)較大變化后,對(duì)實(shí)車電池SOH的估計(jì)精度明顯降低,而BP-AdaBoost模型的估計(jì)精度能在出現(xiàn)波動(dòng)后迅速平復(fù),相比之下誤差更低。為了更清楚地顯示兩種方法的估計(jì)結(jié)果變化,繪制兩種算法的估計(jì)誤差曲線如圖8所示。

    圖8中,LSTM-RNN模型受到真實(shí)數(shù)據(jù)驟降影響,在第50次循環(huán)之后誤差普遍較大,表明該模型的抗噪聲能力較差。BP-AdaBoost模型總體效果較好,穩(wěn)定性強(qiáng),大部分預(yù)測結(jié)果均方根誤差在0.9%以下,雖然受到第90次循環(huán)真實(shí)值驟降的影響,后續(xù)預(yù)測結(jié)果出現(xiàn)波動(dòng),但能通過權(quán)值修改在一定程度上降低部分突變數(shù)據(jù)的影響。因此,BP-AdaBoost模型對(duì)于實(shí)車數(shù)據(jù)噪聲的抗干擾能力較強(qiáng),穩(wěn)定性較好,能夠?qū)﹄姵豐OH進(jìn)行準(zhǔn)確的預(yù)測。為了更全面地比較兩種算法的估計(jì)結(jié)果,分別計(jì)算了RMSE、平均絕對(duì)誤差(mean absolute error,MAE)、平均絕對(duì)百分比誤差(mean absolute percent error,MAPE),結(jié)果如表2所示。

    圖8 兩種方法結(jié)果誤差Fig.8 The result error of the two methods

    表2 兩種方法評(píng)價(jià)指標(biāo)對(duì)比Table 2 Comparison of evaluation indexes of two methods

    由表2可以看出,相比于LSTM-RNN模型,BP-AdaBoost模型的3種評(píng)價(jià)指標(biāo)較低,BP-AdaBoost模型的均方根誤差為1.116%,相比于LSTM-RNN模型降低了4.4%,其平均絕對(duì)誤差表現(xiàn)最好,誤差精度達(dá)到了0.963%,相比于LSTM-RNN模型降低了3.629%,而平均絕對(duì)百分比誤差為1.009%,相比于LSTM-RNN模型降低了3.664%。綜合3種評(píng)價(jià)指標(biāo),BP-AdaBoost模型在實(shí)車數(shù)據(jù)的電池SOH估計(jì)上效果更好、精度更高。

    4 結(jié)論

    基于實(shí)車數(shù)據(jù)對(duì)電動(dòng)汽車動(dòng)力電池SOH估計(jì)算法展開研究,結(jié)論如下。

    (1)使用大數(shù)據(jù)分析的處理方法,對(duì)京滬兩地實(shí)際運(yùn)行的電動(dòng)汽車數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理,得到符合模型估計(jì)精度的動(dòng)力電池容量數(shù)據(jù),在此基礎(chǔ)上進(jìn)行溫度容量補(bǔ)償和汽車快慢充電的容量修正,降低了數(shù)據(jù)分布的離散性,最終在保證數(shù)據(jù)真實(shí)性的情況下,得到了新的可用于模型預(yù)測的實(shí)車運(yùn)行數(shù)據(jù)集。

    (2)同時(shí)使用容量特征和數(shù)據(jù)特征作為測試樣本輸入,容量特征使用了電池SOC在50%~60%段累計(jì)充入的容量,數(shù)據(jù)特征則通過ICA方法尋找電池IC曲線峰值和對(duì)應(yīng)電壓位置參數(shù)得到,并驗(yàn)證了該特征參數(shù)與SOH之間具有高關(guān)聯(lián)度,可適用于實(shí)車數(shù)據(jù)預(yù)測。

    (3)針對(duì)實(shí)車數(shù)據(jù)部分不可處理的強(qiáng)噪聲和時(shí)序性差的問題,使用BP-AdaBoost算法進(jìn)行SOH的估計(jì),BP-AdaBoost模型對(duì)同一類車型表現(xiàn)出良好的適應(yīng)性,預(yù)測結(jié)果更加貼近真實(shí)值,表現(xiàn)最好的MAE評(píng)價(jià)指標(biāo)達(dá)到0.96%,可以滿足實(shí)際工況下的電動(dòng)汽車動(dòng)力電池SOH估計(jì)精度要求。

    猜你喜歡
    預(yù)測器實(shí)車容量
    以絕版“恐龍”自嘲 保時(shí)捷357概念車實(shí)車靜態(tài)體驗(yàn)
    車主之友(2023年2期)2023-05-22 02:50:34
    實(shí)車碰撞試驗(yàn)牽引系統(tǒng)鋼絲繩疲勞損傷問題分析
    輸入延遲系統(tǒng)的切換偽預(yù)測鎮(zhèn)定控制器
    基于手機(jī)藍(lán)牙的奧迪A4L發(fā)動(dòng)機(jī)故障設(shè)置系統(tǒng)設(shè)計(jì)
    基于WiFi的奧迪A4L發(fā)動(dòng)機(jī)故障設(shè)置系統(tǒng)
    一種改進(jìn)型TAGE分支預(yù)測器的實(shí)現(xiàn)
    SnO2納米片容量異常行為的新解釋
    2015年上半年我國風(fēng)電新增并網(wǎng)容量916萬千瓦
    風(fēng)能(2015年8期)2015-02-27 10:15:12
    2015年一季度我國風(fēng)電新增并網(wǎng)容量470萬千瓦
    風(fēng)能(2015年5期)2015-02-27 10:14:46
    焊管(2013年11期)2013-04-09 07:16:58
    长腿黑丝高跟| 桃红色精品国产亚洲av| 长腿黑丝高跟| 亚洲av美国av| 深夜a级毛片| 国产视频一区二区在线看| 国产伦在线观看视频一区| 国产精品野战在线观看| 国产综合懂色| 精品99又大又爽又粗少妇毛片 | 欧美日韩乱码在线| 一个人免费在线观看电影| 亚洲国产欧美人成| 久久久久久大精品| 十八禁国产超污无遮挡网站| 久久午夜亚洲精品久久| 最近在线观看免费完整版| 无人区码免费观看不卡| 国产视频内射| 午夜福利成人在线免费观看| 乱码一卡2卡4卡精品| 免费在线观看日本一区| 精品国内亚洲2022精品成人| 赤兔流量卡办理| 少妇熟女aⅴ在线视频| 在线a可以看的网站| 99久久久亚洲精品蜜臀av| 午夜影院日韩av| 国产伦精品一区二区三区视频9| 97超视频在线观看视频| 成人特级av手机在线观看| 岛国在线免费视频观看| 能在线免费观看的黄片| 99久国产av精品| 精品国内亚洲2022精品成人| 男人舔奶头视频| 亚洲国产欧美人成| 成年免费大片在线观看| 黄色一级大片看看| 国产精品久久久久久精品电影| 99国产精品一区二区蜜桃av| 日韩欧美国产在线观看| av在线蜜桃| 亚州av有码| 十八禁人妻一区二区| 别揉我奶头 嗯啊视频| 一本综合久久免费| 色在线成人网| 免费人成视频x8x8入口观看| 亚洲久久久久久中文字幕| 少妇熟女aⅴ在线视频| 一级a爱片免费观看的视频| 观看美女的网站| 桃色一区二区三区在线观看| 国产精品国产高清国产av| 3wmmmm亚洲av在线观看| 亚洲精品久久国产高清桃花| 天堂影院成人在线观看| 日韩欧美 国产精品| 久久婷婷人人爽人人干人人爱| 久久精品影院6| 中亚洲国语对白在线视频| 在线看三级毛片| netflix在线观看网站| 最好的美女福利视频网| 色播亚洲综合网| 亚洲av电影不卡..在线观看| 婷婷精品国产亚洲av| 久久这里只有精品中国| 亚洲五月婷婷丁香| 少妇的逼水好多| 亚洲精品亚洲一区二区| 中文字幕熟女人妻在线| 国产69精品久久久久777片| 搡老熟女国产l中国老女人| 欧美+亚洲+日韩+国产| 精品久久国产蜜桃| 在线免费观看不下载黄p国产 | 两性午夜刺激爽爽歪歪视频在线观看| 91av网一区二区| 性色av乱码一区二区三区2| 欧美3d第一页| 老熟妇乱子伦视频在线观看| www日本黄色视频网| 嫩草影院新地址| 欧美黄色淫秽网站| 老熟妇乱子伦视频在线观看| 亚洲av美国av| 非洲黑人性xxxx精品又粗又长| 美女被艹到高潮喷水动态| 我的老师免费观看完整版| 免费高清视频大片| 两人在一起打扑克的视频| 日韩欧美在线乱码| www日本黄色视频网| 性色av乱码一区二区三区2| 一级av片app| 久久久久久久久久成人| 亚洲国产精品999在线| 日韩欧美免费精品| 级片在线观看| 三级国产精品欧美在线观看| 国产一区二区三区在线臀色熟女| 99久久精品国产亚洲精品| 亚洲成av人片在线播放无| 亚洲精品亚洲一区二区| 成人午夜高清在线视频| 观看免费一级毛片| 嫩草影视91久久| 国产一区二区三区在线臀色熟女| 99热这里只有精品一区| 亚洲成人免费电影在线观看| 成年女人永久免费观看视频| 亚洲精品456在线播放app | 身体一侧抽搐| 亚洲av成人av| 在线看三级毛片| 欧美乱色亚洲激情| 精品一区二区免费观看| 成人av在线播放网站| 免费一级毛片在线播放高清视频| 无遮挡黄片免费观看| 日韩欧美免费精品| 国产精品永久免费网站| 悠悠久久av| 久久久久久大精品| 99久国产av精品| 精品福利观看| 宅男免费午夜| 久久99热6这里只有精品| 欧美精品啪啪一区二区三区| 亚洲,欧美精品.| 亚洲人成电影免费在线| 特级一级黄色大片| 88av欧美| 蜜桃亚洲精品一区二区三区| 亚洲第一区二区三区不卡| 国产亚洲欧美在线一区二区| 欧美极品一区二区三区四区| 我的老师免费观看完整版| 国产精品爽爽va在线观看网站| 久久精品国产99精品国产亚洲性色| 成人高潮视频无遮挡免费网站| 国产精品av视频在线免费观看| 亚洲av免费高清在线观看| 免费高清视频大片| 精品午夜福利视频在线观看一区| 亚洲一区二区三区色噜噜| 国产一区二区亚洲精品在线观看| 蜜桃久久精品国产亚洲av| 久久精品91蜜桃| 色综合站精品国产| 欧美国产日韩亚洲一区| 国产爱豆传媒在线观看| 一区二区三区四区激情视频 | 麻豆国产97在线/欧美| 成年免费大片在线观看| 国产极品精品免费视频能看的| 丰满乱子伦码专区| 亚洲第一电影网av| 人人妻,人人澡人人爽秒播| av视频在线观看入口| 十八禁国产超污无遮挡网站| 亚洲美女黄片视频| 狠狠狠狠99中文字幕| av黄色大香蕉| 午夜影院日韩av| 一区二区三区免费毛片| 好看av亚洲va欧美ⅴa在| 欧美日韩综合久久久久久 | or卡值多少钱| av在线老鸭窝| 久久国产乱子伦精品免费另类| 亚洲精华国产精华精| 免费人成在线观看视频色| 色在线成人网| 别揉我奶头~嗯~啊~动态视频| 国产成+人综合+亚洲专区| 99久久精品热视频| 国产美女午夜福利| 99视频精品全部免费 在线| 色哟哟·www| 亚洲第一欧美日韩一区二区三区| 欧美一区二区精品小视频在线| 午夜亚洲福利在线播放| av专区在线播放| 五月伊人婷婷丁香| 熟女人妻精品中文字幕| 国产精品一区二区三区四区免费观看 | 在线看三级毛片| .国产精品久久| 女生性感内裤真人,穿戴方法视频| 特大巨黑吊av在线直播| 国产午夜福利久久久久久| 亚洲性夜色夜夜综合| 亚洲国产精品久久男人天堂| 亚洲真实伦在线观看| 久久午夜福利片| 国产伦精品一区二区三区四那| 欧美在线黄色| 国产中年淑女户外野战色| 老熟妇乱子伦视频在线观看| av在线天堂中文字幕| 精品人妻一区二区三区麻豆 | 国产亚洲精品av在线| 久久婷婷人人爽人人干人人爱| 熟女人妻精品中文字幕| 国产白丝娇喘喷水9色精品| 麻豆国产97在线/欧美| 色av中文字幕| av中文乱码字幕在线| 一区二区三区免费毛片| 日本熟妇午夜| 一个人免费在线观看的高清视频| 十八禁国产超污无遮挡网站| 日本 av在线| 能在线免费观看的黄片| 亚洲国产高清在线一区二区三| 欧美一区二区亚洲| 久久人妻av系列| 成年女人看的毛片在线观看| 亚洲精品粉嫩美女一区| aaaaa片日本免费| 伊人久久精品亚洲午夜| www.色视频.com| 禁无遮挡网站| 白带黄色成豆腐渣| 日韩欧美免费精品| 午夜免费男女啪啪视频观看 | 美女免费视频网站| 一级黄片播放器| 九九在线视频观看精品| 成人午夜高清在线视频| 91九色精品人成在线观看| 国产91精品成人一区二区三区| 亚洲成a人片在线一区二区| 国产精品久久久久久久电影| 狠狠狠狠99中文字幕| 国产av麻豆久久久久久久| 久久精品夜夜夜夜夜久久蜜豆| 热99re8久久精品国产| 免费av不卡在线播放| 国产一区二区三区在线臀色熟女| 中文字幕久久专区| 亚洲激情在线av| 亚洲一区高清亚洲精品| av在线蜜桃| 毛片一级片免费看久久久久 | av福利片在线观看| 一区二区三区四区激情视频 | 亚洲欧美日韩卡通动漫| 欧美日韩国产亚洲二区| 欧美性猛交黑人性爽| 国产在视频线在精品| 色在线成人网| 亚洲欧美激情综合另类| 亚洲中文字幕日韩| 国产精品久久视频播放| 91狼人影院| 亚洲精品色激情综合| 国产v大片淫在线免费观看| 国产精品综合久久久久久久免费| 青草久久国产| 变态另类成人亚洲欧美熟女| 69av精品久久久久久| 久久久久久久久中文| 亚洲av美国av| 国产综合懂色| 精品久久久久久久久亚洲 | 91在线观看av| 久久久久久久午夜电影| 啦啦啦观看免费观看视频高清| 国产高清激情床上av| 麻豆av噜噜一区二区三区| av在线蜜桃| 国产精品久久视频播放| 一个人看的www免费观看视频| 国产精品自产拍在线观看55亚洲| 日本一本二区三区精品| 久久中文看片网| 久久草成人影院| 嫩草影视91久久| 午夜精品在线福利| 亚洲国产高清在线一区二区三| 成人午夜高清在线视频| netflix在线观看网站| 长腿黑丝高跟| 高潮久久久久久久久久久不卡| 久久亚洲精品不卡| 校园春色视频在线观看| 亚洲国产精品999在线| 午夜激情欧美在线| 在线观看av片永久免费下载| 最近在线观看免费完整版| 中文字幕人妻熟人妻熟丝袜美| 日韩欧美国产一区二区入口| 国产美女午夜福利| 日韩人妻高清精品专区| 一级作爱视频免费观看| 12—13女人毛片做爰片一| 最后的刺客免费高清国语| 亚洲va日本ⅴa欧美va伊人久久| 亚洲av日韩精品久久久久久密| 久久久精品大字幕| 男女床上黄色一级片免费看| 欧美国产日韩亚洲一区| 久久99热这里只有精品18| 蜜桃亚洲精品一区二区三区| 少妇人妻一区二区三区视频| 桃色一区二区三区在线观看| 国产三级在线视频| 夜夜夜夜夜久久久久| ponron亚洲| 久久午夜亚洲精品久久| 色哟哟哟哟哟哟| 久久久久九九精品影院| 国产精品久久久久久久电影| 美女cb高潮喷水在线观看| 亚洲av二区三区四区| 国产伦人伦偷精品视频| 国产免费男女视频| 日本a在线网址| 免费一级毛片在线播放高清视频| 国产精品三级大全| 丁香六月欧美| 丰满乱子伦码专区| 18+在线观看网站| 国产三级黄色录像| 中文字幕高清在线视频| 色综合站精品国产| 日韩欧美在线乱码| 极品教师在线免费播放| 看黄色毛片网站| 99在线人妻在线中文字幕| 99热这里只有是精品50| 亚洲av免费在线观看| 日本在线视频免费播放| 搡女人真爽免费视频火全软件 | 亚洲aⅴ乱码一区二区在线播放| 特级一级黄色大片| 国产高清有码在线观看视频| 激情在线观看视频在线高清| 亚洲精品影视一区二区三区av| 国内精品一区二区在线观看| av视频在线观看入口| 日韩国内少妇激情av| 我要搜黄色片| 国内精品一区二区在线观看| 亚洲黑人精品在线| 伦理电影大哥的女人| 成人午夜高清在线视频| 欧美激情久久久久久爽电影| 久久亚洲真实| 国产精品亚洲一级av第二区| 桃红色精品国产亚洲av| 三级国产精品欧美在线观看| 别揉我奶头~嗯~啊~动态视频| 国内精品美女久久久久久| 久久久久九九精品影院| 亚洲中文字幕一区二区三区有码在线看| 午夜免费激情av| 中文亚洲av片在线观看爽| 一边摸一边抽搐一进一小说| 久久精品91蜜桃| 俺也久久电影网| 精品不卡国产一区二区三区| 国产亚洲精品久久久com| 亚洲电影在线观看av| 桃红色精品国产亚洲av| 麻豆久久精品国产亚洲av| 真人一进一出gif抽搐免费| 亚洲精品在线美女| 久久久久国内视频| 中文资源天堂在线| 99在线人妻在线中文字幕| 免费黄网站久久成人精品 | 久久久久性生活片| 日韩中文字幕欧美一区二区| 国产高清有码在线观看视频| 国产精品野战在线观看| 91麻豆精品激情在线观看国产| 黄色丝袜av网址大全| 一进一出好大好爽视频| 亚洲av成人精品一区久久| 99热只有精品国产| 99热精品在线国产| 午夜福利免费观看在线| 国产熟女xx| 免费大片18禁| 伦理电影大哥的女人| 免费搜索国产男女视频| 午夜两性在线视频| 亚洲国产色片| 午夜免费成人在线视频| 精品午夜福利视频在线观看一区| 国产伦精品一区二区三区视频9| 直男gayav资源| 高清日韩中文字幕在线| 久久久精品大字幕| 欧美日韩中文字幕国产精品一区二区三区| 久久久久免费精品人妻一区二区| 69人妻影院| 黄色一级大片看看| 久久久久国内视频| 亚洲成人久久性| 熟女人妻精品中文字幕| 久久人人精品亚洲av| 极品教师在线视频| 国产精品久久久久久精品电影| 观看免费一级毛片| 国产三级黄色录像| 亚洲,欧美,日韩| 最近中文字幕高清免费大全6 | 国产精品综合久久久久久久免费| 久久久久性生活片| eeuss影院久久| 欧洲精品卡2卡3卡4卡5卡区| 亚洲精品色激情综合| 欧美潮喷喷水| 深爱激情五月婷婷| 成人国产综合亚洲| 嫁个100分男人电影在线观看| 色哟哟哟哟哟哟| 18禁黄网站禁片午夜丰满| 午夜福利在线在线| 亚洲av电影不卡..在线观看| 精品乱码久久久久久99久播| 美女被艹到高潮喷水动态| 90打野战视频偷拍视频| 久久精品国产亚洲av涩爱 | 国产高潮美女av| 中文字幕精品亚洲无线码一区| 亚洲真实伦在线观看| 国产v大片淫在线免费观看| 国产高清激情床上av| 久久国产精品人妻蜜桃| a级毛片免费高清观看在线播放| 中文资源天堂在线| 毛片一级片免费看久久久久 | 精品人妻1区二区| 又爽又黄无遮挡网站| 久久精品夜夜夜夜夜久久蜜豆| 国产大屁股一区二区在线视频| 国产欧美日韩精品亚洲av| 看黄色毛片网站| 日本a在线网址| av天堂中文字幕网| 成人av在线播放网站| 亚洲真实伦在线观看| 亚洲av电影不卡..在线观看| 亚州av有码| 真人做人爱边吃奶动态| 狠狠狠狠99中文字幕| 国产精品亚洲一级av第二区| 亚洲人与动物交配视频| 美女免费视频网站| av在线老鸭窝| 亚洲狠狠婷婷综合久久图片| 伦理电影大哥的女人| 免费观看的影片在线观看| 91字幕亚洲| 国产成人欧美在线观看| 免费av毛片视频| 国产精品电影一区二区三区| 日本免费a在线| 久久久久久久久久黄片| 夜夜躁狠狠躁天天躁| 午夜福利免费观看在线| 成人国产综合亚洲| 久久午夜亚洲精品久久| 人人妻人人澡欧美一区二区| 欧美国产日韩亚洲一区| 女生性感内裤真人,穿戴方法视频| 欧美+日韩+精品| 嫩草影院入口| 午夜福利高清视频| 国产精品伦人一区二区| 亚洲激情在线av| 免费一级毛片在线播放高清视频| 日本a在线网址| 午夜两性在线视频| 国产精品亚洲av一区麻豆| 在线观看一区二区三区| 亚洲av成人精品一区久久| 午夜福利免费观看在线| 国产乱人伦免费视频| 亚洲欧美日韩高清专用| 精品久久久久久,| 国产av一区在线观看免费| 国产欧美日韩精品亚洲av| 欧美日韩国产亚洲二区| 99riav亚洲国产免费| 成人国产一区最新在线观看| 一级av片app| 日韩欧美一区二区三区在线观看| www日本黄色视频网| 别揉我奶头 嗯啊视频| 九色成人免费人妻av| 日日摸夜夜添夜夜添av毛片 | 亚洲欧美精品综合久久99| 美女黄网站色视频| 91九色精品人成在线观看| 国产精品久久视频播放| 国产三级中文精品| 欧洲精品卡2卡3卡4卡5卡区| 国产亚洲欧美在线一区二区| 免费无遮挡裸体视频| 欧美色视频一区免费| 久久国产乱子伦精品免费另类| 日韩欧美国产在线观看| 我要看日韩黄色一级片| 麻豆成人av在线观看| 能在线免费观看的黄片| avwww免费| 午夜精品一区二区三区免费看| 我要搜黄色片| 国产午夜福利久久久久久| 成年免费大片在线观看| 丰满人妻一区二区三区视频av| 在线播放无遮挡| 精品久久久久久久末码| 此物有八面人人有两片| 色尼玛亚洲综合影院| 色哟哟·www| 少妇高潮的动态图| 精品熟女少妇八av免费久了| 在线观看一区二区三区| 国产精品野战在线观看| 毛片一级片免费看久久久久 | 在线观看一区二区三区| 免费一级毛片在线播放高清视频| 色播亚洲综合网| 久久久久久九九精品二区国产| 99久国产av精品| 天堂√8在线中文| 人妻制服诱惑在线中文字幕| 麻豆成人午夜福利视频| av欧美777| 看片在线看免费视频| 欧美激情在线99| 成人毛片a级毛片在线播放| 欧美日韩亚洲国产一区二区在线观看| 亚洲国产欧洲综合997久久,| 757午夜福利合集在线观看| 亚洲国产色片| 国产主播在线观看一区二区| 久久久久久久久中文| 18美女黄网站色大片免费观看| 国产精品影院久久| 最近最新中文字幕大全电影3| 舔av片在线| 国产亚洲精品久久久久久毛片| 国产亚洲欧美98| 亚州av有码| 亚洲欧美日韩东京热| 久久久色成人| 最新中文字幕久久久久| 免费一级毛片在线播放高清视频| 亚洲精华国产精华精| 国产精品久久久久久亚洲av鲁大| 一本精品99久久精品77| 免费大片18禁| 国产精品一区二区性色av| 成人亚洲精品av一区二区| 琪琪午夜伦伦电影理论片6080| 欧美最新免费一区二区三区 | 午夜两性在线视频| 男人狂女人下面高潮的视频| 国产av不卡久久| 白带黄色成豆腐渣| 免费在线观看成人毛片| 国产精品一及| 两性午夜刺激爽爽歪歪视频在线观看| 一级作爱视频免费观看| 国产蜜桃级精品一区二区三区| 国产亚洲精品综合一区在线观看| 日韩欧美精品免费久久 | 中文字幕人妻熟人妻熟丝袜美| 免费看美女性在线毛片视频| 日本黄大片高清| 成熟少妇高潮喷水视频| 久久久久久大精品| 日本黄色视频三级网站网址| 中出人妻视频一区二区| 国产精品三级大全| 国产精品亚洲一级av第二区| 成年女人毛片免费观看观看9| 国产一区二区在线av高清观看| 国产精品1区2区在线观看.| 日本撒尿小便嘘嘘汇集6| 亚洲18禁久久av| 婷婷亚洲欧美| 国产日本99.免费观看| 欧美黑人欧美精品刺激| 又黄又爽又免费观看的视频| 在线免费观看不下载黄p国产 | 1024手机看黄色片| 久久亚洲精品不卡| 亚洲无线观看免费| 国产欧美日韩一区二区精品| 国产高清激情床上av| 色5月婷婷丁香| 麻豆国产av国片精品| 日韩欧美一区二区三区在线观看| 久久久久久久久久成人| 日韩有码中文字幕| 久久久久久久久大av| 亚洲va日本ⅴa欧美va伊人久久| 一进一出抽搐动态| 免费av毛片视频| 亚洲最大成人中文| bbb黄色大片| 在线免费观看的www视频| 伦理电影大哥的女人| 欧美丝袜亚洲另类 |