• <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 ?

    基于參數(shù)優(yōu)化的KELM 和GRU 的短期電力負荷預測*

    2022-10-22 03:36:52雪鮑龔順琦
    電子器件 2022年4期
    關鍵詞:模態(tài)優(yōu)化模型

    周 雪鮑 剛 龔順琦

    (1.三峽大學電氣與新能源學院,湖北 宜昌 443002;2.三峽大學梯級水電站運行與控制湖北省重點實驗室,湖北 宜昌 443002)

    短期電力負荷預測指的是對短期負荷時序數(shù)據(jù)內在規(guī)律的研究,以便探索未來的負荷變化,并進行電力需求初步估計和預測[1-3]。由于短期負荷時間序列的強非線性,實現(xiàn)高精度預測具有一定的挑戰(zhàn)[4-5]。目前,一些智能算法(如人工神經(jīng)網(wǎng)絡和支持向量機)在非線性時間序列的預測中能夠取得較高精度,因此在負荷預測研究中占有很大的比重[6-8]。文獻[9]為了提高預測精度,利用人工神經(jīng)網(wǎng)絡理論和方法,對日最大、最小負荷時刻進行負荷模型預測,分析了預測負荷值和預測模型參數(shù)值之間的靈敏度。文獻[10]在負荷預測中使用了BP 神經(jīng)網(wǎng)絡,雖然BP 神經(jīng)網(wǎng)絡優(yōu)異的自我學習能力和自適應能力可以提高預測精度,但初始閾值和權重的選擇對網(wǎng)絡訓練的速度和精度有很大影響。文獻[11]提出了一種基于改進經(jīng)驗模態(tài)分解(IEMD)和支持向量機(SVM)的風電信號組合預測方法。該模型能夠較好地表現(xiàn)原信號的整體趨勢,并通過實例驗證了該模型具有較強的泛化能力。文獻[12]采用改進蜻蜓算法優(yōu)化自適應噪聲的完全集合經(jīng)驗模態(tài)分解(CEEMDAN)與支持向量回歸(Support Vector Regression,SVR)模型,有效提高了負荷的預測精度。為了削弱負荷序列的非線性,文獻[13]將經(jīng)驗模態(tài)分解(Empirical Mode Decomposition,EMD)與粒子群優(yōu)化(PSO)以及遺傳算法(GA)相結合,改進了負荷預測中傳統(tǒng)支持向量回歸(Support Vector Regression,SVR)模型的預測性能。雖然基于EMD的分解方法可以有效地執(zhí)行原始負荷數(shù)據(jù)的分解,能夠將平穩(wěn)序列與非平穩(wěn)序列有效地分離,以提高預測精度。但是采用EMD 算法進行分解,可能會產(chǎn)生虛假IMF 分量,影響整體分解性能和預測精度。為獲得更好的預測效果,文獻[14]建立經(jīng)驗小波變換(Empirical Wavelet Transform,EWT)與小波核極限學習機(WKELM)的組合預測方法,與EMD 相比,EWT 算法能夠更好地處理數(shù)據(jù),進一步提升了模型的預測性能。對于核極限學習機而言,其正則化系數(shù)和核函數(shù)參數(shù)需要合理設定,兩者的設定對模型預測性能具有一定影響[15]。

    由于短期負荷時間序列的復雜性及其非平穩(wěn)性,一些學者將組合模型預測方法應用于短期負荷預測。其中,應用時頻分解技術處理后再對各子序列分別預測的方法得到了廣泛的應用。上述方法雖然削弱了原始數(shù)據(jù)的非平穩(wěn)性,較顯著地提升了預測精度。然而,對于不同復雜度的子序列,應用同一種預測模型并不能充分發(fā)揮模型性能。因此,提出了一種基于經(jīng)驗小波變換(EWT)、樣本熵(Sample Entropy,SampEn)、門控循環(huán)單元(Gated Recurrent Unit,GRU)和基于鯨魚優(yōu)化算法(Whale Optimization Algorithm,WOA)參數(shù)尋優(yōu)的核極限學習機(Kernel Extreme Learning Machine,KELM)[15]的混合預測方法。通過對不同預測模型的比較,驗證了文章提出的模型在電力系統(tǒng)短期負荷預測中的應用具有高效性和準確性。

    1 基于EWT 和樣本熵的數(shù)據(jù)預處理

    1.1 EWT 算法

    文章采用一種新的自適應信號處理方法即EMT算法[16],對原始電力負荷數(shù)據(jù)進行預處理。該方法的核心思想是基于尺度空間的頻譜分離技術,自適應劃分信號頻譜,然后構造一組合適的小波濾波器,提取具有頻譜特征的調幅-調頻分量(AM-FM),對提取的AM-FM 分量進行Hilbert 變換,得到有意義的瞬時頻率和瞬時振幅,進而得到Hilbert 譜。EWT 的理論完備且計算量遠小于EMD 和集成經(jīng)驗模態(tài)分解(EEMD),有效消除了模態(tài)混疊現(xiàn)象[17]。

    由EWT 變換之后,原始信號f(t)可表示如下:

    經(jīng)過上述轉換后的經(jīng)驗尺度分量f0(t)包含原始信號的整體變化特征,fk(t)包含不同頻域具有差異的特征,即實現(xiàn)了原始序列中固有模態(tài)分量的有效分離。其中,EWT 分解信號的主要過程如圖1 所示:

    圖1 數(shù)據(jù)預處理流程圖

    1.2 樣本熵

    為了定量評估各分解序列時序特征以分配適宜預測模型,文章采用樣本熵對各子序列內部混亂程度進行定量分析,樣本熵(Sample Entropy,SampEn)與近似熵的物理意義相似,都是通過度量信號中產(chǎn)生新模式的概率大小來衡量時間序列復雜性,新模式產(chǎn)生的概率越大,序列的復雜性就越大。其中樣本熵的基本原理可參見文獻[18]。文章中序列樣本熵復雜度以原始序列的樣本熵值為評價標準,當子序列的樣本熵值大于原始序列樣本熵值時,則說明此子序列更為復雜。

    2 基于GRU 和WOA-KELM 的混合預測方法

    2.1 GRU

    GRU(Gate recurrent unit,GRU)是在人工神經(jīng)網(wǎng)絡基礎上發(fā)展起來的一種具有較強時序預測性能的新型深度網(wǎng)絡,其通過引入各類門控算子對輸入變量進行選擇性操作,不僅能夠減少梯度消失問題,還可以實現(xiàn)長期記憶信息的保存與更新[19]。其網(wǎng)絡結構如圖2 所示:

    圖2 深度門控單元結構

    假設xt為輸入,ht為隱藏層的輸出,GRU 單元通過以下公式計算得到ht:

    式中:σ為sigmoid 函數(shù),xt為t時刻輸入張量,ht-1為t-1 時刻隱含狀態(tài),rt和zt分別為重置門和更新門,wxr和br表示權重參數(shù)和偏移參數(shù)為候選隱藏狀態(tài),⊙為Hadamard 積。

    2.2 基于WOA 算優(yōu)化的KELM 預測原理

    核極限學習機(KELM)是一種特殊的前向神經(jīng)網(wǎng)絡[20],它只需要設置隱藏層的節(jié)點個數(shù),然后使用最小二乘法即可計算出權重。核極限學習機由于其輸入權重與偏置項隨機產(chǎn)生并在計算過程中不再改變,因此其模型結果會更加隨機,能夠避免傳統(tǒng)神經(jīng)網(wǎng)絡容易產(chǎn)生局部最優(yōu)解的問題。

    對于含有L個隱藏層節(jié)點的KELM,給定N組訓練樣本數(shù)據(jù),輸入樣本集為X={x1,x2,x3,…,xN},此時輸出的樣本集為Y={y1,y2,y3,…,yN},其中KELM 的輸出表達式為:

    式中:C為正則化參數(shù);ΩELM為核函數(shù),表達式為ΩELM=HHT;H為隱含層輸出函數(shù),H=[h(x1),…,h(xn)]T,h(xi)為樣本xi的非線性映射;β為隱含層與輸出層的權值向量。

    由于KELM 是在ELM 基礎上通過引入核函數(shù)來獲得更好的應用潛力,核函數(shù)ΩELMi,j表達式如下,其中g為KELM 的核參數(shù):

    為優(yōu)化KELM 預測模型的內部正則化系數(shù)c和核函數(shù)參數(shù)g,文中使用鯨魚優(yōu)化算法(Whale Optimization Algorithm,WOA),并基于核極限學習機的理論基礎優(yōu)化KELM 的超參數(shù)。WOA 算法為一種模仿座頭鯨狩獵行為的元啟發(fā)式優(yōu)化算法,使用隨機或最佳搜索代理來模擬狩獵行為,以及使用螺旋式位置更新來模擬座頭鯨的泡泡網(wǎng)攻擊機制[21],算法的求解步驟可簡要描述如下:

    (1)環(huán)繞式捕獵。座頭鯨根據(jù)獵物的位置不斷調整自身位置進行狩獵,以獲得最佳捕食策略。這種優(yōu)化搜索策略可以描述為:

    式中:D為當前座頭鯨和獵物之間的距離;X*(t)為目前得到最優(yōu)解的位置向量;X(t)為當前的位置向量;X(t+1)為下一次迭代后的目標向量;A和C為系數(shù)向量,可由公式(6)計算得到:

    式中:A∈[-1,1];r1和r2是(0,1)中的隨機向量;常數(shù)a在迭代過程中線性遞減;t表示當前的迭代次數(shù);Tmax為迭代的最大次數(shù)。此過程模仿狩獵時座頭鯨的螺旋運動以實現(xiàn)位置更新。

    (2)基于泡泡網(wǎng)的狩獵行為。座頭鯨在對獵物進行搜索包圍后,采用螺旋方程來更新座頭鯨的位置:

    式中:Di表示第i條座頭鯨到獵物的距離(目前可以得到的最佳解);b為對數(shù)螺線形狀常數(shù);l為[-1,1]之間的隨機數(shù)。

    在進行優(yōu)化的過程中,我們采用50%的概率控制鯨群的搜索范圍(P為[0,1]之間的隨機數(shù)),在縮小的包圍機制和螺旋模型之間做出選擇,其中進行螺旋式位置更新的公式如下:

    (3)獵物搜尋過程。座頭鯨在實際獵捕中會將螺旋式搜索和隨機搜索兩種搜索模式相結合,即在|A|>1 范圍內進行隨機搜索,以便尋找其他合適的食物,這將增強WOA 優(yōu)化算法的全局搜索捕食能力:

    式中:Xrand為鯨群中隨機選擇的位置。

    在優(yōu)化過程中,將負荷序列的均方根誤差作為適應度函數(shù),適應度函數(shù)表達式如公式(10)所示:

    式中:N為實驗數(shù)據(jù)個數(shù),yi表示第i個負荷序列的實際值為第i個負荷序列預測值。

    當適應度值f取最小時,預測值與真實值之間誤差也最小,說明此時預測精度較高。在當前適應度下,通過WOA 算法尋找的最佳鯨魚位置坐標即為KELM 內部的c,g參數(shù)。

    3 短期負荷預測模型框架

    3.1 預測模型整體框架

    為充分削弱短期負荷序列的非平穩(wěn)性和非線性,減小預測誤差以提升預測模型的預測精度,文章提出基于GRU 算法和WOA 算法優(yōu)化的KELM 混合預測模型來預測未來的負荷變化情況,并引入EWT 算法和樣本熵對原始負荷數(shù)據(jù)進行預處理。其中文章提出的EWT-WOA-KELM-GRU 短期負荷預測模型整體框架如圖3 所示。

    圖3 基于GRU 和WOA-KELM 的混合預測模型

    3.2 WOA-KELM 預測模型構建

    對經(jīng)過EWT 分解后得到的IMF1和IMF2序列分量,由于其樣本熵值高于原始序列,其混亂程度更高,因此采用WOA-KELM 預測模型進行預測。WOA-KELM 預測步驟如下:

    步驟一:將IMF1和IMF2序列分量分別重構為六維特征矩陣和目標向量,并依次劃分為訓練集、驗證集和測試集;

    步驟二:輸入訓練集數(shù)據(jù),構建KELM 整體框架,并得到驗證集下的預測誤差;

    步驟三:將驗證集預測結果的均方根誤差作為適應度函數(shù),利用WOA 算法進行優(yōu)化,使預測誤差最??;

    步驟四:對所有序列樣本進行歸一化處理,初始化鯨魚種群個數(shù),確定迭代次數(shù)以及c,g參數(shù)的搜索范圍;

    步驟五:隨機產(chǎn)生鯨魚種群位置x(c,g),計算各個鯨魚種群對應的適應度值,選取適應度最優(yōu)的鯨魚個體位置,記為x*(c,g),并更新當前鯨魚位置;

    步驟六:重復步驟五直至到達最大迭代次數(shù),記錄最佳位置為x*(c,g),此時的c,g為通過WOA 優(yōu)化算法得到的最佳參數(shù);

    步驟七:將優(yōu)化好的c,g參數(shù)代入KELM 預測模型,輸入測試集的數(shù)據(jù),最后得到預測結果。

    3.3 GRU 預測模型構建

    對EWT 分解后得到的IMF3~IMF5負荷序列,由于其樣本熵值低于原始序列,因此通過GRU 網(wǎng)絡得到預測輸出序列。GRU 預測步驟如下:

    步驟一:將IMF3、IMF4和IMF5序列分量分別重構為六維特征矩陣和目標向量,并依次劃分為訓練集、驗證集和測試集;

    步驟二:利用驗證集獲得對應GRU 網(wǎng)絡模型,并使用測試集得到IMF3、IMF4和IMF5序列分量預測結果,對預測結果進行疊加重構后得到歸一化預測數(shù)據(jù);

    步驟三:將預測數(shù)據(jù)進行反歸一化,得到預測結果。

    3.4 預測誤差評價指標

    為了驗證文中所提模型的預測性能,采用平均絕對誤差(Mean Absolute Error,MAE)、均方根誤差(Root Mean Square Error,RMSE)、平均絕對百分比誤差(Mean Absolute Percentage Error,MAPE)來評估模型優(yōu)劣,采用擬合優(yōu)度檢驗R2評價指標來反映模型擬合的精密度,通過以上評價指標檢驗各模型的預測性能,其計算方法如下所示:

    4 實驗及結果分析

    文章采用比利時某地區(qū)2020 年1 月1 日至1 月30 日內的實測負荷數(shù)據(jù),數(shù)據(jù)采集間隔為15 min,累計包含2 880 個樣本。將數(shù)據(jù)集分為以下幾部分:前1 822 個樣本為訓練集,之后的456 個樣本用作驗證集,最后596 個樣本用作測試集。為了避免迭代過程中學習時間過長,同時考慮到負荷數(shù)據(jù)的時間序列特性,文章利用歷史負荷數(shù)據(jù)中前6 個時刻的負荷預測第7 時刻的負荷,其中映射函數(shù)可以表示為=f(xt+5,xt+4,xt+3,xt+2,xt+1,xt)。在預測過程中,前1 822個樣本為訓練集用于搭建KELM 和GRU 的負荷預測模型;之后的456 個樣本用作驗證集選取最優(yōu)參數(shù),其中采用WOA 算法優(yōu)化KELM 內部的超參數(shù),c、g參數(shù)的范圍均設置為[2-10,210];最后將596 個樣本用作測試集,分別經(jīng)過WOA 算法優(yōu)化的KELM 模型和GRU 模型預測,最終得到精度較高的預測結果。

    此外,為了保障種群多樣性,WOA 優(yōu)化算法種群規(guī)模設定為30,迭代次數(shù)設定為50 次。GRU 的隱藏神經(jīng)元個數(shù)為32 個,隱藏層數(shù)為1。在預測過程中,考慮訓練速度與梯度下降的因素,GRU 的batchsize為128,epochs 為500,同時在訓練過程中,為了可以有效緩解過擬合的發(fā)生,在一定程度上達到正則化的效果,Dropout 設置為0.2,最終得到GRU 預測模型的預測結果。各算法具體參數(shù)設置如表1 所示。

    表1 所提模型參數(shù)設置

    4.1 分解結果

    采用EWT 算法對原始負荷序列進行分解,最終原始負荷序列和EWT 分解結果如圖4 和圖5 所示,圖4 為比利時某地區(qū)2020 年1 月1 日至1 月30 日內實測負荷數(shù)據(jù),其中縱坐標為每15 min 采樣一次的負荷量;圖5 為經(jīng)過EWT 分解后的5 個模態(tài)分量,累計包含2 880 個樣本數(shù)據(jù);各子序列樣本熵值如圖6所示,圖中虛線為原始序列對應的樣本熵值。

    圖4 原始負荷序列

    圖5 EWT 分解結果

    由圖4 可以看出,原始負荷序列具有很強的不穩(wěn)定性和非線性,從圖5 可以看出,在經(jīng)過EWT 分解之后,原始負荷序列可以分解為5 個模態(tài)分量,并且顯現(xiàn)出從高頻到低頻的變化特征。其中高頻分量IMF1、IMF2波形變化劇烈,難以在預測模型中實現(xiàn)較高精度,IMF3、IMF4分量的變化規(guī)律比較明顯,低頻分量IMF5的預測結果與實際數(shù)據(jù)誤差較小,能夠在預測模型中實現(xiàn)較高精度。由此可以看出,EWT方法可以對負荷序列進行有效分解。

    從圖6 可以看出,EWT 分解子序列對應的樣本熵呈現(xiàn)下降趨勢。從圖5 和圖6 的比較可以看出,IMF1和IMF2序列信號的頻率越大,其相應的樣本熵值就越大,因此表明它們具有較高的復雜度,與之相應的是較高的預測難度。而IMF3、IMF4、IMF5序列波形曲線相對平穩(wěn),樣本熵值小于原始序列,更易于預測。

    圖6 各子序列樣本熵值

    4.2 對比分析

    為了驗證EWT-WOA-KELM-GRU 混合預測模型的準確性,選取SVR、KELM、EMD-KELM、EWTKELM、EWT-WOA-KELM 預測模型作為對比模型將EWT-WOA-KELM-GRU 的性能與對比模型進行了比較,充分驗證所提預測模型的精度。所提模型和對比模型在測試集上的預測效果見圖7,各模型的預測誤差和擬合效果數(shù)據(jù)見表2。

    表2 各模型在測試集上的預測誤差

    從表2 和圖7 的預測誤差和擬合結果來看,所提出的EWT-WOA-KELM-GRU 模型取得了最好的預測效果。該預測模型在測試集上的預測誤差最小,預測精度最高,且擬合效果優(yōu)于其他比較模型。其中MAE 為18.295 1 MW,RMSE 為23.896 6 MW,MAPE 為0.17%,R2為99.98%。以MAPE 為例,該模型優(yōu)于傳統(tǒng)的SVR 和KELM 模型,預測誤差比單一的KELM 預測模型降低了0.74%;同時,該模型優(yōu)于采用其他分解技術的EMD-KELM 模型,預測誤差比EMD-KELM 模型降低了0.64%,充分顯現(xiàn)了EWT分解的效率,與EMD 分解技術相比有了很大的提高。與未采用WOA 算法優(yōu)化的EWT-KELM 模型相比,該模型的MAPE 指數(shù)降低了0.23%,驗證了該模型的有效性。在充分分解非線性負荷序列數(shù)據(jù)的同時,使用WOA 算法可以有效改善模型的訓練速度和求解性能,在一定程度上提高短期負荷預測的準確性。與EWT-WOA-KELM 預測模型相比,采用樣本熵評估經(jīng)EWT 分解后的子序列復雜度,并使用EWT-WOA-KELM-GRU 混合預測模型對子序列分別進行預測,預測誤差更低,擬合度更優(yōu)。

    圖7 所提模型以及對比模型在測試集上的預測效果

    為了可視化所提模型的預測性能,測試集上所有模型的具體預測誤差指標如圖8 所示。

    圖8 所提模型以及對比模型的預測誤差情況比較

    對所提出的EWT-WOA-KELM-GRU 模型進行實例計算和結果分析可得,所提混合模型具有更加高效的擬合能力,經(jīng)過模態(tài)分解之后,對于傳統(tǒng)的KELM 具有較大的提升,并且所提出的EWT 分解效果要優(yōu)于EMD 分解方法,有效緩解模態(tài)混疊的情況,提升了非線性負荷序列的分解效率;在進行模態(tài)分解預處理之后,采用樣本熵度量各個子序列的復雜度,并為不同子序列分配適宜的預測模型;為進一步提升KELM 的預測性能,提出采用WOA 算法優(yōu)化選取和搜索KELM 的內部超參數(shù),從而有效提升了EWT-KELM 模型的預測效果,非線性擬合能力在此基礎上提升0.12%,達到99.98%的高水平。

    5 結論

    為獲得更高的短期負荷預測精度,文章采用EWT 算法對短期電力負荷的原始數(shù)據(jù)序列進行分解,獲得多組平穩(wěn)的模態(tài)分量序列,然后對各子序列應用樣本熵分析其內在復雜度,并依次建立GRU 和WOA 算法優(yōu)化的KELM 預測模型,并通過累加所有模型的預測值得到最終預測結果。實驗結果表明,所提出的EWT-WOA-KELM-GRU 模型在短期負荷預測中精度較高,預測速度更快,擬合度更優(yōu)。在今后的研究中,可以考慮短期電力負荷預測在更復雜的環(huán)境下的應用,例如氣候等因素的影響,進一步提高預測模型的通用性和數(shù)據(jù)處理能力。

    猜你喜歡
    模態(tài)優(yōu)化模型
    一半模型
    超限高層建筑結構設計與優(yōu)化思考
    民用建筑防煙排煙設計優(yōu)化探討
    關于優(yōu)化消防安全告知承諾的一些思考
    一道優(yōu)化題的幾何解法
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權M-估計的漸近分布
    3D打印中的模型分割與打包
    國內多模態(tài)教學研究回顧與展望
    基于HHT和Prony算法的電力系統(tǒng)低頻振蕩模態(tài)識別
    精品日产1卡2卡| 国产成年人精品一区二区| av在线天堂中文字幕| 久久天躁狠狠躁夜夜2o2o| 首页视频小说图片口味搜索| 欧美乱码精品一区二区三区| 97碰自拍视频| 长腿黑丝高跟| 欧美日韩福利视频一区二区| 国产精品野战在线观看| 老熟妇仑乱视频hdxx| 色吧在线观看| 嫩草影院入口| 搡老妇女老女人老熟妇| 丰满的人妻完整版| 精品国产三级普通话版| 亚洲精品在线观看二区| 最新中文字幕久久久久 | 精品久久久久久久毛片微露脸| 国产精品精品国产色婷婷| 国产成人精品无人区| 在线观看午夜福利视频| 一本一本综合久久| 国产成人aa在线观看| 精品一区二区三区四区五区乱码| 在线免费观看不下载黄p国产 | 一个人看视频在线观看www免费 | 精品一区二区三区视频在线观看免费| 老熟妇仑乱视频hdxx| 日韩欧美精品v在线| 久久99热这里只有精品18| 五月玫瑰六月丁香| 中文字幕熟女人妻在线| 亚洲七黄色美女视频| 久久久久国内视频| 狂野欧美白嫩少妇大欣赏| 亚洲成av人片免费观看| 母亲3免费完整高清在线观看| 天天躁日日操中文字幕| 免费观看的影片在线观看| 久久久久久久精品吃奶| 久久天躁狠狠躁夜夜2o2o| 麻豆国产av国片精品| 欧美色欧美亚洲另类二区| 国产激情久久老熟女| 精品一区二区三区av网在线观看| 国产成+人综合+亚洲专区| av天堂中文字幕网| 18禁观看日本| 最新中文字幕久久久久 | 午夜激情福利司机影院| 成人三级做爰电影| 亚洲人与动物交配视频| 夜夜爽天天搞| 亚洲aⅴ乱码一区二区在线播放| 麻豆国产97在线/欧美| 日本精品一区二区三区蜜桃| 欧美黑人欧美精品刺激| 国产精品精品国产色婷婷| a在线观看视频网站| 午夜激情福利司机影院| 国产精品久久电影中文字幕| 日韩大尺度精品在线看网址| 国产久久久一区二区三区| 国产人伦9x9x在线观看| 真人做人爱边吃奶动态| 欧美日韩精品网址| 男人舔奶头视频| 热99在线观看视频| a在线观看视频网站| 国产高清三级在线| 欧美日韩黄片免| 天堂动漫精品| 精品一区二区三区视频在线 | 精品国内亚洲2022精品成人| 中文字幕av在线有码专区| 国产精品电影一区二区三区| 欧美日韩国产亚洲二区| 亚洲 欧美 日韩 在线 免费| 亚洲精品一区av在线观看| 国产三级黄色录像| 欧美日韩一级在线毛片| 特级一级黄色大片| 中文字幕人成人乱码亚洲影| 天天躁日日操中文字幕| 午夜精品一区二区三区免费看| 三级国产精品欧美在线观看 | 99国产精品一区二区三区| 97人妻精品一区二区三区麻豆| 男女之事视频高清在线观看| 级片在线观看| 日韩精品青青久久久久久| 精品久久久久久久毛片微露脸| 国产精品亚洲av一区麻豆| 两性午夜刺激爽爽歪歪视频在线观看| 国产一区二区在线观看日韩 | 一级作爱视频免费观看| 欧美乱码精品一区二区三区| 一区福利在线观看| 一本一本综合久久| 中文字幕av在线有码专区| 欧美日本亚洲视频在线播放| 色精品久久人妻99蜜桃| 夜夜躁狠狠躁天天躁| 欧美xxxx黑人xx丫x性爽| 久久精品国产99精品国产亚洲性色| 好看av亚洲va欧美ⅴa在| 亚洲国产精品sss在线观看| 18禁美女被吸乳视频| 欧美日韩亚洲国产一区二区在线观看| 在线观看免费视频日本深夜| 亚洲熟妇中文字幕五十中出| e午夜精品久久久久久久| 亚洲自偷自拍图片 自拍| 日韩 欧美 亚洲 中文字幕| 最近最新免费中文字幕在线| 一级毛片精品| 婷婷精品国产亚洲av在线| 成在线人永久免费视频| 午夜福利成人在线免费观看| 国产亚洲精品久久久久久毛片| 亚洲精品色激情综合| 欧美日韩福利视频一区二区| 757午夜福利合集在线观看| 久久这里只有精品中国| av女优亚洲男人天堂 | 亚洲黑人精品在线| 黑人欧美特级aaaaaa片| 老汉色∧v一级毛片| 国产爱豆传媒在线观看| 1000部很黄的大片| 五月伊人婷婷丁香| 亚洲精品美女久久av网站| 欧美激情在线99| 午夜激情欧美在线| 午夜精品一区二区三区免费看| 久久久久国产精品人妻aⅴ院| 欧美一区二区精品小视频在线| 2021天堂中文幕一二区在线观| 久久精品国产清高在天天线| 国产三级黄色录像| 免费看十八禁软件| 国产亚洲精品久久久com| 午夜激情欧美在线| 欧美一级a爱片免费观看看| h日本视频在线播放| 亚洲成人精品中文字幕电影| 国产av不卡久久| 麻豆av在线久日| 精品一区二区三区四区五区乱码| 日本三级黄在线观看| 久久久久久久久中文| 精品人妻1区二区| 琪琪午夜伦伦电影理论片6080| 禁无遮挡网站| 制服人妻中文乱码| 亚洲熟女毛片儿| 成人三级黄色视频| 51午夜福利影视在线观看| e午夜精品久久久久久久| 国产亚洲精品综合一区在线观看| 夜夜看夜夜爽夜夜摸| 丰满的人妻完整版| 久久久久久国产a免费观看| 一本久久中文字幕| 欧美大码av| 亚洲国产高清在线一区二区三| www.自偷自拍.com| 免费电影在线观看免费观看| 亚洲av电影在线进入| 国产精品美女特级片免费视频播放器 | 99久久成人亚洲精品观看| xxx96com| 一个人看视频在线观看www免费 | 中文字幕人成人乱码亚洲影| 偷拍熟女少妇极品色| 精品熟女少妇八av免费久了| 亚洲avbb在线观看| 日本一本二区三区精品| 亚洲av成人一区二区三| 手机成人av网站| 国产视频一区二区在线看| 人人妻,人人澡人人爽秒播| 久久精品aⅴ一区二区三区四区| 亚洲中文av在线| 日本免费a在线| 精品熟女少妇八av免费久了| 国产人伦9x9x在线观看| 观看免费一级毛片| 久久香蕉精品热| 久久久国产欧美日韩av| 久久香蕉国产精品| 十八禁网站免费在线| 一个人免费在线观看电影 | 精品午夜福利视频在线观看一区| 国产精品电影一区二区三区| 三级男女做爰猛烈吃奶摸视频| 男女午夜视频在线观看| 亚洲av美国av| 亚洲国产精品成人综合色| aaaaa片日本免费| 亚洲天堂国产精品一区在线| 两性午夜刺激爽爽歪歪视频在线观看| 国产精品久久久久久久电影 | 亚洲真实伦在线观看| 国产成年人精品一区二区| 亚洲狠狠婷婷综合久久图片| 啪啪无遮挡十八禁网站| 男人的好看免费观看在线视频| 久久久久九九精品影院| 亚洲国产色片| 夜夜夜夜夜久久久久| 色av中文字幕| 亚洲在线观看片| 又黄又粗又硬又大视频| 欧美日韩精品网址| 在线a可以看的网站| 午夜两性在线视频| 黄色日韩在线| 又紧又爽又黄一区二区| 搞女人的毛片| 国产成+人综合+亚洲专区| 免费av不卡在线播放| 亚洲色图av天堂| 三级国产精品欧美在线观看 | 中亚洲国语对白在线视频| 免费观看人在逋| 亚洲五月天丁香| 非洲黑人性xxxx精品又粗又长| 亚洲欧美日韩高清专用| 国产成人欧美在线观看| 看免费av毛片| 曰老女人黄片| 嫩草影视91久久| 床上黄色一级片| 最近最新免费中文字幕在线| 99久久国产精品久久久| www.精华液| 无限看片的www在线观看| 欧美激情久久久久久爽电影| 一区二区三区激情视频| 亚洲熟女毛片儿| 色噜噜av男人的天堂激情| 一个人免费在线观看电影 | 三级国产精品欧美在线观看 | 欧美成人免费av一区二区三区| 成人一区二区视频在线观看| 欧美精品啪啪一区二区三区| 日韩欧美国产一区二区入口| 国产不卡一卡二| 极品教师在线免费播放| 三级毛片av免费| 免费观看精品视频网站| 日韩人妻高清精品专区| 99热只有精品国产| 欧美成人一区二区免费高清观看 | 成人三级黄色视频| 欧美激情在线99| 伦理电影免费视频| 国产一级毛片七仙女欲春2| 国产午夜精品久久久久久| 色综合欧美亚洲国产小说| 一区二区三区高清视频在线| 香蕉国产在线看| 一个人看的www免费观看视频| 天堂√8在线中文| 久久久久性生活片| 久久精品国产综合久久久| 人妻夜夜爽99麻豆av| 99热只有精品国产| 亚洲国产色片| 91在线观看av| 搡老岳熟女国产| a在线观看视频网站| 免费在线观看日本一区| 欧美日韩瑟瑟在线播放| 超碰成人久久| 亚洲国产精品sss在线观看| 51午夜福利影视在线观看| 99热这里只有精品一区 | 国产野战对白在线观看| 岛国在线免费视频观看| 熟妇人妻久久中文字幕3abv| 俄罗斯特黄特色一大片| 看黄色毛片网站| 岛国视频午夜一区免费看| 蜜桃久久精品国产亚洲av| 村上凉子中文字幕在线| av片东京热男人的天堂| 神马国产精品三级电影在线观看| 熟女人妻精品中文字幕| 国产高潮美女av| 高清毛片免费观看视频网站| 白带黄色成豆腐渣| 91av网站免费观看| 国产精品99久久久久久久久| 天天添夜夜摸| 黑人操中国人逼视频| 一二三四社区在线视频社区8| 亚洲欧洲精品一区二区精品久久久| 少妇人妻一区二区三区视频| 成年免费大片在线观看| 午夜影院日韩av| 亚洲人与动物交配视频| 老汉色∧v一级毛片| 性色avwww在线观看| 亚洲色图av天堂| 51午夜福利影视在线观看| 亚洲成av人片在线播放无| 久久香蕉国产精品| 免费一级毛片在线播放高清视频| 女生性感内裤真人,穿戴方法视频| 真实男女啪啪啪动态图| 99热只有精品国产| 亚洲av成人精品一区久久| 国产伦精品一区二区三区视频9 | 日韩大尺度精品在线看网址| 免费高清视频大片| 99精品在免费线老司机午夜| 哪里可以看免费的av片| 午夜成年电影在线免费观看| 国产一区二区三区视频了| 亚洲中文av在线| 最近在线观看免费完整版| 亚洲av成人一区二区三| 在线永久观看黄色视频| 精品一区二区三区视频在线 | 美女被艹到高潮喷水动态| 波多野结衣高清无吗| 成人午夜高清在线视频| 国产在线精品亚洲第一网站| 日韩精品青青久久久久久| 国产精品 国内视频| 国产成人av激情在线播放| 成人特级黄色片久久久久久久| 久久久久久国产a免费观看| 欧美一级毛片孕妇| 亚洲午夜精品一区,二区,三区| 日本 av在线| 一本一本综合久久| 久久精品亚洲精品国产色婷小说| 久久精品国产清高在天天线| 老司机午夜十八禁免费视频| 黄色日韩在线| 啪啪无遮挡十八禁网站| 免费无遮挡裸体视频| 淫秽高清视频在线观看| 精品久久蜜臀av无| 亚洲熟女毛片儿| 欧美一区二区国产精品久久精品| 亚洲人与动物交配视频| www日本在线高清视频| 日韩欧美一区二区三区在线观看| 亚洲国产精品成人综合色| 久久久久精品国产欧美久久久| 99视频精品全部免费 在线 | 免费在线观看成人毛片| 国产精品99久久久久久久久| 国产精品久久久av美女十八| 99riav亚洲国产免费| 欧美日本视频| 九九久久精品国产亚洲av麻豆 | 男女那种视频在线观看| 女人高潮潮喷娇喘18禁视频| 中国美女看黄片| 在线观看舔阴道视频| 99热只有精品国产| 亚洲一区高清亚洲精品| 亚洲 欧美 日韩 在线 免费| 久久中文字幕人妻熟女| 久久国产精品人妻蜜桃| 天天躁狠狠躁夜夜躁狠狠躁| 久久午夜亚洲精品久久| 欧美乱色亚洲激情| 亚洲,欧美精品.| 狂野欧美激情性xxxx| 999精品在线视频| 两个人视频免费观看高清| 99热精品在线国产| 美女大奶头视频| bbb黄色大片| 黄色成人免费大全| 国产精品精品国产色婷婷| 国产 一区 欧美 日韩| 久久人人精品亚洲av| 国产亚洲av嫩草精品影院| 国产免费男女视频| 男女床上黄色一级片免费看| 精品日产1卡2卡| 日本五十路高清| 午夜福利视频1000在线观看| netflix在线观看网站| 精品乱码久久久久久99久播| 免费看日本二区| 午夜视频精品福利| 色播亚洲综合网| 韩国av一区二区三区四区| 美女高潮喷水抽搐中文字幕| 女人被狂操c到高潮| 免费在线观看影片大全网站| 亚洲欧美一区二区三区黑人| 日日夜夜操网爽| 丰满的人妻完整版| 首页视频小说图片口味搜索| 999精品在线视频| 夜夜爽天天搞| 欧美乱色亚洲激情| 亚洲熟妇熟女久久| 国产精品 欧美亚洲| ponron亚洲| 欧美成人一区二区免费高清观看 | 成年女人永久免费观看视频| 高清在线国产一区| 精品久久久久久,| 国产成人av教育| 国产精品自产拍在线观看55亚洲| 中文资源天堂在线| 黄频高清免费视频| 国产精品1区2区在线观看.| 欧美xxxx黑人xx丫x性爽| 成人特级黄色片久久久久久久| 两性夫妻黄色片| 国产精品综合久久久久久久免费| 成年免费大片在线观看| 久久亚洲精品不卡| 国产成人av激情在线播放| 亚洲精品粉嫩美女一区| 久久精品亚洲精品国产色婷小说| 国产精品 国内视频| 日韩中文字幕欧美一区二区| 一进一出抽搐动态| 美女大奶头视频| 午夜成年电影在线免费观看| 国产高清视频在线观看网站| 亚洲av成人一区二区三| 欧美激情在线99| 黑人巨大精品欧美一区二区mp4| 毛片女人毛片| 人人妻,人人澡人人爽秒播| 中出人妻视频一区二区| 国产精品一及| 麻豆一二三区av精品| 国产精品精品国产色婷婷| 亚洲最大成人中文| 一本久久中文字幕| 91字幕亚洲| 欧美中文日本在线观看视频| 色综合亚洲欧美另类图片| 国内精品久久久久精免费| 琪琪午夜伦伦电影理论片6080| 精品久久久久久久毛片微露脸| 欧洲精品卡2卡3卡4卡5卡区| 久久久国产欧美日韩av| 午夜激情福利司机影院| 我的老师免费观看完整版| 女警被强在线播放| 巨乳人妻的诱惑在线观看| 级片在线观看| 视频区欧美日本亚洲| 欧美绝顶高潮抽搐喷水| 久久久久九九精品影院| 欧美+亚洲+日韩+国产| 久久久久国产一级毛片高清牌| 丰满的人妻完整版| 国产1区2区3区精品| 偷拍熟女少妇极品色| 国语自产精品视频在线第100页| 青草久久国产| 午夜福利在线在线| 人妻久久中文字幕网| 欧美黄色片欧美黄色片| 黑人操中国人逼视频| 国产精品久久久久久人妻精品电影| 亚洲国产高清在线一区二区三| 无人区码免费观看不卡| av国产免费在线观看| 国产 一区 欧美 日韩| 欧美一区二区国产精品久久精品| 色老头精品视频在线观看| 桃红色精品国产亚洲av| av天堂在线播放| 国产精品久久电影中文字幕| 99在线人妻在线中文字幕| 在线观看舔阴道视频| 成在线人永久免费视频| 欧美日本视频| 国产一区二区三区在线臀色熟女| 日日摸夜夜添夜夜添小说| 国产精品一区二区三区四区久久| 制服人妻中文乱码| 他把我摸到了高潮在线观看| 国产av一区在线观看免费| 热99在线观看视频| 精品久久久久久成人av| 巨乳人妻的诱惑在线观看| 又爽又黄无遮挡网站| 午夜影院日韩av| 国产69精品久久久久777片 | 熟女人妻精品中文字幕| 国产亚洲精品久久久久久毛片| 国产成人精品无人区| 亚洲国产日韩欧美精品在线观看 | 欧美日韩乱码在线| 国产亚洲精品综合一区在线观看| 88av欧美| 国产精品一区二区免费欧美| 免费av毛片视频| 亚洲欧洲精品一区二区精品久久久| 99久久精品热视频| av黄色大香蕉| 一进一出好大好爽视频| 日本三级黄在线观看| 久久这里只有精品中国| 国产激情久久老熟女| 精品国产三级普通话版| 亚洲国产精品久久男人天堂| 草草在线视频免费看| 在线播放国产精品三级| 亚洲激情在线av| 最新美女视频免费是黄的| 丰满人妻一区二区三区视频av | aaaaa片日本免费| 最好的美女福利视频网| av片东京热男人的天堂| 亚洲美女黄片视频| 少妇的丰满在线观看| 中文字幕人成人乱码亚洲影| 一卡2卡三卡四卡精品乱码亚洲| 午夜a级毛片| 黄色丝袜av网址大全| 午夜免费观看网址| 91老司机精品| 久久精品影院6| 男女床上黄色一级片免费看| 色尼玛亚洲综合影院| 丰满的人妻完整版| 国产综合懂色| 天堂动漫精品| 免费一级毛片在线播放高清视频| 欧美日韩中文字幕国产精品一区二区三区| 一级毛片高清免费大全| a级毛片a级免费在线| 国产午夜精品论理片| 99国产精品一区二区蜜桃av| 国产精品一区二区三区四区免费观看 | 久久国产精品影院| 麻豆av在线久日| 日本黄色视频三级网站网址| 真人一进一出gif抽搐免费| 午夜福利高清视频| 两人在一起打扑克的视频| 丁香欧美五月| 国产精品 欧美亚洲| 久久中文看片网| 啦啦啦观看免费观看视频高清| 国产一区二区激情短视频| 欧美高清成人免费视频www| 我要搜黄色片| 白带黄色成豆腐渣| 久久久久国内视频| 亚洲一区二区三区色噜噜| 狂野欧美白嫩少妇大欣赏| 欧美av亚洲av综合av国产av| 色综合欧美亚洲国产小说| 久久99热这里只有精品18| 九色国产91popny在线| 日韩三级视频一区二区三区| 国产亚洲精品综合一区在线观看| 日本免费a在线| 成年版毛片免费区| 亚洲五月天丁香| 精品一区二区三区视频在线观看免费| 真人一进一出gif抽搐免费| 亚洲专区中文字幕在线| 日本撒尿小便嘘嘘汇集6| 国产一区二区在线观看日韩 | 在线看三级毛片| 精华霜和精华液先用哪个| 色尼玛亚洲综合影院| 中文字幕人妻丝袜一区二区| 美女被艹到高潮喷水动态| 国产伦人伦偷精品视频| 网址你懂的国产日韩在线| 美女cb高潮喷水在线观看 | 国产麻豆成人av免费视频| 午夜福利18| 国产精品永久免费网站| 亚洲av成人av| 国产亚洲精品av在线| 亚洲欧美日韩卡通动漫| 国产亚洲精品久久久久久毛片| 国产真实乱freesex| 日本五十路高清| 国产精品久久电影中文字幕| 欧美黄色片欧美黄色片| 亚洲中文日韩欧美视频| 日本a在线网址| 亚洲熟女毛片儿| 狂野欧美白嫩少妇大欣赏| 美女免费视频网站| 日韩欧美国产在线观看| 国产午夜精品久久久久久| 熟妇人妻久久中文字幕3abv| 国产精品久久视频播放| 免费在线观看影片大全网站| 日本黄色片子视频| 国产蜜桃级精品一区二区三区| 91老司机精品| 俄罗斯特黄特色一大片| 黄色日韩在线| 亚洲人成电影免费在线| 欧美av亚洲av综合av国产av| 国产人伦9x9x在线观看| 国产精品日韩av在线免费观看| 欧美乱色亚洲激情|