• <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(fù)荷預(yù)測(cè)*

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

    周 雪鮑 剛 龔順琦

    (1.三峽大學(xué)電氣與新能源學(xué)院,湖北 宜昌 443002;2.三峽大學(xué)梯級(jí)水電站運(yùn)行與控制湖北省重點(diǎn)實(shí)驗(yàn)室,湖北 宜昌 443002)

    短期電力負(fù)荷預(yù)測(cè)指的是對(duì)短期負(fù)荷時(shí)序數(shù)據(jù)內(nèi)在規(guī)律的研究,以便探索未來(lái)的負(fù)荷變化,并進(jìn)行電力需求初步估計(jì)和預(yù)測(cè)[1-3]。由于短期負(fù)荷時(shí)間序列的強(qiáng)非線性,實(shí)現(xiàn)高精度預(yù)測(cè)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(luò)和支持向量機(jī))在非線性時(shí)間序列的預(yù)測(cè)中能夠取得較高精度,因此在負(fù)荷預(yù)測(cè)研究中占有很大的比重[6-8]。文獻(xiàn)[9]為了提高預(yù)測(cè)精度,利用人工神經(jīng)網(wǎng)絡(luò)理論和方法,對(duì)日最大、最小負(fù)荷時(shí)刻進(jìn)行負(fù)荷模型預(yù)測(cè),分析了預(yù)測(cè)負(fù)荷值和預(yù)測(cè)模型參數(shù)值之間的靈敏度。文獻(xiàn)[10]在負(fù)荷預(yù)測(cè)中使用了BP 神經(jīng)網(wǎng)絡(luò),雖然BP 神經(jīng)網(wǎng)絡(luò)優(yōu)異的自我學(xué)習(xí)能力和自適應(yīng)能力可以提高預(yù)測(cè)精度,但初始閾值和權(quán)重的選擇對(duì)網(wǎng)絡(luò)訓(xùn)練的速度和精度有很大影響。文獻(xiàn)[11]提出了一種基于改進(jìn)經(jīng)驗(yàn)?zāi)B(tài)分解(IEMD)和支持向量機(jī)(SVM)的風(fēng)電信號(hào)組合預(yù)測(cè)方法。該模型能夠較好地表現(xiàn)原信號(hào)的整體趨勢(shì),并通過(guò)實(shí)例驗(yàn)證了該模型具有較強(qiáng)的泛化能力。文獻(xiàn)[12]采用改進(jìn)蜻蜓算法優(yōu)化自適應(yīng)噪聲的完全集合經(jīng)驗(yàn)?zāi)B(tài)分解(CEEMDAN)與支持向量回歸(Support Vector Regression,SVR)模型,有效提高了負(fù)荷的預(yù)測(cè)精度。為了削弱負(fù)荷序列的非線性,文獻(xiàn)[13]將經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)與粒子群優(yōu)化(PSO)以及遺傳算法(GA)相結(jié)合,改進(jìn)了負(fù)荷預(yù)測(cè)中傳統(tǒng)支持向量回歸(Support Vector Regression,SVR)模型的預(yù)測(cè)性能。雖然基于EMD的分解方法可以有效地執(zhí)行原始負(fù)荷數(shù)據(jù)的分解,能夠?qū)⑵椒€(wěn)序列與非平穩(wěn)序列有效地分離,以提高預(yù)測(cè)精度。但是采用EMD 算法進(jìn)行分解,可能會(huì)產(chǎn)生虛假I(mǎi)MF 分量,影響整體分解性能和預(yù)測(cè)精度。為獲得更好的預(yù)測(cè)效果,文獻(xiàn)[14]建立經(jīng)驗(yàn)小波變換(Empirical Wavelet Transform,EWT)與小波核極限學(xué)習(xí)機(jī)(WKELM)的組合預(yù)測(cè)方法,與EMD 相比,EWT 算法能夠更好地處理數(shù)據(jù),進(jìn)一步提升了模型的預(yù)測(cè)性能。對(duì)于核極限學(xué)習(xí)機(jī)而言,其正則化系數(shù)和核函數(shù)參數(shù)需要合理設(shè)定,兩者的設(shè)定對(duì)模型預(yù)測(cè)性能具有一定影響[15]。

    由于短期負(fù)荷時(shí)間序列的復(fù)雜性及其非平穩(wěn)性,一些學(xué)者將組合模型預(yù)測(cè)方法應(yīng)用于短期負(fù)荷預(yù)測(cè)。其中,應(yīng)用時(shí)頻分解技術(shù)處理后再對(duì)各子序列分別預(yù)測(cè)的方法得到了廣泛的應(yīng)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(yù)測(cè)精度。然而,對(duì)于不同復(fù)雜度的子序列,應(yīng)用同一種預(yù)測(cè)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(yàn)小波變換(EWT)、樣本熵(Sample Entropy,SampEn)、門(mén)控循環(huán)單元(Gated Recurrent Unit,GRU)和基于鯨魚(yú)優(yōu)化算法(Whale Optimization Algorithm,WOA)參數(shù)尋優(yōu)的核極限學(xué)習(xí)機(jī)(Kernel Extreme Learning Machine,KELM)[15]的混合預(yù)測(cè)方法。通過(guò)對(duì)不同預(yù)測(cè)模型的比較,驗(yàn)證了文章提出的模型在電力系統(tǒng)短期負(fù)荷預(yù)測(cè)中的應(yīng)用具有高效性和準(zhǔn)確性。

    1 基于EWT 和樣本熵的數(shù)據(jù)預(yù)處理

    1.1 EWT 算法

    文章采用一種新的自適應(yīng)信號(hào)處理方法即EMT算法[16],對(duì)原始電力負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理。該方法的核心思想是基于尺度空間的頻譜分離技術(shù),自適應(yīng)劃分信號(hào)頻譜,然后構(gòu)造一組合適的小波濾波器,提取具有頻譜特征的調(diào)幅-調(diào)頻分量(AM-FM),對(duì)提取的AM-FM 分量進(jìn)行Hilbert 變換,得到有意義的瞬時(shí)頻率和瞬時(shí)振幅,進(jìn)而得到Hilbert 譜。EWT 的理論完備且計(jì)算量遠(yuǎn)小于EMD 和集成經(jīng)驗(yàn)?zāi)B(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(hào)f(t)可表示如下:

    經(jīng)過(guò)上述轉(zhuǎn)換后的經(jīng)驗(yàn)尺度分量f0(t)包含原始信號(hào)的整體變化特征,fk(t)包含不同頻域具有差異的特征,即實(shí)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(hào)的主要過(guò)程如圖1 所示:

    圖1 數(shù)據(jù)預(yù)處理流程圖

    1.2 樣本熵

    為了定量評(píng)估各分解序列時(shí)序特征以分配適宜預(yù)測(cè)模型,文章采用樣本熵對(duì)各子序列內(nèi)部混亂程度進(jìn)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(guò)度量信號(hào)中產(chǎn)生新模式的概率大小來(lái)衡量時(shí)間序列復(fù)雜性,新模式產(chǎn)生的概率越大,序列的復(fù)雜性就越大。其中樣本熵的基本原理可參見(jiàn)文獻(xiàn)[18]。文章中序列樣本熵復(fù)雜度以原始序列的樣本熵值為評(píng)價(jià)標(biāo)準(zhǔn),當(dāng)子序列的樣本熵值大于原始序列樣本熵值時(shí),則說(shuō)明此子序列更為復(fù)雜。

    2 基于GRU 和WOA-KELM 的混合預(yù)測(cè)方法

    2.1 GRU

    GRU(Gate recurrent unit,GRU)是在人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上發(fā)展起來(lái)的一種具有較強(qiáng)時(shí)序預(yù)測(cè)性能的新型深度網(wǎng)絡(luò),其通過(guò)引入各類(lèi)門(mén)控算子對(duì)輸入變量進(jìn)行選擇性操作,不僅能夠減少梯度消失問(wèn)題,還可以實(shí)現(xiàn)長(zhǎng)期記憶信息的保存與更新[19]。其網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示:

    圖2 深度門(mén)控單元結(jié)構(gòu)

    假設(shè)xt為輸入,ht為隱藏層的輸出,GRU 單元通過(guò)以下公式計(jì)算得到ht:

    式中:σ為sigmoid 函數(shù),xt為t時(shí)刻輸入張量,ht-1為t-1 時(shí)刻隱含狀態(tài),rt和zt分別為重置門(mén)和更新門(mén),wxr和br表示權(quán)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(yù)測(cè)原理

    核極限學(xué)習(xí)機(jī)(KELM)是一種特殊的前向神經(jīng)網(wǎng)絡(luò)[20],它只需要設(shè)置隱藏層的節(jié)點(diǎn)個(gè)數(shù),然后使用最小二乘法即可計(jì)算出權(quán)重。核極限學(xué)習(xí)機(jī)由于其輸入權(quán)重與偏置項(xiàng)隨機(jī)產(chǎn)生并在計(jì)算過(guò)程中不再改變,因此其模型結(jié)果會(huì)更加隨機(jī),能夠避免傳統(tǒng)神經(jīng)網(wǎng)絡(luò)容易產(chǎn)生局部最優(yōu)解的問(wèn)題。

    對(duì)于含有L個(gè)隱藏層節(jié)點(diǎn)的KELM,給定N組訓(xùn)練樣本數(shù)據(jù),輸入樣本集為X={x1,x2,x3,…,xN},此時(shí)輸出的樣本集為Y={y1,y2,y3,…,yN},其中KELM 的輸出表達(dá)式為:

    式中:C為正則化參數(shù);ΩELM為核函數(shù),表達(dá)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(quán)值向量。

    由于KELM 是在ELM 基礎(chǔ)上通過(guò)引入核函數(shù)來(lái)獲得更好的應(yīng)用潛力,核函數(shù)ΩELMi,j表達(dá)式如下,其中g(shù)為KELM 的核參數(shù):

    為優(yōu)化KELM 預(yù)測(cè)模型的內(nèi)部正則化系數(shù)c和核函數(shù)參數(shù)g,文中使用鯨魚(yú)優(yōu)化算法(Whale Optimization Algorithm,WOA),并基于核極限學(xué)習(xí)機(jī)的理論基礎(chǔ)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(jī)或最佳搜索代理來(lái)模擬狩獵行為,以及使用螺旋式位置更新來(lái)模擬座頭鯨的泡泡網(wǎng)攻擊機(jī)制[21],算法的求解步驟可簡(jiǎn)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(diào)整自身位置進(jìn)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(dāng)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(dāng)前的位置向量;X(t+1)為下一次迭代后的目標(biāo)向量;A和C為系數(shù)向量,可由公式(6)計(jì)算得到:

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

    (2)基于泡泡網(wǎng)的狩獵行為。座頭鯨在對(duì)獵物進(jìn)行搜索包圍后,采用螺旋方程來(lái)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(duì)數(shù)螺線形狀常數(shù);l為[-1,1]之間的隨機(jī)數(shù)。

    在進(jìn)行優(yōu)化的過(guò)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(jī)數(shù)),在縮小的包圍機(jī)制和螺旋模型之間做出選擇,其中進(jìn)行螺旋式位置更新的公式如下:

    (3)獵物搜尋過(guò)程。座頭鯨在實(shí)際獵捕中會(huì)將螺旋式搜索和隨機(jī)搜索兩種搜索模式相結(jié)合,即在|A|>1 范圍內(nèi)進(jìn)行隨機(jī)搜索,以便尋找其他合適的食物,這將增強(qiáng)WOA 優(yōu)化算法的全局搜索捕食能力:

    式中:Xrand為鯨群中隨機(jī)選擇的位置。

    在優(yōu)化過(guò)程中,將負(fù)荷序列的均方根誤差作為適應(yīng)度函數(shù),適應(yīng)度函數(shù)表達(dá)式如公式(10)所示:

    式中:N為實(shí)驗(yàn)數(shù)據(jù)個(gè)數(shù),yi表示第i個(gè)負(fù)荷序列的實(shí)際值為第i個(gè)負(fù)荷序列預(yù)測(cè)值。

    當(dāng)適應(yīng)度值f取最小時(shí),預(yù)測(cè)值與真實(shí)值之間誤差也最小,說(shuō)明此時(shí)預(yù)測(cè)精度較高。在當(dāng)前適應(yīng)度下,通過(guò)WOA 算法尋找的最佳鯨魚(yú)位置坐標(biāo)即為KELM 內(nèi)部的c,g參數(shù)。

    3 短期負(fù)荷預(yù)測(cè)模型框架

    3.1 預(yù)測(cè)模型整體框架

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

    圖3 基于GRU 和WOA-KELM 的混合預(yù)測(cè)模型

    3.2 WOA-KELM 預(yù)測(cè)模型構(gòu)建

    對(duì)經(jīng)過(guò)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(yù)測(cè)模型進(jìn)行預(yù)測(cè)。WOA-KELM 預(yù)測(cè)步驟如下:

    步驟一:將IMF1和IMF2序列分量分別重構(gòu)為六維特征矩陣和目標(biāo)向量,并依次劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集;

    步驟二:輸入訓(xùn)練集數(shù)據(jù),構(gòu)建KELM 整體框架,并得到驗(yàn)證集下的預(yù)測(cè)誤差;

    步驟三:將驗(yàn)證集預(yù)測(cè)結(jié)果的均方根誤差作為適應(yīng)度函數(shù),利用WOA 算法進(jìn)行優(yōu)化,使預(yù)測(cè)誤差最??;

    步驟四:對(duì)所有序列樣本進(jìn)行歸一化處理,初始化鯨魚(yú)種群個(gè)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(jī)產(chǎn)生鯨魚(yú)種群位置x(c,g),計(jì)算各個(gè)鯨魚(yú)種群對(duì)應(yīng)的適應(yīng)度值,選取適應(yīng)度最優(yōu)的鯨魚(yú)個(gè)體位置,記為x*(c,g),并更新當(dāng)前鯨魚(yú)位置;

    步驟六:重復(fù)步驟五直至到達(dá)最大迭代次數(shù),記錄最佳位置為x*(c,g),此時(shí)的c,g為通過(guò)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(yù)測(cè)模型,輸入測(cè)試集的數(shù)據(jù),最后得到預(yù)測(cè)結(jié)果。

    3.3 GRU 預(yù)測(cè)模型構(gòu)建

    對(duì)EWT 分解后得到的IMF3~I(xiàn)MF5負(fù)荷序列,由于其樣本熵值低于原始序列,因此通過(guò)GRU 網(wǎng)絡(luò)得到預(yù)測(cè)輸出序列。GRU 預(yù)測(cè)步驟如下:

    步驟一:將IMF3、IMF4和IMF5序列分量分別重構(gòu)為六維特征矩陣和目標(biāo)向量,并依次劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集;

    步驟二:利用驗(yàn)證集獲得對(duì)應(yīng)GRU 網(wǎng)絡(luò)模型,并使用測(cè)試集得到IMF3、IMF4和IMF5序列分量預(yù)測(cè)結(jié)果,對(duì)預(yù)測(cè)結(jié)果進(jìn)行疊加重構(gòu)后得到歸一化預(yù)測(cè)數(shù)據(jù);

    步驟三:將預(yù)測(cè)數(shù)據(jù)進(jìn)行反歸一化,得到預(yù)測(cè)結(jié)果。

    3.4 預(yù)測(cè)誤差評(píng)價(jià)指標(biāo)

    為了驗(yàn)證文中所提模型的預(yù)測(cè)性能,采用平均絕對(duì)誤差(Mean Absolute Error,MAE)、均方根誤差(Root Mean Square Error,RMSE)、平均絕對(duì)百分比誤差(Mean Absolute Percentage Error,MAPE)來(lái)評(píng)估模型優(yōu)劣,采用擬合優(yōu)度檢驗(yàn)R2評(píng)價(jià)指標(biāo)來(lái)反映模型擬合的精密度,通過(guò)以上評(píng)價(jià)指標(biāo)檢驗(yàn)各模型的預(yù)測(cè)性能,其計(jì)算方法如下所示:

    4 實(shí)驗(yàn)及結(jié)果分析

    文章采用比利時(shí)某地區(qū)2020 年1 月1 日至1 月30 日內(nèi)的實(shí)測(cè)負(fù)荷數(shù)據(jù),數(shù)據(jù)采集間隔為15 min,累計(jì)包含2 880 個(gè)樣本。將數(shù)據(jù)集分為以下幾部分:前1 822 個(gè)樣本為訓(xùn)練集,之后的456 個(gè)樣本用作驗(yàn)證集,最后596 個(gè)樣本用作測(cè)試集。為了避免迭代過(guò)程中學(xué)習(xí)時(shí)間過(guò)長(zhǎng),同時(shí)考慮到負(fù)荷數(shù)據(jù)的時(shí)間序列特性,文章利用歷史負(fù)荷數(shù)據(jù)中前6 個(gè)時(shí)刻的負(fù)荷預(yù)測(cè)第7 時(shí)刻的負(fù)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(yù)測(cè)過(guò)程中,前1 822個(gè)樣本為訓(xùn)練集用于搭建KELM 和GRU 的負(fù)荷預(yù)測(cè)模型;之后的456 個(gè)樣本用作驗(yàn)證集選取最優(yōu)參數(shù),其中采用WOA 算法優(yōu)化KELM 內(nèi)部的超參數(shù),c、g參數(shù)的范圍均設(shè)置為[2-10,210];最后將596 個(gè)樣本用作測(cè)試集,分別經(jīng)過(guò)WOA 算法優(yōu)化的KELM 模型和GRU 模型預(yù)測(cè),最終得到精度較高的預(yù)測(cè)結(jié)果。

    此外,為了保障種群多樣性,WOA 優(yōu)化算法種群規(guī)模設(shè)定為30,迭代次數(shù)設(shè)定為50 次。GRU 的隱藏神經(jīng)元個(gè)數(shù)為32 個(gè),隱藏層數(shù)為1。在預(yù)測(cè)過(guò)程中,考慮訓(xùn)練速度與梯度下降的因素,GRU 的batchsize為128,epochs 為500,同時(shí)在訓(xùn)練過(guò)程中,為了可以有效緩解過(guò)擬合的發(fā)生,在一定程度上達(dá)到正則化的效果,Dropout 設(shè)置為0.2,最終得到GRU 預(yù)測(cè)模型的預(yù)測(cè)結(jié)果。各算法具體參數(shù)設(shè)置如表1 所示。

    表1 所提模型參數(shù)設(shè)置

    4.1 分解結(jié)果

    采用EWT 算法對(duì)原始負(fù)荷序列進(jìn)行分解,最終原始負(fù)荷序列和EWT 分解結(jié)果如圖4 和圖5 所示,圖4 為比利時(shí)某地區(qū)2020 年1 月1 日至1 月30 日內(nèi)實(shí)測(cè)負(fù)荷數(shù)據(jù),其中縱坐標(biāo)為每15 min 采樣一次的負(fù)荷量;圖5 為經(jīng)過(guò)EWT 分解后的5 個(gè)模態(tài)分量,累計(jì)包含2 880 個(gè)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(duì)應(yīng)的樣本熵值。

    圖4 原始負(fù)荷序列

    圖5 EWT 分解結(jié)果

    由圖4 可以看出,原始負(fù)荷序列具有很強(qiáng)的不穩(wěn)定性和非線性,從圖5 可以看出,在經(jīng)過(guò)EWT 分解之后,原始負(fù)荷序列可以分解為5 個(gè)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(yù)測(cè)模型中實(shí)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(yù)測(cè)結(jié)果與實(shí)際數(shù)據(jù)誤差較小,能夠在預(yù)測(cè)模型中實(shí)現(xiàn)較高精度。由此可以看出,EWT方法可以對(duì)負(fù)荷序列進(jìn)行有效分解。

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

    圖6 各子序列樣本熵值

    4.2 對(duì)比分析

    為了驗(yàn)證EWT-WOA-KELM-GRU 混合預(yù)測(cè)模型的準(zhǔn)確性,選取SVR、KELM、EMD-KELM、EWTKELM、EWT-WOA-KELM 預(yù)測(cè)模型作為對(duì)比模型將EWT-WOA-KELM-GRU 的性能與對(duì)比模型進(jìn)行了比較,充分驗(yàn)證所提預(yù)測(cè)模型的精度。所提模型和對(duì)比模型在測(cè)試集上的預(yù)測(cè)效果見(jiàn)圖7,各模型的預(yù)測(cè)誤差和擬合效果數(shù)據(jù)見(jiàn)表2。

    表2 各模型在測(cè)試集上的預(yù)測(cè)誤差

    從表2 和圖7 的預(yù)測(cè)誤差和擬合結(jié)果來(lái)看,所提出的EWT-WOA-KELM-GRU 模型取得了最好的預(yù)測(cè)效果。該預(yù)測(cè)模型在測(cè)試集上的預(yù)測(cè)誤差最小,預(yù)測(cè)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(yù)測(cè)誤差比單一的KELM 預(yù)測(cè)模型降低了0.74%;同時(shí),該模型優(yōu)于采用其他分解技術(shù)的EMD-KELM 模型,預(yù)測(cè)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(shù)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(yàn)證了該模型的有效性。在充分分解非線性負(fù)荷序列數(shù)據(jù)的同時(shí),使用WOA 算法可以有效改善模型的訓(xùn)練速度和求解性能,在一定程度上提高短期負(fù)荷預(yù)測(cè)的準(zhǔn)確性。與EWT-WOA-KELM 預(yù)測(cè)模型相比,采用樣本熵評(píng)估經(jīng)EWT 分解后的子序列復(fù)雜度,并使用EWT-WOA-KELM-GRU 混合預(yù)測(cè)模型對(duì)子序列分別進(jìn)行預(yù)測(cè),預(yù)測(cè)誤差更低,擬合度更優(yōu)。

    圖7 所提模型以及對(duì)比模型在測(cè)試集上的預(yù)測(cè)效果

    為了可視化所提模型的預(yù)測(cè)性能,測(cè)試集上所有模型的具體預(yù)測(cè)誤差指標(biāo)如圖8 所示。

    圖8 所提模型以及對(duì)比模型的預(yù)測(cè)誤差情況比較

    對(duì)所提出的EWT-WOA-KELM-GRU 模型進(jìn)行實(shí)例計(jì)算和結(jié)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(guò)模態(tài)分解之后,對(duì)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(fù)荷序列的分解效率;在進(jìn)行模態(tài)分解預(yù)處理之后,采用樣本熵度量各個(gè)子序列的復(fù)雜度,并為不同子序列分配適宜的預(yù)測(cè)模型;為進(jìn)一步提升KELM 的預(yù)測(cè)性能,提出采用WOA 算法優(yōu)化選取和搜索KELM 的內(nèi)部超參數(shù),從而有效提升了EWT-KELM 模型的預(yù)測(cè)效果,非線性擬合能力在此基礎(chǔ)上提升0.12%,達(dá)到99.98%的高水平。

    5 結(jié)論

    為獲得更高的短期負(fù)荷預(yù)測(cè)精度,文章采用EWT 算法對(duì)短期電力負(fù)荷的原始數(shù)據(jù)序列進(jìn)行分解,獲得多組平穩(wěn)的模態(tài)分量序列,然后對(duì)各子序列應(yīng)用樣本熵分析其內(nèi)在復(fù)雜度,并依次建立GRU 和WOA 算法優(yōu)化的KELM 預(yù)測(cè)模型,并通過(guò)累加所有模型的預(yù)測(cè)值得到最終預(yù)測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明,所提出的EWT-WOA-KELM-GRU 模型在短期負(fù)荷預(yù)測(cè)中精度較高,預(yù)測(cè)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(fù)荷預(yù)測(cè)在更復(fù)雜的環(huán)境下的應(yīng)用,例如氣候等因素的影響,進(jìn)一步提高預(yù)測(cè)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(jié)構(gòu)設(shè)計(jì)與優(yōu)化思考
    民用建筑防煙排煙設(shè)計(jì)優(yōu)化探討
    關(guān)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(quán)M-估計(jì)的漸近分布
    3D打印中的模型分割與打包
    國(guó)內(nèi)多模態(tài)教學(xué)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(shí)別
    欧美激情高清一区二区三区| a级毛片在线看网站| 国产主播在线观看一区二区| 国产免费现黄频在线看| 欧美日韩一级在线毛片| 人妻丰满熟妇av一区二区三区| 变态另类成人亚洲欧美熟女 | 九色亚洲精品在线播放| 久久久久亚洲av毛片大全| 岛国视频午夜一区免费看| 亚洲国产欧美一区二区综合| 国产区一区二久久| 怎么达到女性高潮| 超碰97精品在线观看| 91麻豆精品激情在线观看国产 | 亚洲欧美日韩另类电影网站| 男人舔女人下体高潮全视频| 亚洲精品中文字幕一二三四区| 性少妇av在线| 99久久99久久久精品蜜桃| 亚洲专区中文字幕在线| 免费高清在线观看日韩| 首页视频小说图片口味搜索| 色婷婷久久久亚洲欧美| 男女午夜视频在线观看| 精品乱码久久久久久99久播| 久久天堂一区二区三区四区| 好看av亚洲va欧美ⅴa在| 看片在线看免费视频| 欧美精品啪啪一区二区三区| 夜夜看夜夜爽夜夜摸 | 免费少妇av软件| 精品一品国产午夜福利视频| 亚洲第一av免费看| 日本精品一区二区三区蜜桃| 极品教师在线免费播放| 久久精品91无色码中文字幕| 欧美日韩一级在线毛片| 国产单亲对白刺激| xxx96com| 亚洲专区字幕在线| 少妇 在线观看| ponron亚洲| 天天影视国产精品| 亚洲专区国产一区二区| 国产高清视频在线播放一区| 99国产极品粉嫩在线观看| 黄色女人牲交| 亚洲熟妇中文字幕五十中出 | 黑人欧美特级aaaaaa片| 丝袜美足系列| 亚洲专区国产一区二区| 波多野结衣高清无吗| 男人舔女人下体高潮全视频| 一二三四社区在线视频社区8| 成在线人永久免费视频| 亚洲一区二区三区欧美精品| 午夜精品久久久久久毛片777| 在线观看免费午夜福利视频| 可以免费在线观看a视频的电影网站| 久久久久精品国产欧美久久久| 亚洲国产欧美网| 两性午夜刺激爽爽歪歪视频在线观看 | 国产一区二区激情短视频| 99国产极品粉嫩在线观看| 天堂俺去俺来也www色官网| 悠悠久久av| 少妇粗大呻吟视频| 欧美+亚洲+日韩+国产| 国产精品久久久av美女十八| 亚洲视频免费观看视频| 91av网站免费观看| 国产精品久久视频播放| 精品一区二区三区四区五区乱码| 成人永久免费在线观看视频| 波多野结衣av一区二区av| 久久人妻福利社区极品人妻图片| 日韩欧美在线二视频| 97人妻天天添夜夜摸| 精品人妻在线不人妻| 母亲3免费完整高清在线观看| 大码成人一级视频| 亚洲av五月六月丁香网| av天堂在线播放| 男男h啪啪无遮挡| 99久久国产精品久久久| 成人手机av| 国产欧美日韩综合在线一区二区| 大香蕉久久成人网| 国产精华一区二区三区| 青草久久国产| 久久久国产成人免费| 桃色一区二区三区在线观看| 男女高潮啪啪啪动态图| 丁香六月欧美| 欧美性长视频在线观看| 又黄又粗又硬又大视频| 午夜激情av网站| 久久久久久免费高清国产稀缺| 免费看a级黄色片| 亚洲,欧美精品.| 又大又爽又粗| 亚洲av片天天在线观看| 一a级毛片在线观看| 国产精品久久久久久人妻精品电影| 熟女少妇亚洲综合色aaa.| 国产乱人伦免费视频| 他把我摸到了高潮在线观看| 国产极品粉嫩免费观看在线| 国产熟女xx| 天天影视国产精品| 如日韩欧美国产精品一区二区三区| 日韩大尺度精品在线看网址 | 国产xxxxx性猛交| 电影成人av| 正在播放国产对白刺激| 欧美一区二区精品小视频在线| 亚洲av日韩精品久久久久久密| 精品一区二区三区四区五区乱码| 水蜜桃什么品种好| 国产午夜精品久久久久久| 黄片大片在线免费观看| 精品久久久久久电影网| 久久久国产成人免费| 99久久国产精品久久久| 伦理电影免费视频| 久久国产亚洲av麻豆专区| 国产精品乱码一区二三区的特点 | 精品一区二区三区视频在线观看免费 | 免费在线观看影片大全网站| 日本欧美视频一区| 99精品欧美一区二区三区四区| 丝袜美腿诱惑在线| 久久精品亚洲av国产电影网| 日本wwww免费看| 最新美女视频免费是黄的| 激情在线观看视频在线高清| 亚洲av美国av| 老司机午夜十八禁免费视频| av免费在线观看网站| 午夜福利,免费看| 在线观看日韩欧美| 又黄又爽又免费观看的视频| 国产一区二区三区综合在线观看| 狂野欧美激情性xxxx| 亚洲av五月六月丁香网| 国产三级黄色录像| www.精华液| 精品一区二区三区视频在线观看免费 | 如日韩欧美国产精品一区二区三区| 一级毛片高清免费大全| 国产男靠女视频免费网站| 亚洲一码二码三码区别大吗| 两个人看的免费小视频| 又黄又爽又免费观看的视频| 免费av毛片视频| 国产色视频综合| 看黄色毛片网站| 亚洲国产精品999在线| 国产精品 国内视频| 亚洲情色 制服丝袜| 自线自在国产av| 亚洲国产精品一区二区三区在线| 丰满迷人的少妇在线观看| 亚洲全国av大片| 亚洲av第一区精品v没综合| 天堂影院成人在线观看| 久久人人精品亚洲av| 午夜福利在线观看吧| 免费在线观看日本一区| 亚洲自拍偷在线| 18美女黄网站色大片免费观看| av国产精品久久久久影院| 亚洲少妇的诱惑av| 久久天躁狠狠躁夜夜2o2o| 一级毛片女人18水好多| 久久精品aⅴ一区二区三区四区| 制服诱惑二区| 亚洲欧美一区二区三区久久| 欧美黄色片欧美黄色片| 久久精品国产99精品国产亚洲性色 | 看黄色毛片网站| 高潮久久久久久久久久久不卡| 亚洲少妇的诱惑av| 亚洲五月婷婷丁香| 欧美人与性动交α欧美软件| 欧美黄色片欧美黄色片| 成人亚洲精品av一区二区 | 免费不卡黄色视频| 热re99久久精品国产66热6| 国产一区二区三区在线臀色熟女 | 成年人免费黄色播放视频| 成年女人毛片免费观看观看9| 精品少妇一区二区三区视频日本电影| 日韩视频一区二区在线观看| 9色porny在线观看| 国产亚洲精品第一综合不卡| 真人一进一出gif抽搐免费| 美国免费a级毛片| 宅男免费午夜| 成人三级做爰电影| 婷婷精品国产亚洲av在线| a级毛片在线看网站| 看片在线看免费视频| 国产精品香港三级国产av潘金莲| 制服诱惑二区| 亚洲专区国产一区二区| 男女之事视频高清在线观看| 精品国内亚洲2022精品成人| 国产精品国产av在线观看| 在线观看免费日韩欧美大片| 亚洲午夜精品一区,二区,三区| 长腿黑丝高跟| 多毛熟女@视频| 男人舔女人的私密视频| 黄片大片在线免费观看| 手机成人av网站| 国产三级黄色录像| 国产精品一区二区免费欧美| 美女午夜性视频免费| 别揉我奶头~嗯~啊~动态视频| 欧美性长视频在线观看| 黄色女人牲交| 国内毛片毛片毛片毛片毛片| 搡老岳熟女国产| 长腿黑丝高跟| 亚洲欧美激情综合另类| 国产亚洲精品综合一区在线观看 | 亚洲狠狠婷婷综合久久图片| 一级片'在线观看视频| 热re99久久精品国产66热6| 久久香蕉国产精品| 婷婷精品国产亚洲av在线| 国产成人系列免费观看| 国产成人精品久久二区二区91| 久久国产精品人妻蜜桃| 韩国精品一区二区三区| 久久久精品欧美日韩精品| 成熟少妇高潮喷水视频| 亚洲一区二区三区色噜噜 | 久久久久久亚洲精品国产蜜桃av| 99国产精品一区二区三区| 亚洲少妇的诱惑av| 久久精品91无色码中文字幕| 国产高清videossex| 国产无遮挡羞羞视频在线观看| 亚洲精品粉嫩美女一区| x7x7x7水蜜桃| 窝窝影院91人妻| 大型黄色视频在线免费观看| 一区二区日韩欧美中文字幕| 黄片大片在线免费观看| 啦啦啦在线免费观看视频4| 亚洲精品成人av观看孕妇| 深夜精品福利| 满18在线观看网站| 久久九九热精品免费| 久久久久久亚洲精品国产蜜桃av| 国产片内射在线| 91精品国产国语对白视频| 亚洲精品中文字幕在线视频| 日本黄色日本黄色录像| 大香蕉久久成人网| www.熟女人妻精品国产| 亚洲色图综合在线观看| 纯流量卡能插随身wifi吗| 一夜夜www| 国产精品 欧美亚洲| 91字幕亚洲| 99国产精品一区二区蜜桃av| 亚洲精品国产色婷婷电影| 天堂俺去俺来也www色官网| 19禁男女啪啪无遮挡网站| 狂野欧美激情性xxxx| 动漫黄色视频在线观看| 午夜福利在线免费观看网站| 久久久久久亚洲精品国产蜜桃av| 欧美不卡视频在线免费观看 | 成人18禁高潮啪啪吃奶动态图| 夜夜看夜夜爽夜夜摸 | 啪啪无遮挡十八禁网站| 男女高潮啪啪啪动态图| 国产精品1区2区在线观看.| 丰满的人妻完整版| 又大又爽又粗| 天堂影院成人在线观看| 成人av一区二区三区在线看| 一二三四社区在线视频社区8| 国产欧美日韩一区二区精品| 国产精品一区二区免费欧美| 麻豆久久精品国产亚洲av | 日韩一卡2卡3卡4卡2021年| 国产熟女xx| 韩国精品一区二区三区| 丝袜美腿诱惑在线| 性欧美人与动物交配| 免费在线观看视频国产中文字幕亚洲| 亚洲精品在线美女| 男女床上黄色一级片免费看| 18禁黄网站禁片午夜丰满| 亚洲av片天天在线观看| 国产真人三级小视频在线观看| 亚洲精品中文字幕一二三四区| 狂野欧美激情性xxxx| 女人爽到高潮嗷嗷叫在线视频| 亚洲精品在线观看二区| 91成年电影在线观看| 日本撒尿小便嘘嘘汇集6| 91精品国产国语对白视频| 韩国精品一区二区三区| 日韩视频一区二区在线观看| 亚洲精品中文字幕在线视频| 国产亚洲精品第一综合不卡| 淫秽高清视频在线观看| 欧美日韩一级在线毛片| 精品高清国产在线一区| 亚洲美女黄片视频| 精品免费久久久久久久清纯| √禁漫天堂资源中文www| 身体一侧抽搐| 19禁男女啪啪无遮挡网站| 精品久久久久久电影网| 老熟妇乱子伦视频在线观看| 国产亚洲精品第一综合不卡| 久久久久久久久久久久大奶| 成人影院久久| 国产一区二区三区视频了| 最好的美女福利视频网| 夜夜爽天天搞| 国产亚洲欧美精品永久| 9热在线视频观看99| 国产99白浆流出| 日韩欧美三级三区| 午夜福利免费观看在线| 成年人黄色毛片网站| 日韩大尺度精品在线看网址 | 高潮久久久久久久久久久不卡| 伊人久久大香线蕉亚洲五| 男女之事视频高清在线观看| 日韩三级视频一区二区三区| 91麻豆精品激情在线观看国产 | 欧美 亚洲 国产 日韩一| 国产不卡一卡二| 色精品久久人妻99蜜桃| 高清在线国产一区| 亚洲欧美日韩另类电影网站| 99在线人妻在线中文字幕| 极品人妻少妇av视频| 日韩国内少妇激情av| 日韩欧美三级三区| 一级作爱视频免费观看| 搡老熟女国产l中国老女人| 久久国产精品男人的天堂亚洲| 午夜福利在线观看吧| 成人精品一区二区免费| 一进一出抽搐gif免费好疼 | 久久人人爽av亚洲精品天堂| av天堂在线播放| 久久精品成人免费网站| 咕卡用的链子| 亚洲久久久国产精品| 精品午夜福利视频在线观看一区| 一区二区三区激情视频| 欧美激情极品国产一区二区三区| 国产成人啪精品午夜网站| av中文乱码字幕在线| 欧美日韩视频精品一区| 欧美国产精品va在线观看不卡| 女性生殖器流出的白浆| 在线播放国产精品三级| 久久人人精品亚洲av| 一级作爱视频免费观看| 欧美激情久久久久久爽电影 | 国产欧美日韩综合在线一区二区| 欧美成人午夜精品| 国产免费现黄频在线看| 亚洲成国产人片在线观看| 欧美一区二区精品小视频在线| 亚洲一区二区三区色噜噜 | av免费在线观看网站| 久久久精品欧美日韩精品| 9色porny在线观看| 人人妻人人爽人人添夜夜欢视频| 久久伊人香网站| 最好的美女福利视频网| 久久九九热精品免费| 欧美日韩av久久| 午夜亚洲福利在线播放| 欧美日韩国产mv在线观看视频| 亚洲av日韩精品久久久久久密| 正在播放国产对白刺激| 久久精品国产清高在天天线| 精品一区二区三区四区五区乱码| 99久久人妻综合| 国产成人av教育| 国产成年人精品一区二区 | 国产成人精品无人区| 人人澡人人妻人| 午夜福利一区二区在线看| 亚洲aⅴ乱码一区二区在线播放 | 精品午夜福利视频在线观看一区| 成人精品一区二区免费| 欧美精品啪啪一区二区三区| 每晚都被弄得嗷嗷叫到高潮| 99在线人妻在线中文字幕| 黄色片一级片一级黄色片| 看片在线看免费视频| 老熟妇仑乱视频hdxx| 19禁男女啪啪无遮挡网站| 99精品久久久久人妻精品| 欧美最黄视频在线播放免费 | 少妇被粗大的猛进出69影院| 欧美日韩亚洲综合一区二区三区_| 精品无人区乱码1区二区| 好看av亚洲va欧美ⅴa在| 91成人精品电影| 亚洲av第一区精品v没综合| 夫妻午夜视频| 国产精品香港三级国产av潘金莲| 国内久久婷婷六月综合欲色啪| 久久国产乱子伦精品免费另类| 久久久精品国产亚洲av高清涩受| 日本黄色视频三级网站网址| 亚洲五月婷婷丁香| 一区二区三区激情视频| 久久精品成人免费网站| 亚洲熟女毛片儿| 老鸭窝网址在线观看| 国产精品乱码一区二三区的特点 | 欧美一级毛片孕妇| 亚洲第一av免费看| 法律面前人人平等表现在哪些方面| 久久狼人影院| 香蕉丝袜av| 国产精品一区二区在线不卡| 亚洲成av片中文字幕在线观看| 国产aⅴ精品一区二区三区波| 国产欧美日韩一区二区三| 法律面前人人平等表现在哪些方面| 午夜a级毛片| 国产成人啪精品午夜网站| 日韩 欧美 亚洲 中文字幕| 中文字幕色久视频| 一区福利在线观看| 黄色丝袜av网址大全| 久久精品国产清高在天天线| 日日夜夜操网爽| www.999成人在线观看| 亚洲国产中文字幕在线视频| 男人舔女人下体高潮全视频| 校园春色视频在线观看| av欧美777| 黑人猛操日本美女一级片| 另类亚洲欧美激情| 9色porny在线观看| 五月开心婷婷网| 久久久久久久久中文| 一个人免费在线观看的高清视频| 真人做人爱边吃奶动态| 日韩视频一区二区在线观看| 亚洲自偷自拍图片 自拍| 久久人妻熟女aⅴ| www日本在线高清视频| cao死你这个sao货| 亚洲精品一卡2卡三卡4卡5卡| 老鸭窝网址在线观看| 在线观看免费视频日本深夜| 久久午夜亚洲精品久久| 精品少妇一区二区三区视频日本电影| 91国产中文字幕| 麻豆久久精品国产亚洲av | 丁香欧美五月| 日韩欧美在线二视频| 一进一出好大好爽视频| 夜夜躁狠狠躁天天躁| 国产亚洲欧美在线一区二区| 一本大道久久a久久精品| a级毛片在线看网站| 亚洲 欧美 日韩 在线 免费| 波多野结衣一区麻豆| 日韩欧美国产一区二区入口| 亚洲精品国产一区二区精华液| 亚洲激情在线av| 最近最新中文字幕大全电影3 | ponron亚洲| 操美女的视频在线观看| 男女下面进入的视频免费午夜 | tocl精华| av中文乱码字幕在线| 自拍欧美九色日韩亚洲蝌蚪91| 80岁老熟妇乱子伦牲交| 丁香六月欧美| 黄频高清免费视频| 国产精品亚洲一级av第二区| 精品熟女少妇八av免费久了| 精品久久久久久,| 多毛熟女@视频| 国产精品二区激情视频| 一级毛片高清免费大全| а√天堂www在线а√下载| 久热爱精品视频在线9| tocl精华| 欧美成人午夜精品| 性色av乱码一区二区三区2| 9色porny在线观看| 欧美av亚洲av综合av国产av| 久久精品91无色码中文字幕| 久久久久久久久免费视频了| 午夜福利一区二区在线看| 亚洲第一欧美日韩一区二区三区| 不卡一级毛片| 一级片免费观看大全| 欧美日韩国产mv在线观看视频| 日韩欧美一区视频在线观看| 欧美日韩福利视频一区二区| 国产精品亚洲一级av第二区| 午夜亚洲福利在线播放| 91精品国产国语对白视频| 亚洲成人精品中文字幕电影 | 亚洲第一欧美日韩一区二区三区| 水蜜桃什么品种好| 久久中文字幕人妻熟女| 50天的宝宝边吃奶边哭怎么回事| 啦啦啦免费观看视频1| 午夜老司机福利片| 精品一区二区三区视频在线观看免费 | 老司机亚洲免费影院| 精品免费久久久久久久清纯| 在线观看免费高清a一片| 欧美激情极品国产一区二区三区| 91老司机精品| 在线视频色国产色| 如日韩欧美国产精品一区二区三区| 又黄又爽又免费观看的视频| 人人妻人人爽人人添夜夜欢视频| 欧美丝袜亚洲另类 | 欧美人与性动交α欧美精品济南到| 亚洲 欧美一区二区三区| 99久久人妻综合| 别揉我奶头~嗯~啊~动态视频| 在线观看免费视频日本深夜| 久久亚洲真实| 欧美国产精品va在线观看不卡| 久久中文字幕人妻熟女| 男男h啪啪无遮挡| 长腿黑丝高跟| 久久午夜综合久久蜜桃| 国产免费av片在线观看野外av| 91麻豆av在线| 亚洲国产精品sss在线观看 | 国产成人av激情在线播放| 国产欧美日韩一区二区三| 成人18禁在线播放| 精品一品国产午夜福利视频| 老司机午夜福利在线观看视频| 人人妻,人人澡人人爽秒播| 99精品久久久久人妻精品| 亚洲一区二区三区色噜噜 | 在线观看舔阴道视频| av网站免费在线观看视频| 亚洲精品中文字幕在线视频| 国产成人欧美在线观看| 美女高潮喷水抽搐中文字幕| 午夜福利影视在线免费观看| 中亚洲国语对白在线视频| 亚洲全国av大片| 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| 久热爱精品视频在线9| 日本vs欧美在线观看视频| 国产精品国产av在线观看| 韩国av一区二区三区四区| 又大又爽又粗| 纯流量卡能插随身wifi吗| 熟女少妇亚洲综合色aaa.| 黄色视频不卡| 亚洲av五月六月丁香网| 99热国产这里只有精品6| 久久精品国产亚洲av香蕉五月| 在线观看免费高清a一片| 在线观看午夜福利视频| 波多野结衣av一区二区av| 人人澡人人妻人| 国产成人精品无人区| 成人国产一区最新在线观看| 国产人伦9x9x在线观看| 国产三级黄色录像| av免费在线观看网站| 两人在一起打扑克的视频| 欧美激情 高清一区二区三区| 亚洲一区二区三区不卡视频| 国产色视频综合| av在线播放免费不卡| 国产成人免费无遮挡视频| a级毛片在线看网站| 亚洲精品一区av在线观看| 18禁黄网站禁片午夜丰满| 80岁老熟妇乱子伦牲交| av电影中文网址| 欧美精品一区二区免费开放| 美女大奶头视频| 日韩大尺度精品在线看网址 | 亚洲国产中文字幕在线视频| 亚洲狠狠婷婷综合久久图片| 亚洲欧美激情在线| 欧美中文日本在线观看视频| 亚洲熟妇中文字幕五十中出 | 日韩有码中文字幕| 午夜福利一区二区在线看| 无限看片的www在线观看| 99香蕉大伊视频| 午夜福利一区二区在线看| 无限看片的www在线观看| 欧美日韩一级在线毛片| 男女做爰动态图高潮gif福利片 |