• <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 ?

    基于機(jī)器學(xué)習(xí)的短期負(fù)荷預(yù)測算法綜述①

    2022-11-07 09:07:00梁宏濤劉紅菊郭超男
    關(guān)鍵詞:利用模型

    梁宏濤,劉紅菊,李 靜,2,王 瑩,郭超男

    1(青島科技大學(xué) 信息科學(xué)技術(shù)學(xué)院,青島 266061)

    2(華電國際十里泉電廠,棗莊 277100)

    當(dāng)前全球能源發(fā)展面臨資源緊缺、利用效率低等深層次矛盾與問題,能源轉(zhuǎn)型迫在眉睫[1].根據(jù)國際可再生能源署(international renewable energy agency,IRENA)數(shù)據(jù)統(tǒng)計(jì),截至2020年底,中國光伏與風(fēng)電裝機(jī)容量分別為254 GW 和282 GW,占世界領(lǐng)導(dǎo)地位[2].隨著新能源裝機(jī)量增加,能源消納問題日益凸顯,每年我國因“三棄”問題帶來的損失達(dá)百億元,近幾年能源消納問題雖有所緩解,但截止到2019年,新能源棄光電量仍然高達(dá)26.1 億千瓦時(shí)[3].因此精確的負(fù)荷預(yù)測對于優(yōu)化能源調(diào)度、解決“三棄”問題具有重要意義.

    負(fù)荷預(yù)測不僅在綜合能源管理與能源調(diào)度中占據(jù)主導(dǎo)地位,對于電價(jià)制定和電網(wǎng)的穩(wěn)定運(yùn)行也尤為重要[4].早在20世紀(jì)80年代便有專家學(xué)者針對負(fù)荷預(yù)測進(jìn)行了研究,諸如回歸分析法[5]、時(shí)間序列法[6,7]等傳統(tǒng)負(fù)荷預(yù)測算法,但此類模型的預(yù)測能力僅針對線性模型表現(xiàn)較好,而用戶用電負(fù)荷具有典型的非線性特征.尤其近幾年隨著智能化設(shè)備的廣泛普及,用電量大幅度提升,捕獲到的諸如天氣、經(jīng)濟(jì)、人口數(shù)量、地理位置等電力負(fù)荷影響因素越來越多,負(fù)荷預(yù)測的難度也隨之增大[8].為綜合考慮多個(gè)影響因素,ANN[9]、SVM[10]、集成學(xué)習(xí)[11,12]等智能化算法開始被廣泛應(yīng)用于負(fù)荷預(yù)測,例如Chahkoutahi 等人[13]分別采用基于自適應(yīng)網(wǎng)絡(luò)的模糊推理系統(tǒng)、多層感知器神經(jīng)網(wǎng)絡(luò)和季節(jié)性自回歸綜合滑動平均法對電力負(fù)荷進(jìn)行預(yù)測,預(yù)測精確度有所提高.與傳統(tǒng)預(yù)測算法相比,智能化預(yù)測算法適用范圍更廣和精確度也相對較高.

    1 電力負(fù)荷預(yù)測

    1.1 電力負(fù)荷

    負(fù)荷是指供電地區(qū)或電網(wǎng)在某一瞬間所承擔(dān)的用電功率,根據(jù)用戶結(jié)構(gòu)的不同,可將電力負(fù)荷劃分為工業(yè)負(fù)荷、商用負(fù)荷、城市民用負(fù)荷、農(nóng)村負(fù)荷以及其他負(fù)荷等.其中城市民用負(fù)荷主要指城市居民家用電器的用電負(fù)荷,與居民日常生活息息相關(guān),是目前的主要研究領(lǐng)域.

    負(fù)荷預(yù)測[14]是指充分考慮各種自然因素、社會影響、系統(tǒng)運(yùn)行等條件,利用各種數(shù)學(xué)方法或智能化模型預(yù)測用戶未來一定時(shí)間內(nèi)的負(fù)荷數(shù)值.根據(jù)研究目的與預(yù)測時(shí)長的不同,可將負(fù)荷預(yù)測分為超短期負(fù)荷預(yù)測、短期負(fù)荷預(yù)測、中期負(fù)荷預(yù)測以及長期負(fù)荷預(yù)測[15].精確的短期負(fù)荷預(yù)測對于制定發(fā)電計(jì)劃、安排機(jī)組啟停與檢修以及電價(jià)制定具有重要意義.

    1.2 負(fù)荷預(yù)測影響因素

    電力是維持用戶日常生活的基礎(chǔ)能源,容易受到如天氣、建筑的物理特性、用戶行為、人口密度等多種因素的影響.本文將用戶用電負(fù)荷影響因素劃分為地區(qū)天氣因素、經(jīng)濟(jì)因素、建筑結(jié)構(gòu)以及人口密度等4 大類別.

    (1)天氣因素主要包括室內(nèi)外氣溫、空氣濕度、太陽照射角以及風(fēng)速等; 天氣是影響用戶負(fù)荷的主要因素之一,尤其表現(xiàn)在夏季氣溫升高時(shí),空調(diào)制冷等大功率電器用電量大幅度提升.

    (2)經(jīng)濟(jì)因素是指居民家庭收入、城區(qū)能源配比與價(jià)格、區(qū)域生活水平及教育水平等; 家庭經(jīng)濟(jì)水平對居民用戶用電行為以及設(shè)備所有權(quán)起決定性作用,從而對用戶用電負(fù)荷產(chǎn)生影響.

    (3)建筑結(jié)構(gòu)包括建筑材料、綠化規(guī)劃、住戶位置等要素; 其中建筑高度與建筑位置等因素通過影響太陽輻射度、通風(fēng)效果進(jìn)而影響用戶用電負(fù)荷,建筑材料則會影響房間的制冷制熱問題.另外室內(nèi)設(shè)備條件也會對用戶用電負(fù)荷產(chǎn)生較大影響.

    (4)人文特點(diǎn)是指某地區(qū)的居民密集度、生活風(fēng)俗以及居民特點(diǎn),地域風(fēng)俗習(xí)慣、居民職業(yè)特點(diǎn)以及家庭人口年齡構(gòu)成對用戶用電習(xí)慣與負(fù)荷高低都會產(chǎn)生一定的影響.

    2 典型負(fù)荷預(yù)測算法

    目前負(fù)荷預(yù)測可分為傳統(tǒng)預(yù)測和基于深度學(xué)習(xí)的智能化預(yù)測模型,本文簡要介紹了回歸分析、ANN、SVM、CNN 以及RNN 等預(yù)測方法,總結(jié)概括各預(yù)測方法的優(yōu)缺點(diǎn)與適用范圍,以期為未來負(fù)荷預(yù)測提供參考.

    2.1 回歸分析法

    回歸分析法指在分析因變量與自變量的基礎(chǔ)上,建立回歸方程來預(yù)測因變量未來的變化趨勢.該模型構(gòu)建簡單,預(yù)測速度較快.但隨著科技的快速發(fā)展,可收集到的用電負(fù)荷影響因素?cái)?shù)據(jù)與日俱增,回歸分析模型往往會忽略負(fù)荷變化的內(nèi)在規(guī)律性以降低預(yù)測精度.目前回歸分析逐漸開始作為基礎(chǔ)模型用于處理負(fù)荷預(yù)測問題,例如文獻(xiàn)[16]在基礎(chǔ)回歸模型的基礎(chǔ)上,引入虛擬變量用于描述時(shí)間的周期變化規(guī)律,同時(shí)考慮即時(shí)溫度、滯后溫度以及24 小時(shí)平均溫度實(shí)現(xiàn)用戶負(fù)荷預(yù)測.

    2.2 時(shí)間序列法

    時(shí)間序列算法最初由美國學(xué)者Box 等人[17]提出,該方法根據(jù)時(shí)間序列歷史數(shù)據(jù),建立數(shù)學(xué)模型描述時(shí)間與負(fù)荷值之間的關(guān)系.Boroojeni 等人[18]通過模擬不同季節(jié)周期(每天、每周、每季度和每年)的離線數(shù)據(jù),借助自回歸(auto regressive model,AR)和移動平均(moving average model,MA)模型,分別對季節(jié)性和非季節(jié)性負(fù)荷周期進(jìn)行建模,有效降低了預(yù)測誤差.時(shí)間序列分析算法只考慮時(shí)間變量,需求數(shù)據(jù)量少,預(yù)測速度快.但該模型理論復(fù)雜,對原始數(shù)據(jù)平穩(wěn)性要求較高,并且未考慮其他不確定性影響因素,最終的預(yù)測精確度存在較大誤差.

    除回歸分析與時(shí)間序列法外,統(tǒng)計(jì)負(fù)荷預(yù)測模型還包括灰色模型法(grey model,GM)[19]、相似日法[20]、負(fù)荷求導(dǎo)法等.灰色模型對不確定性因素處理較好,僅適用于長期負(fù)荷預(yù)測; 相似日法在一定程度上解決負(fù)荷預(yù)測中的“積溫效應(yīng)”問題,但過于依賴歷史數(shù)據(jù); 負(fù)荷求導(dǎo)對超短期負(fù)荷預(yù)測表現(xiàn)出較好的性能,但計(jì)算復(fù)雜度較高.

    2.3 人工神經(jīng)網(wǎng)絡(luò)

    BPNN 因其強(qiáng)大的非線性映射能力和柔性的網(wǎng)絡(luò)結(jié)構(gòu)使之成為應(yīng)用最廣泛的人工神經(jīng)網(wǎng)絡(luò)之一[21].但目前沒有統(tǒng)一標(biāo)準(zhǔn)來定義神經(jīng)元個(gè)數(shù)與網(wǎng)絡(luò)層數(shù),同時(shí)BPNN 還存在學(xué)習(xí)收斂速度慢以及局部最優(yōu)解的問題.許多專家學(xué)者針對這些問題進(jìn)行改進(jìn).文獻(xiàn)[22]利用蝙蝠算法優(yōu)化模型參數(shù)選擇,從負(fù)荷曲線形狀以及距離相似性兩個(gè)維度設(shè)計(jì)灰色關(guān)聯(lián)模型以選取負(fù)荷相似日,與單一BPNN 等模型相比,RMSE 降低了1.06%.

    用戶因地理位置、地域經(jīng)濟(jì)等情況不同導(dǎo)致用電負(fù)荷量產(chǎn)生較大差異,主成分分析以及Pearson 相關(guān)系數(shù)等常用方法具有一定的主觀性.針對該問題,文獻(xiàn)[23]利用最小二乘法、最小方差以及遺傳算法等模型計(jì)算各因素權(quán)重,利用加權(quán)方式得出影響因素的重要性排名,結(jié)合徑向基函數(shù)模型進(jìn)行預(yù)測.文獻(xiàn)[24]構(gòu)建新型隨機(jī)嵌入式分布框架,利用核密度估計(jì)法擬合多個(gè)神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果形成概率密度函數(shù),結(jié)合期望估計(jì)法計(jì)算得到最終預(yù)測值,適用于數(shù)據(jù)較少的情況,并且BPNN 結(jié)構(gòu)與隱含層節(jié)點(diǎn)個(gè)數(shù)仍需通過反復(fù)試驗(yàn)確定.文獻(xiàn)[25]利用魯棒性較強(qiáng)的CIM 度量方式作為ANN的損失函數(shù)以減少噪聲和異常值的影響.

    2.4 支持向量機(jī)

    SVM[26]最早主要用于數(shù)據(jù)分類,由于其良好的非線性數(shù)據(jù)處理能力,也可被用于處理負(fù)荷預(yù)測問題.與BPNN 相比,SVM 收斂速度快,不存在網(wǎng)絡(luò)層數(shù)與局部最優(yōu)解的問題,但針對復(fù)雜結(jié)構(gòu)數(shù)據(jù),計(jì)算難度高,模型較難實(shí)現(xiàn).Chu 等人[27,28]利用決策樹和加權(quán)平均法劃分季節(jié)屬性,利用時(shí)間序列與SVM 支持向量機(jī)針對不同變量進(jìn)行預(yù)測,呈現(xiàn)較好的預(yù)測效果.文獻(xiàn)[29]采用最小二乘支持向量機(jī)進(jìn)行負(fù)荷預(yù)測,并結(jié)合改進(jìn)并行粒子群優(yōu)化算法(improved particle swarm optimization,IPPSO)優(yōu)化參數(shù)選擇,有效提高了數(shù)據(jù)處理效率與算法預(yù)測準(zhǔn)確率.Wu 等人[30]提出了一種面向預(yù)測成本的線性非對稱損失函數(shù),對預(yù)測過高或過低實(shí)施不同懲罰措施,同時(shí)充分優(yōu)化LSSVM 的不敏感參數(shù),大大降低了負(fù)荷預(yù)測的經(jīng)濟(jì)成本.文獻(xiàn)[31,32]分別將經(jīng)驗(yàn)小波變換、變分模式分解與LSSVM 模型相結(jié)合,在數(shù)據(jù)預(yù)處理階段將數(shù)據(jù)分解,合并所有子序列的預(yù)測結(jié)果,以獲得更滿意的預(yù)測結(jié)果.

    模式搜索算法(pattern search,PS)在局部搜索方面呈現(xiàn)較好的效果,而螢火蟲群優(yōu)化(glowworm swarm optimization,GSO)算法則具有全局搜索能力,文獻(xiàn)[33]結(jié)合這兩個(gè)算法的優(yōu)點(diǎn),提出一種綜合算法GSOPS,并利用多層次粒度提高SVM 的訓(xùn)練效率,模型訓(xùn)練效率高,但模型復(fù)雜,構(gòu)建有難度.文獻(xiàn)[34]在基礎(chǔ)負(fù)荷預(yù)測的基礎(chǔ)上引入實(shí)時(shí)電價(jià),利用加權(quán)灰色關(guān)聯(lián)投影算法預(yù)測節(jié)假日負(fù)荷,PSO 算法優(yōu)化SVM 模型參數(shù)用于預(yù)測基本負(fù)荷,該模型更具有現(xiàn)實(shí)意義.

    各種傳統(tǒng)負(fù)荷預(yù)測模型受到歷史數(shù)據(jù)影響較大,并且考慮因素不全面,導(dǎo)致預(yù)測準(zhǔn)確度較低.隨著大數(shù)據(jù)的發(fā)展,深度學(xué)習(xí)預(yù)測模型應(yīng)運(yùn)而生.深度學(xué)習(xí)模型由于其強(qiáng)大的泛化能力和無監(jiān)督學(xué)習(xí)等特征,被廣泛應(yīng)用于圖像識別、自然語言處理等領(lǐng)域[35].本文以CNN、LSTM、深度置信網(wǎng)絡(luò)(deep belief network,DBN)以及集成學(xué)習(xí)與組合模型等多種預(yù)測算法為例,簡要介紹深度學(xué)習(xí)模型在短期負(fù)荷預(yù)測中的應(yīng)用.

    2.5 卷積神經(jīng)網(wǎng)絡(luò)

    CNN 依賴卷積層從負(fù)荷數(shù)據(jù)中提取特征,利用全連接層實(shí)現(xiàn)回歸預(yù)測與分類.最初CNN 主要被用于圖像處理,但若將數(shù)據(jù)像圖像一樣以二維或三維表示時(shí),也可使用CNN 進(jìn)行處理數(shù)據(jù)預(yù)測.如表1 所示,文獻(xiàn)[36]結(jié)合CNN 和K-means 聚類的最佳特征,開發(fā)了一種混合預(yù)測方法,使用從電網(wǎng)獲得的大數(shù)據(jù)集,利用K-means算法將其聚類成子集,獲得的子集用于訓(xùn)練CNN,最終將子集預(yù)測結(jié)果集成得到最終負(fù)荷預(yù)測結(jié)果.Sadaei 等人[37]將多變量時(shí)間序列數(shù)據(jù)轉(zhuǎn)換成多通道圖像輸入至CNN 模型,同時(shí)使用模糊空間、頻譜等邏輯模型來表示時(shí)間序列的一維結(jié)構(gòu),有效控制CNN 的過擬合問題.文獻(xiàn)[38]以歷史負(fù)荷為輸入特征,同時(shí)考慮數(shù)據(jù)時(shí)間序列分布,降低負(fù)荷數(shù)據(jù)噪聲誤差和增強(qiáng)時(shí)間序列特性,采用多時(shí)空尺度CNN (multi-temporalspatial-scale temporal convolutional network,MTCN)處理負(fù)荷數(shù)據(jù); 該方法可同時(shí)學(xué)習(xí)負(fù)荷數(shù)據(jù)的非線性特征和時(shí)間序列特征.Imani 等人[39]將CNN 應(yīng)用到住宅負(fù)荷預(yù)測中,利用非線性關(guān)系抽取方法(nonlinear relationship extraction,NRE)將歷史負(fù)荷的附近兩周前中后3 天的同時(shí)刻負(fù)荷與溫度數(shù)據(jù)抽取集成為一個(gè)負(fù)荷-溫度立方體,利用CNN 二維卷積算子從鄰域中提取負(fù)荷值之間的局部特征,同時(shí)使用負(fù)荷溫度立方體學(xué)習(xí)隱藏的非線性負(fù)荷溫度特征來訓(xùn)練CNN 模型; 結(jié)合高斯核SVR 來最小化預(yù)測誤差,預(yù)測結(jié)果表明該方法具有優(yōu)越的性能.

    表1 CNN 模型在短期負(fù)荷預(yù)測中的應(yīng)用

    2.6 循環(huán)神經(jīng)網(wǎng)絡(luò)

    RNN 在負(fù)荷預(yù)測方面也做出了巨大貢獻(xiàn).文獻(xiàn)[42]針對家庭用電負(fù)荷預(yù)測中的波動性和不確定性問題,將住宅消費(fèi)者的負(fù)荷概況作為池化深度遞歸神經(jīng)網(wǎng)絡(luò)(pooling-based deep recurrent neural network,PDRNN)的輸入,直接對不確定性信息進(jìn)行處理學(xué)習(xí),有效解決模型過擬合問題.RNN 一般被用于離線學(xué)習(xí),每次訓(xùn)練都存在無法從新數(shù)據(jù)中及時(shí)學(xué)習(xí)新知識,針對此問題,Fekri 等人[43]利用RNN 捕捉時(shí)間相關(guān)性,并根據(jù)新數(shù)據(jù)更新RNN 的權(quán)重,自動調(diào)整RNN 超參數(shù)以適應(yīng)數(shù)據(jù)變化.文獻(xiàn)[44]則將RNN 與一維CNN 網(wǎng)絡(luò)相結(jié)合,提出了用于短期電力負(fù)荷預(yù)測的遞歸檢驗(yàn)神經(jīng)網(wǎng)絡(luò)模型(recurrent inspection CNN,RICNN),利用RNN學(xué)習(xí)電力負(fù)荷時(shí)間序列數(shù)據(jù)中存在的長期和短期時(shí)間相關(guān)性,CNN 則處理負(fù)荷時(shí)間序列的谷峰特征,與MLP 模型相比,有效提高了MAPE.

    RNN 通過共享所有時(shí)間步的參數(shù)來學(xué)習(xí)過去時(shí)刻的模式表示,但隨著時(shí)間的推移,序列的增長使過去時(shí)刻的模式記憶逐漸消失,LSTM 利用門控記憶單元可以將數(shù)據(jù)信息保持更長的時(shí)間,并做出更好的預(yù)測.文獻(xiàn)[45]充分考慮能耗數(shù)據(jù)的周期性,利用自相關(guān)性分析影響因素特征,構(gòu)建LSTM 網(wǎng)絡(luò)對序列數(shù)據(jù)進(jìn)行建模和預(yù)測,與ARMA、BPNN 等傳統(tǒng)模型相比,RMSE 大幅度降低.文獻(xiàn)[46]則將LSTM 應(yīng)用到非住宅用戶負(fù)荷預(yù)測上,利用K-means 分類挖掘用戶能耗行為模式,應(yīng)用Spearman 相關(guān)系數(shù)研究非住宅消費(fèi)者在多個(gè)時(shí)間序列下的時(shí)間相關(guān)性,最終設(shè)計(jì)提出一種基于多序列LSTM 遞歸神經(jīng)網(wǎng)絡(luò)的非住宅負(fù)荷預(yù)測框架.而針對住宅用戶,文獻(xiàn)[47,48]利用負(fù)荷序列分解和基于互信息的多源輸入數(shù)據(jù)重構(gòu)雙層特征方式處理住宅用戶負(fù)荷數(shù)據(jù),引入自注意力機(jī)制(self-attention mechanism,SAM)為時(shí)間序列特征分配權(quán)重,最終采用LSTM 和SAM 相結(jié)合的混合模型進(jìn)行預(yù)測,彌補(bǔ)了單一LSTM 的不足.針對個(gè)人用戶負(fù)荷預(yù)測,文獻(xiàn)[49]則利用LSTM 結(jié)合多分位數(shù)原理實(shí)現(xiàn)概率預(yù)測.Han 等人[50]將時(shí)間序列劃分為53 組,每層設(shè)計(jì)7 個(gè)輸入節(jié)點(diǎn)和1 個(gè)輸出節(jié)點(diǎn); 將371 個(gè)的日用電負(fù)荷數(shù)據(jù)點(diǎn)輸入至具有53 個(gè)神經(jīng)元的全連接層,全連接層的輸出作為LSTM 循環(huán)層的輸入,有效減少輸入負(fù)荷序列的長度,緩解了梯度消失問題.面對高維海量特征數(shù)據(jù),文獻(xiàn)[51]構(gòu)建影響因素特征矩陣,利用密度聚類將用戶聚為2 類,利用3 層BiLSTM 對某地區(qū)未來一周的負(fù)荷進(jìn)行預(yù)測.

    除LSTM 外,門控循環(huán)單元(gate recurrent unit,GRU)也由于其超群的記憶學(xué)習(xí)能力而受到各專家學(xué)者的青睞.Du 等人[52]建立具有時(shí)空相關(guān)性的歷史負(fù)荷矩陣(historical load matrix,HLM),利用3 層CNN提取負(fù)荷數(shù)據(jù)特征,GRU 則負(fù)責(zé)將序列映射到最終預(yù)測值.用電負(fù)荷的影響因素不斷疊加導(dǎo)致負(fù)荷序列非平穩(wěn)性逐漸增強(qiáng),為提高負(fù)荷序列的穩(wěn)定性,Gao等人[53]利用EMD 將分離出負(fù)荷序列的不平穩(wěn)因素,采用Pearson 分析序列相關(guān)性,將相關(guān)性較高的序列輸入GRU 中進(jìn)行預(yù)測; 而文獻(xiàn)[54]則利用差分分解與誤差補(bǔ)償平滑負(fù)荷序列后利用GRU 進(jìn)行預(yù)測;這兩種方法均有效提高了模型精度.Eskandari 等人[55]利用二維卷積層提取電力負(fù)荷矩陣的隱藏特征,有效避免了卷積層中參數(shù)爆炸的問題,其中卷積核大小由電力負(fù)載的自相關(guān)系數(shù)確定; 針對預(yù)測,該模型充分利用LSTM 和GRU 網(wǎng)絡(luò)的優(yōu)點(diǎn),LSTM 單元用于前向傳播,GRU 單元用于反向傳播,以獲得更高的預(yù)測精度.表2 展示了RNN 模型在短期負(fù)荷預(yù)測中的應(yīng)用.

    表2 RNN 模型在短期負(fù)荷預(yù)測中的應(yīng)用

    2.7 其他深度學(xué)習(xí)模型

    除CNN、LSTM、GRU 等常用模型外,還有部分其他深度學(xué)習(xí)模型也被應(yīng)用于短期負(fù)荷預(yù)測中.例如Dedinec 等人[56]將多層受限玻爾茲曼機(jī)組成的深度信念網(wǎng)絡(luò)(deep belief networks,DBN)用于負(fù)荷預(yù)測,在逐層無監(jiān)督訓(xùn)練后使用有監(jiān)督反向傳播訓(xùn)練方法微調(diào)模型參數(shù),同時(shí)引入電價(jià)變量,有效提高了預(yù)測精度.

    為降低由于復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)和受限于確定性點(diǎn)預(yù)測而導(dǎo)致的計(jì)算成本問題,Dong 等人[57]利用K 近鄰算法尋找與未來值相似的歷史電力負(fù)荷時(shí)間序列特征,采用DBN 進(jìn)行預(yù)測,而文獻(xiàn)[58]則利用縱橫交叉算法(crisscross optimization,CSO)優(yōu)化DBN,利用互信息算法篩選影響因素,這兩種模型均表現(xiàn)出較好的性能.

    Alipour 等人[59]利用自動編碼器與級聯(lián)神經(jīng)網(wǎng)絡(luò)構(gòu)建DNN 模型進(jìn)行負(fù)荷預(yù)測.文獻(xiàn)[60]同時(shí)考慮歷史負(fù)荷與溫度、陽光等氣象數(shù)據(jù),利用梯度增強(qiáng)回歸樹(gradient boosting regression tree,GBRT)進(jìn)行概率凈負(fù)荷預(yù)測.文獻(xiàn)[61]研究光伏滲透率、季節(jié)性和負(fù)荷需求增加對凈負(fù)荷預(yù)測間隔的影響,采用分位數(shù)回歸和動態(tài)高斯模型進(jìn)行日負(fù)荷區(qū)間概率預(yù)測.文獻(xiàn)[62]采用相空間重構(gòu)和BNN 相結(jié)合進(jìn)行短期凈負(fù)荷預(yù)測.

    深度學(xué)習(xí)模型可以更深層次的挖掘負(fù)荷數(shù)據(jù)集特征,提高預(yù)測精確度,但模型框架、參數(shù)選擇仍然是亟待解決的難題.

    2.8 集成學(xué)習(xí)與組合模型

    一直以來,高穩(wěn)定性和準(zhǔn)確度都是模型訓(xùn)練所追求的目標(biāo),但單一的模型訓(xùn)練結(jié)果往往不如人意.為此各大專家學(xué)者將多個(gè)弱學(xué)習(xí)器組合成一個(gè)強(qiáng)學(xué)習(xí)器以期獲得更好的效果[63],即集成學(xué)習(xí).Hu 等人[64]提出了一種基于綜合加權(quán)矢量角和基于移位的密度估計(jì)的多模態(tài)進(jìn)化算法,設(shè)計(jì)了包括預(yù)測性能評估、模型屬性分析、結(jié)構(gòu)和融合策略優(yōu)化以及最優(yōu)模型偏好選擇的智能決策支持方案,以改進(jìn)基于隨機(jī)向量函數(shù)鏈網(wǎng)絡(luò)的集成學(xué)習(xí)模型.

    目前應(yīng)用比較廣泛的是Bagging、AdaBoost、XGBoost、GBDT 等集成學(xué)習(xí)模型.Bagging 采用并行方式,訓(xùn)練速度快,但有放回抽樣導(dǎo)致部分?jǐn)?shù)據(jù)集取不到,且每個(gè)學(xué)習(xí)器權(quán)重一致,未考慮其重要性.AdaBoost采用串行方式運(yùn)行,可根據(jù)模型訓(xùn)練結(jié)果調(diào)整權(quán)重,模型訓(xùn)練精度更高,但弱學(xué)習(xí)器個(gè)數(shù)不好設(shè)定且訓(xùn)練比較耗時(shí).針對此問題,文獻(xiàn)[65]將決策樹作為弱學(xué)習(xí)器構(gòu)建隨機(jī)森林(random forest,RF)模型進(jìn)行負(fù)荷預(yù)測,分別利用粗糙集、灰色投影技術(shù)、果蠅優(yōu)化算法對模型進(jìn)行優(yōu)化,均取得了較好的效果.

    XGBoost 算法采用二階導(dǎo),提高了計(jì)算效率并有效減小過擬合問題,但每次迭代運(yùn)行都需遍歷整個(gè)數(shù)據(jù)集,不適合處理較大數(shù)據(jù)集,對內(nèi)存也有較高的要求.為解決此問題,文獻(xiàn)[66]利用集成學(xué)習(xí)的stacking 技術(shù)將XGBoost 與輕量級梯度提升樹(light gradient boosting machine,LGBM)、多層感知機(jī)MLP 三個(gè)模型組合用于負(fù)荷預(yù)測,表現(xiàn)出較好的性能優(yōu)勢.孫超等人[67]構(gòu)建篩選特征集的數(shù)據(jù)處理層以及優(yōu)化參數(shù)選擇的負(fù)荷預(yù)測層的雙層XGBoost 模型結(jié)構(gòu),該模型將第1 層篩選得到的特征集與負(fù)荷作為第2 層的輸入,有效避免特征數(shù)據(jù)相互依賴的問題.

    除以上集成學(xué)習(xí)模型外,部分專家還將SVM、神經(jīng)網(wǎng)絡(luò)、集成學(xué)習(xí)等算法集成進(jìn)行組合預(yù)測(如表3所示).Malekizadeh 等人[68]將電力系統(tǒng)劃分為若干小區(qū)域,利用模糊神經(jīng)網(wǎng)絡(luò)(fuzzy neural network,FNN)、SVM 等多個(gè)算法分別預(yù)測單個(gè)區(qū)域的用電負(fù)荷,采用局部線性模型樹(locally linear model tree,LOLIMOT)方式將小區(qū)域的預(yù)測結(jié)果組合,結(jié)合模糊推理靈活設(shè)置網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu),更加有效的提取負(fù)荷分布趨勢.文獻(xiàn)[69]將CNN 與RF 結(jié)合使用,有效減小了MAPE.針對數(shù)據(jù)特征少導(dǎo)致的預(yù)測低精度問題,Tian 等人[70]利用CNN 提取用戶用電負(fù)荷局部趨勢,結(jié)合LSTM 模型進(jìn)行預(yù)測.陳振宇等人[71,72]則利用誤差倒數(shù)法(MAPEreciprocal weight,MAPE-RW)選取模型組合最佳權(quán)重,將XGBoost 與LSTM 模型預(yù)測的時(shí)序數(shù)據(jù)進(jìn)行加權(quán)組合,有效降低了單一模型的預(yù)測誤差.Zhang 等人[73]利用CNN 提取數(shù)據(jù)特征,Seq2Seq 對用戶用能負(fù)荷進(jìn)行預(yù)測,同時(shí)引入注意機(jī)制和多任務(wù)學(xué)習(xí)方法來提高負(fù)荷預(yù)測的準(zhǔn)確性.Nie 等人[74]將數(shù)據(jù)預(yù)處理、多目標(biāo)優(yōu)化、模型預(yù)測以及模型評估組合成一個(gè)新型負(fù)荷預(yù)測系統(tǒng),利用EMD將負(fù)荷數(shù)據(jù)分解,結(jié)合RBF、ELM 與GRNN 三種預(yù)測模型進(jìn)行預(yù)測,將結(jié)果加權(quán)形成最終預(yù)測值.

    表3 組合模型在短期負(fù)荷預(yù)測中的應(yīng)用

    研究發(fā)現(xiàn),基于深度學(xué)習(xí)的預(yù)測算法已成功解決了大多數(shù)負(fù)荷預(yù)測分析問題,組合模型在性能與準(zhǔn)確性方面表現(xiàn)都要優(yōu)于單一模型,挖掘深度學(xué)習(xí)模型的更多組合方式是未來的研究熱點(diǎn).

    3 實(shí)驗(yàn)分析

    為進(jìn)一步分析各預(yù)測模型的優(yōu)缺點(diǎn),本文利用2 個(gè)國外負(fù)荷數(shù)據(jù)與2 個(gè)國內(nèi)負(fù)荷數(shù)據(jù)進(jìn)行實(shí)驗(yàn)對比,選取較為典型的SVM[27,28]、LSTM[49]、Bagging[65]、XGBoost[67]等模型進(jìn)行實(shí)驗(yàn),國外數(shù)據(jù)集包括2016年國外建筑能耗數(shù)據(jù)(energydata)[75]以及2019年比利時(shí)負(fù)荷數(shù)據(jù)集(Elia_data)[76]; 國內(nèi)數(shù)據(jù)集包括2016年電工數(shù)學(xué)建模競賽負(fù)荷預(yù)測數(shù)據(jù)集(math_load)與2014年上海市真實(shí)用電數(shù)據(jù)集(2014_上海).4 種電力負(fù)荷數(shù)據(jù)屬性如表4 所示.

    表4 實(shí)驗(yàn)測試數(shù)據(jù)集

    為精確對比各模型優(yōu)缺點(diǎn),統(tǒng)一劃分?jǐn)?shù)據(jù)集,選取前80%為訓(xùn)練數(shù)據(jù)集,后20%為測試數(shù)據(jù)集,本實(shí)驗(yàn)基于Python 3.8 進(jìn)行.6 種常用的負(fù)荷預(yù)測模型預(yù)測值與用戶用電真實(shí)值的對比圖1 所示.

    圖1 各模型預(yù)測值與真實(shí)值對比圖

    圖1 由4 個(gè)子圖組成,圖1(a)-圖1(d)分別代表AdaBoost 與Bagging 模型、XGBoost 與GBDT 模型、選取3 種核函數(shù)的SVM 模型以及LSTM 模型.由圖可知,Bagging、GBDT 以及LSTM 等負(fù)荷預(yù)測模型的數(shù)值擬合度較高,而Adaboost 與XGBoost 的擬合度有待提高.由于SVM 處理數(shù)據(jù)的局限性,使得該模型的擬合度表現(xiàn)較差.

    6 種常用模型的運(yùn)行結(jié)果的MAPE 與運(yùn)行時(shí)間(運(yùn)行10 次取均值)如表5 和表6 所示.由實(shí)驗(yàn)結(jié)果可知,Bagging 模型泛化能力較好,適用于各種大小的數(shù)據(jù)集,并且預(yù)測效果也較為可觀.與Bagging 模型相比,AdaBoost 運(yùn)行時(shí)間較長,精確度也有待提高.針對小數(shù)據(jù)集,各個(gè)集成學(xué)習(xí)表現(xiàn)都較為穩(wěn)定.但針對高維稀疏數(shù)據(jù),例如energydata 數(shù)據(jù)集,GBDT 的預(yù)測效果有待提高.

    表5 部分預(yù)測模型的MAPE 比較 (%)

    表6 部分模型的運(yùn)行時(shí)間比較(ms)

    綜合看來,Bagging 模型與AdaBoost 模型具有很高的泛化能力,適合處理各種數(shù)據(jù)集.XGBoost 預(yù)測效果較好,但其對內(nèi)存需求大,不適合處理大規(guī)模數(shù)據(jù)集.而GBDT 訓(xùn)練速度快,但對高維稀疏數(shù)據(jù)集的處理存在一定的局限.LSTM 模型預(yù)測效果較好,但模型參數(shù)的選擇對預(yù)測結(jié)果影響較大.

    4 結(jié)論與展望

    隨著信息時(shí)代的高速發(fā)展,負(fù)荷預(yù)測已經(jīng)成為電力系統(tǒng)領(lǐng)域不可或缺的重要部分[1].本文簡單介紹了有關(guān)負(fù)荷預(yù)測的傳統(tǒng)預(yù)測方法與基于深度學(xué)習(xí)的智能預(yù)測算法,可發(fā)現(xiàn)傳統(tǒng)負(fù)荷預(yù)測算法速度快、模型簡單,對于非線性數(shù)據(jù)處理存在一定局限[16,19,20].基于深度學(xué)習(xí)的智能化預(yù)測算法因其泛化能力強(qiáng)、自學(xué)習(xí)能力高等優(yōu)點(diǎn)被各大專家青睞,但也存在模型復(fù)雜、過擬合、局部最優(yōu)解等問題[35].模型組合策略、權(quán)重參數(shù)設(shè)置問題則成為集成學(xué)習(xí)模型發(fā)展的阻礙.

    在實(shí)際應(yīng)用中,短期電力負(fù)荷預(yù)測在以下方面仍有待發(fā)展:

    (1)隨著智能化設(shè)備的發(fā)展,可獲取的負(fù)荷數(shù)據(jù)影響因素越來越多,但由于服務(wù)提供商出于安全考慮,對實(shí)時(shí)和歷史數(shù)據(jù)保密,高質(zhì)量的標(biāo)記數(shù)據(jù)仍然缺乏,利用傳感器獲取的數(shù)據(jù)存在重復(fù)、錯誤標(biāo)記以及數(shù)據(jù)流的暫時(shí)丟失等問題,因此高效可靠的數(shù)據(jù)預(yù)處理在負(fù)荷預(yù)測中變得尤為重要[14].

    (2)傳統(tǒng)模型與智能化模型各有優(yōu)點(diǎn),如何利用各個(gè)模型的優(yōu)點(diǎn),揚(yáng)長避短,提高模型的準(zhǔn)確率仍是目前的研究熱點(diǎn)[55,59,60].

    (3)目前電力負(fù)荷預(yù)測涉及訓(xùn)練數(shù)據(jù)的準(zhǔn)確性和完整性、深度學(xué)習(xí)模型及其性能限制等多個(gè)不確定度的量化問題.不確定性的量化問題對于提高深度學(xué)習(xí)模型的可靠性與準(zhǔn)確性具有重要意義.

    (4)無人機(jī)、電動汽車、可再生能源的發(fā)展都使電力系統(tǒng)變得龐大而復(fù)雜,挖掘更深層次的影響因素、考慮更接近實(shí)際情況的用電負(fù)荷是未來努力方向.

    猜你喜歡
    利用模型
    一半模型
    利用min{a,b}的積分表示解決一類絕對值不等式
    利用倒推破難點(diǎn)
    重要模型『一線三等角』
    利用一半進(jìn)行移多補(bǔ)少
    重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
    利用數(shù)的分解來思考
    Roommate is necessary when far away from home
    利用
    3D打印中的模型分割與打包
    中文天堂在线官网| 最近2019中文字幕mv第一页| 久久午夜综合久久蜜桃| 91国产中文字幕| 免费看光身美女| 韩国精品一区二区三区 | 国产 精品1| 成人18禁高潮啪啪吃奶动态图| 欧美精品一区二区免费开放| 五月开心婷婷网| 久久精品国产亚洲av天美| 精品卡一卡二卡四卡免费| 久久久久久伊人网av| 香蕉丝袜av| 国产无遮挡羞羞视频在线观看| 国产精品欧美亚洲77777| 亚洲熟女精品中文字幕| 精品福利永久在线观看| 捣出白浆h1v1| tube8黄色片| 中文乱码字字幕精品一区二区三区| 少妇的逼好多水| 日韩伦理黄色片| 日本vs欧美在线观看视频| 大陆偷拍与自拍| 捣出白浆h1v1| 国产精品人妻久久久久久| 妹子高潮喷水视频| 亚洲精品久久午夜乱码| 99热网站在线观看| 18在线观看网站| 久久精品国产亚洲av涩爱| 尾随美女入室| 飞空精品影院首页| 丝袜脚勾引网站| 精品少妇久久久久久888优播| 色吧在线观看| 久久这里只有精品19| 午夜福利网站1000一区二区三区| www.av在线官网国产| 亚洲第一av免费看| 中文字幕亚洲精品专区| 亚洲精品一区蜜桃| 少妇人妻精品综合一区二区| 精品第一国产精品| 亚洲美女黄色视频免费看| 久久人妻熟女aⅴ| 国产有黄有色有爽视频| kizo精华| av在线老鸭窝| 欧美xxxx性猛交bbbb| 人人澡人人妻人| 久久影院123| 成人国产av品久久久| 国产一区二区激情短视频 | 五月伊人婷婷丁香| 香蕉丝袜av| 成年人免费黄色播放视频| 日韩欧美一区视频在线观看| 中文字幕制服av| 99热这里只有是精品在线观看| 亚洲,一卡二卡三卡| 观看美女的网站| 最新中文字幕久久久久| 成人亚洲欧美一区二区av| 国产成人一区二区在线| 亚洲欧美色中文字幕在线| 18禁动态无遮挡网站| 99热全是精品| 日本欧美国产在线视频| 黄色毛片三级朝国网站| 黑人欧美特级aaaaaa片| 有码 亚洲区| 欧美日本中文国产一区发布| 精品视频人人做人人爽| 国产一级毛片在线| 中文乱码字字幕精品一区二区三区| 激情五月婷婷亚洲| av福利片在线| 又大又黄又爽视频免费| 亚洲av日韩在线播放| 全区人妻精品视频| 纵有疾风起免费观看全集完整版| 欧美精品人与动牲交sv欧美| 国产白丝娇喘喷水9色精品| 另类亚洲欧美激情| 亚洲成人一二三区av| 国产黄色视频一区二区在线观看| 性色av一级| 婷婷色综合www| 久久午夜综合久久蜜桃| 国产精品欧美亚洲77777| 老司机影院成人| 国国产精品蜜臀av免费| 欧美另类一区| 一本色道久久久久久精品综合| 我的女老师完整版在线观看| 日日撸夜夜添| 亚洲欧美成人综合另类久久久| 久久免费观看电影| 中文字幕人妻熟女乱码| 精品福利永久在线观看| 22中文网久久字幕| 成人毛片60女人毛片免费| 成人毛片60女人毛片免费| 波野结衣二区三区在线| 成人亚洲欧美一区二区av| 99精国产麻豆久久婷婷| 人体艺术视频欧美日本| 久久久久精品人妻al黑| 尾随美女入室| 国产精品麻豆人妻色哟哟久久| 亚洲av综合色区一区| 精品99又大又爽又粗少妇毛片| 亚洲国产欧美日韩在线播放| a级毛色黄片| 9热在线视频观看99| 国产成人aa在线观看| 五月天丁香电影| 久久 成人 亚洲| 人人妻人人添人人爽欧美一区卜| 一区二区三区四区激情视频| 中文字幕最新亚洲高清| 成人无遮挡网站| 亚洲欧美日韩另类电影网站| 春色校园在线视频观看| 久久国内精品自在自线图片| 亚洲,一卡二卡三卡| 久久热在线av| 又粗又硬又长又爽又黄的视频| 激情五月婷婷亚洲| 久久午夜综合久久蜜桃| 丰满迷人的少妇在线观看| 18禁裸乳无遮挡动漫免费视频| 一级片'在线观看视频| √禁漫天堂资源中文www| av天堂久久9| 免费久久久久久久精品成人欧美视频 | 高清在线视频一区二区三区| 熟妇人妻不卡中文字幕| 国产精品久久久久久久久免| 国产精品国产三级国产专区5o| 国产精品久久久久久精品古装| 超碰97精品在线观看| 精品99又大又爽又粗少妇毛片| 欧美成人午夜精品| 另类精品久久| 丰满饥渴人妻一区二区三| 麻豆精品久久久久久蜜桃| av不卡在线播放| 国产精品熟女久久久久浪| 美国免费a级毛片| 亚洲四区av| 99久久精品国产国产毛片| 丝袜脚勾引网站| 在现免费观看毛片| 9热在线视频观看99| av女优亚洲男人天堂| 国产日韩欧美视频二区| 99热全是精品| 久久久精品免费免费高清| 成人亚洲精品一区在线观看| 五月开心婷婷网| 伊人亚洲综合成人网| 亚洲精品乱码久久久久久按摩| 亚洲精品,欧美精品| 亚洲熟女精品中文字幕| 少妇人妻久久综合中文| 久久精品久久久久久噜噜老黄| 日日撸夜夜添| 国产欧美日韩综合在线一区二区| 最新中文字幕久久久久| 免费观看a级毛片全部| 成人黄色视频免费在线看| 日韩伦理黄色片| 国产一区亚洲一区在线观看| 国产精品人妻久久久影院| 少妇的逼好多水| 久久久精品94久久精品| 国产精品久久久久久av不卡| 久久精品国产综合久久久 | 欧美变态另类bdsm刘玥| 人妻 亚洲 视频| 久久毛片免费看一区二区三区| 成人免费观看视频高清| 国产永久视频网站| 日韩一本色道免费dvd| 精品国产乱码久久久久久小说| 日本vs欧美在线观看视频| 国产亚洲最大av| 国产成人91sexporn| 99国产综合亚洲精品| 欧美最新免费一区二区三区| 波野结衣二区三区在线| 日本免费在线观看一区| 超色免费av| 街头女战士在线观看网站| 日韩伦理黄色片| 久久综合国产亚洲精品| 久久午夜福利片| 欧美xxxx性猛交bbbb| 久久精品久久久久久久性| 精品亚洲成a人片在线观看| 亚洲图色成人| 免费人成在线观看视频色| 成人午夜精彩视频在线观看| 国产精品.久久久| 欧美精品人与动牲交sv欧美| 国产永久视频网站| 久久久久国产网址| 在线天堂中文资源库| 免费大片黄手机在线观看| 久久久久精品人妻al黑| 80岁老熟妇乱子伦牲交| 老熟女久久久| 蜜桃国产av成人99| 啦啦啦啦在线视频资源| 十八禁高潮呻吟视频| 国产一区有黄有色的免费视频| 在线精品无人区一区二区三| 波野结衣二区三区在线| 母亲3免费完整高清在线观看 | 一级爰片在线观看| 人妻一区二区av| 久久精品人人爽人人爽视色| 这个男人来自地球电影免费观看 | 国产黄色视频一区二区在线观看| 亚洲精品中文字幕在线视频| 秋霞伦理黄片| 亚洲成av片中文字幕在线观看 | 欧美成人精品欧美一级黄| 在线观看免费视频网站a站| 久久久欧美国产精品| 免费av不卡在线播放| 国产男女超爽视频在线观看| 天堂中文最新版在线下载| 日本vs欧美在线观看视频| 国精品久久久久久国模美| 精品少妇内射三级| 免费黄网站久久成人精品| 亚洲国产看品久久| 欧美老熟妇乱子伦牲交| 免费高清在线观看日韩| 亚洲精品视频女| 一区二区av电影网| 一边亲一边摸免费视频| 久久国产亚洲av麻豆专区| 国产精品久久久久久精品电影小说| 亚洲av在线观看美女高潮| 国产日韩欧美在线精品| 精品酒店卫生间| 亚洲熟女精品中文字幕| 一本色道久久久久久精品综合| 久久 成人 亚洲| 男人爽女人下面视频在线观看| 内地一区二区视频在线| 国产av一区二区精品久久| 岛国毛片在线播放| 中文欧美无线码| 日韩三级伦理在线观看| 两个人看的免费小视频| 高清欧美精品videossex| 欧美3d第一页| 亚洲伊人色综图| 精品人妻熟女毛片av久久网站| 天天操日日干夜夜撸| 少妇被粗大猛烈的视频| 黑人高潮一二区| 久久99热这里只频精品6学生| 日本欧美国产在线视频| 97在线人人人人妻| 寂寞人妻少妇视频99o| 香蕉国产在线看| 久久热在线av| 大香蕉97超碰在线| 一本大道久久a久久精品| 久久99热6这里只有精品| 国产免费又黄又爽又色| kizo精华| 你懂的网址亚洲精品在线观看| 国产一区二区三区av在线| 一边亲一边摸免费视频| 亚洲欧美日韩卡通动漫| 精品亚洲成国产av| 欧美日韩综合久久久久久| 欧美日韩成人在线一区二区| 男女高潮啪啪啪动态图| 最后的刺客免费高清国语| 亚洲成人一二三区av| 少妇被粗大的猛进出69影院 | 18在线观看网站| 26uuu在线亚洲综合色| 成人影院久久| 久久久久网色| 另类精品久久| 九草在线视频观看| 男人操女人黄网站| 色哟哟·www| 侵犯人妻中文字幕一二三四区| 久久国产精品男人的天堂亚洲 | 国产精品国产三级国产av玫瑰| 中文字幕精品免费在线观看视频 | 免费观看av网站的网址| 美女主播在线视频| 精品久久蜜臀av无| 一级毛片我不卡| 香蕉精品网在线| 国产精品不卡视频一区二区| 最近中文字幕2019免费版| 少妇人妻久久综合中文| 欧美日韩视频高清一区二区三区二| 黄色视频在线播放观看不卡| 久久久久久久大尺度免费视频| 欧美老熟妇乱子伦牲交| 2022亚洲国产成人精品| 爱豆传媒免费全集在线观看| 亚洲色图综合在线观看| 亚洲人与动物交配视频| 午夜影院在线不卡| 一级毛片黄色毛片免费观看视频| 日韩中字成人| 色哟哟·www| 国产精品一区www在线观看| 乱码一卡2卡4卡精品| 一级毛片黄色毛片免费观看视频| 看非洲黑人一级黄片| 黑人欧美特级aaaaaa片| 亚洲精品第二区| 午夜视频国产福利| 母亲3免费完整高清在线观看 | 国产成人精品福利久久| 精品一区二区免费观看| 国产精品久久久久久av不卡| 韩国高清视频一区二区三区| www.av在线官网国产| av免费观看日本| 国产精品欧美亚洲77777| www日本在线高清视频| 丁香六月天网| 天天躁夜夜躁狠狠久久av| av又黄又爽大尺度在线免费看| 女性被躁到高潮视频| 欧美精品高潮呻吟av久久| 欧美日本中文国产一区发布| 亚洲精品自拍成人| 校园人妻丝袜中文字幕| 亚洲精品日本国产第一区| 日韩视频在线欧美| 国产片特级美女逼逼视频| 久久精品国产亚洲av天美| 久久久久国产网址| 两性夫妻黄色片 | 春色校园在线视频观看| 亚洲国产精品国产精品| 亚洲经典国产精华液单| 国产国语露脸激情在线看| 99久久精品国产国产毛片| 男女午夜视频在线观看 | 欧美日韩视频高清一区二区三区二| 日韩 亚洲 欧美在线| 日韩一区二区视频免费看| 在线看a的网站| 国产国拍精品亚洲av在线观看| 国产老妇伦熟女老妇高清| 日日啪夜夜爽| 亚洲中文av在线| 丝袜喷水一区| 色94色欧美一区二区| av免费观看日本| 国产精品久久久久久av不卡| 午夜精品国产一区二区电影| 九草在线视频观看| 视频区图区小说| 欧美 亚洲 国产 日韩一| 免费黄频网站在线观看国产| 成年美女黄网站色视频大全免费| 午夜激情久久久久久久| 亚洲精品成人av观看孕妇| 欧美激情极品国产一区二区三区 | 久久99热6这里只有精品| 考比视频在线观看| 男女边摸边吃奶| 久久人人爽av亚洲精品天堂| 久久精品久久久久久久性| 日韩熟女老妇一区二区性免费视频| 免费观看a级毛片全部| 精品第一国产精品| 亚洲精品中文字幕在线视频| 免费大片18禁| 国产片特级美女逼逼视频| 另类亚洲欧美激情| 欧美精品一区二区免费开放| 亚洲色图综合在线观看| 亚洲少妇的诱惑av| 人成视频在线观看免费观看| 国产精品欧美亚洲77777| 欧美xxxx性猛交bbbb| 18禁国产床啪视频网站| 91午夜精品亚洲一区二区三区| 亚洲欧洲日产国产| 99热6这里只有精品| 欧美+日韩+精品| 一区二区av电影网| 中文字幕精品免费在线观看视频 | 中文欧美无线码| 王馨瑶露胸无遮挡在线观看| 精品亚洲成国产av| 天天操日日干夜夜撸| 中文字幕最新亚洲高清| 欧美xxxx性猛交bbbb| 在线精品无人区一区二区三| 少妇人妻久久综合中文| 免费日韩欧美在线观看| 日韩成人伦理影院| 国产成人免费观看mmmm| 国产精品熟女久久久久浪| 亚洲精品久久成人aⅴ小说| 婷婷色综合大香蕉| 亚洲成人手机| 国产免费又黄又爽又色| 亚洲一码二码三码区别大吗| 91久久精品国产一区二区三区| 久久久久久久国产电影| 国产在线一区二区三区精| 久久精品人人爽人人爽视色| 一本—道久久a久久精品蜜桃钙片| 欧美人与性动交α欧美软件 | 亚洲av成人精品一二三区| 成年人午夜在线观看视频| 亚洲在久久综合| 一级a做视频免费观看| 乱码一卡2卡4卡精品| 国产女主播在线喷水免费视频网站| 中文字幕最新亚洲高清| 97在线人人人人妻| 午夜福利网站1000一区二区三区| 久久午夜综合久久蜜桃| 内地一区二区视频在线| 大话2 男鬼变身卡| 午夜久久久在线观看| 国产精品久久久久久久久免| 九九在线视频观看精品| 日本午夜av视频| 久久综合国产亚洲精品| 国产精品嫩草影院av在线观看| 中文字幕亚洲精品专区| 宅男免费午夜| 亚洲国产精品一区二区三区在线| 一区在线观看完整版| 国产男女内射视频| 99九九在线精品视频| 最近2019中文字幕mv第一页| 丝袜喷水一区| 成人免费观看视频高清| 国产一区二区三区av在线| 精品久久国产蜜桃| 最近手机中文字幕大全| 国产综合精华液| 久久午夜福利片| 在线精品无人区一区二区三| 国产国语露脸激情在线看| 免费日韩欧美在线观看| 九草在线视频观看| √禁漫天堂资源中文www| 黄色 视频免费看| av.在线天堂| 久久热在线av| 精品人妻一区二区三区麻豆| 22中文网久久字幕| 亚洲精品久久午夜乱码| 久久久久久人人人人人| av有码第一页| 欧美另类一区| 自线自在国产av| 一区在线观看完整版| 建设人人有责人人尽责人人享有的| 日本-黄色视频高清免费观看| 欧美日韩视频高清一区二区三区二| 国产日韩欧美亚洲二区| 一区二区三区精品91| 亚洲欧美中文字幕日韩二区| 亚洲人成77777在线视频| 国产精品三级大全| 丝瓜视频免费看黄片| 伊人亚洲综合成人网| 日韩欧美精品免费久久| 精品人妻在线不人妻| 久久久久视频综合| 婷婷成人精品国产| 永久免费av网站大全| 日日爽夜夜爽网站| h视频一区二区三区| 国产成人免费观看mmmm| 天堂俺去俺来也www色官网| 精品熟女少妇av免费看| 日本爱情动作片www.在线观看| 精品国产一区二区三区四区第35| 免费观看a级毛片全部| 人妻少妇偷人精品九色| 国产高清不卡午夜福利| 中国国产av一级| 成年女人在线观看亚洲视频| av免费观看日本| 精品一区二区三区视频在线| 大香蕉久久网| 黑人猛操日本美女一级片| 男女午夜视频在线观看 | 亚洲欧美清纯卡通| 看十八女毛片水多多多| 久久午夜综合久久蜜桃| 秋霞伦理黄片| 亚洲av.av天堂| 中文字幕免费在线视频6| 男女啪啪激烈高潮av片| 一区二区三区乱码不卡18| videosex国产| 黄片播放在线免费| 青春草视频在线免费观看| 搡女人真爽免费视频火全软件| 亚洲精品中文字幕在线视频| 国产成人精品无人区| 99久久综合免费| 女人久久www免费人成看片| 亚洲欧美日韩卡通动漫| 国产在线视频一区二区| 国产日韩一区二区三区精品不卡| 国产又爽黄色视频| 人人妻人人澡人人看| 建设人人有责人人尽责人人享有的| 国产免费福利视频在线观看| 大片免费播放器 马上看| 久久av网站| 一级毛片电影观看| 国产色婷婷99| 成人国语在线视频| 老熟女久久久| 五月伊人婷婷丁香| 51国产日韩欧美| 国产高清不卡午夜福利| 亚洲情色 制服丝袜| 午夜福利乱码中文字幕| 欧美精品国产亚洲| 韩国精品一区二区三区 | 国产成人aa在线观看| 寂寞人妻少妇视频99o| 曰老女人黄片| 日韩av不卡免费在线播放| 欧美人与性动交α欧美软件 | 男女高潮啪啪啪动态图| 久久狼人影院| 少妇人妻久久综合中文| 黄色 视频免费看| 欧美日韩成人在线一区二区| 黄色视频在线播放观看不卡| 美女大奶头黄色视频| 性色avwww在线观看| 国产白丝娇喘喷水9色精品| 91精品国产国语对白视频| 亚洲,欧美,日韩| 亚洲欧洲日产国产| 国产一区二区三区av在线| 午夜福利视频精品| 欧美精品高潮呻吟av久久| 亚洲激情五月婷婷啪啪| 啦啦啦视频在线资源免费观看| 天天影视国产精品| 国产精品国产三级专区第一集| 国产av国产精品国产| 免费少妇av软件| 国产一区二区三区av在线| 9191精品国产免费久久| av在线老鸭窝| 日本与韩国留学比较| av卡一久久| 久久久欧美国产精品| 精品国产一区二区久久| 最近的中文字幕免费完整| 久久鲁丝午夜福利片| 五月玫瑰六月丁香| 美女视频免费永久观看网站| 免费观看在线日韩| 久久综合国产亚洲精品| 男人添女人高潮全过程视频| 在线观看三级黄色| 美女中出高潮动态图| 亚洲内射少妇av| 男人添女人高潮全过程视频| 精品午夜福利在线看| 国产色婷婷99| 大片电影免费在线观看免费| 男人添女人高潮全过程视频| 色哟哟·www| av视频免费观看在线观看| √禁漫天堂资源中文www| 午夜免费观看性视频| 国产精品一区二区在线不卡| 国产免费又黄又爽又色| 国产亚洲欧美精品永久| 在线观看免费视频网站a站| 亚洲欧洲日产国产| 亚洲欧美成人精品一区二区| 国产精品一区二区在线不卡| 久久av网站| 亚洲精品久久午夜乱码| 成年人免费黄色播放视频| 久久国产亚洲av麻豆专区| 久久精品人人爽人人爽视色| 欧美日韩国产mv在线观看视频| 波野结衣二区三区在线| 国语对白做爰xxxⅹ性视频网站| 精品国产露脸久久av麻豆| 国产在视频线精品| 日本黄大片高清| 一二三四在线观看免费中文在 | 桃花免费在线播放|