• <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 ?

    融合時(shí)空特征的光伏氣象因子預(yù)測(cè)模型

    2022-12-06 10:38:00李金中王小明謝毓廣汪勛婷
    關(guān)鍵詞:輻照度張量電站

    李金中,王小明,謝毓廣,高 博,汪勛婷

    國(guó)網(wǎng)安徽省電力有限公司 電力科學(xué)研究院,合肥 230601

    由于光伏電力系統(tǒng)容易受到天氣變化隨機(jī)性的影響[1],其輸出功率具有明顯的波動(dòng)性,從而導(dǎo)致光伏電站供電具有很強(qiáng)的不確定性。這種高不確定性容易引發(fā)電力調(diào)度的混亂,降低其可靠性和安全性[2]。因此,對(duì)光伏電力系統(tǒng)短期內(nèi)的氣象因子準(zhǔn)確預(yù)報(bào),可以直接影響到太陽能電池組的最佳小時(shí)計(jì)劃及并網(wǎng)調(diào)度策略,是光伏發(fā)電系統(tǒng)非常重要的運(yùn)維保障基礎(chǔ)。

    通常天氣預(yù)報(bào)只有區(qū)縣級(jí)的粗粒度數(shù)據(jù),不夠精細(xì)。而分布式光伏電站的地理分布相對(duì)分散,一般天氣預(yù)報(bào)無法準(zhǔn)確預(yù)測(cè)光伏電站所在區(qū)域的天氣。另一方面,一些早期建成的光伏電站由于硬件條件的限制,并未配置氣象采集器,無法準(zhǔn)確獲取所在位置的太陽輻照度、溫度和濕度等信息。然而臨近區(qū)域的氣象數(shù)據(jù)通常具有相關(guān)性,可在臨近區(qū)域內(nèi)將若干帶有采集器的電站設(shè)為標(biāo)桿電站,利用其氣象數(shù)據(jù)對(duì)周邊電站氣象因子進(jìn)行預(yù)測(cè),甚至可以實(shí)現(xiàn)對(duì)整個(gè)區(qū)域的氣象因子進(jìn)行精細(xì)預(yù)測(cè),從而可以為分布式光伏電站選址、系統(tǒng)發(fā)電計(jì)劃評(píng)估和電站運(yùn)行狀態(tài)監(jiān)測(cè)提供更加科學(xué)、全面的決策依據(jù)。

    影響光伏發(fā)電的氣象因子有很多,如太陽輻照度、溫度和濕度等。其中太陽輻照度對(duì)光伏發(fā)電的影響最大,但其變化具有明顯的周期性。在晴天的環(huán)境下,太陽輻照度從日出開始增長(zhǎng),至正午左右達(dá)到最高,再慢慢減少直到日落變?yōu)榱?,此外日最高氣溫與太陽輻射強(qiáng)度具有一定的正相關(guān)性[3]。溫度和濕度對(duì)光伏發(fā)電也有影響:在一定程度上隨著溫度的增加發(fā)電功率呈上升趨勢(shì),但溫度過高將影響光電轉(zhuǎn)換效率;濕度變化規(guī)律則一般與溫度相反,且隨著相對(duì)濕度的增加發(fā)電功率一般呈減小趨勢(shì)。因此,需要針對(duì)光伏氣象因子在時(shí)空兩個(gè)維度開展精細(xì)預(yù)測(cè),從而優(yōu)化電網(wǎng)運(yùn)行,提高系統(tǒng)可靠性,保證電能質(zhì)量,并且對(duì)光伏未來選址具有重大意義。

    基于上述問題,本文提出了一種時(shí)空特征融合的光伏氣象因子預(yù)測(cè)模型(spatial-temporal features model,STF),在時(shí)間和空間兩個(gè)維度對(duì)光伏發(fā)電進(jìn)行預(yù)測(cè)。在時(shí)間維度上,本文設(shè)計(jì)了一種改進(jìn)的長(zhǎng)短期記憶網(wǎng)絡(luò)(long short-term memory,LSTM)模型,它在傳統(tǒng)的LSTM單元之上增加了注意力機(jī)制和遺傳算法以有效學(xué)習(xí)光伏電站歷史數(shù)據(jù)的時(shí)間特征,并對(duì)光伏電站氣象因子進(jìn)行時(shí)間序列預(yù)測(cè)。在空間維度上,利用張量分解(tensor decomposition,TD)的方法提取區(qū)域間的空間依賴,并對(duì)周邊區(qū)域天氣因子數(shù)據(jù)進(jìn)行預(yù)測(cè)。本模型可以實(shí)現(xiàn)對(duì)光伏電站周圍區(qū)域太陽輻照度及其他氣象因子的精準(zhǔn)預(yù)測(cè),同時(shí)對(duì)稀疏數(shù)據(jù)具有較強(qiáng)的魯棒性,本文的主要貢獻(xiàn)包括以下三點(diǎn):

    (1)提出了融合注意力機(jī)制和遺傳算法的時(shí)間預(yù)測(cè)模塊,給模型的輸入分配基于重要性的權(quán)重來捕獲數(shù)據(jù)中的時(shí)間依賴性。

    (2)結(jié)合歷史數(shù)據(jù)和預(yù)測(cè)數(shù)值,利用張量分解的方法預(yù)測(cè)光伏電站周圍區(qū)域的氣象因子數(shù)值,融合時(shí)空特征。

    (3)在實(shí)驗(yàn)部分,使用中國(guó)東南部某光伏系統(tǒng)的真實(shí)數(shù)據(jù)評(píng)估本文模型,結(jié)果表明本文模型優(yōu)于傳統(tǒng)預(yù)測(cè)模型,預(yù)測(cè)精度有明顯提升。

    1 相關(guān)工作

    對(duì)于氣象因子的預(yù)測(cè)問題,國(guó)內(nèi)外學(xué)者已經(jīng)做了大量研究。數(shù)值天氣預(yù)報(bào)(numerical weather prediction,NWP)[4]模型作為一種典型的天氣預(yù)報(bào)模型,常用來預(yù)測(cè)太陽輻照度和其他氣象因子。這種模型的分析基于描述天氣演變的流體力學(xué)和熱力學(xué)的方程組,而這些復(fù)雜的非線性方程需要強(qiáng)大的計(jì)算能力來求解。數(shù)值天氣預(yù)報(bào)分為全球數(shù)值天氣預(yù)報(bào)和區(qū)域數(shù)值天氣預(yù)報(bào)。全球數(shù)值天氣預(yù)報(bào)模型通常具有粗略的分辨率,不能對(duì)小尺度特征進(jìn)行詳細(xì)測(cè)繪。區(qū)域數(shù)值天氣預(yù)報(bào)模型則可以通過縮小全球數(shù)值天氣預(yù)報(bào)模型來獲得,它可以解釋局部效應(yīng),并產(chǎn)生改進(jìn)的特定地點(diǎn)預(yù)測(cè)[5]。但NWP并不總是有效的,基于NWP的氣象因子不同預(yù)測(cè)實(shí)驗(yàn)之間的誤差差異很大,取決于實(shí)驗(yàn)地不同的氣候和大氣動(dòng)力學(xué)[6],且夏季和晴天的預(yù)測(cè)準(zhǔn)確率通常高于其他時(shí)間。

    隨著光伏發(fā)電的廣泛應(yīng)用,對(duì)氣象因子預(yù)測(cè)精度和適用性的要求越來越高,由此產(chǎn)生了新的氣象預(yù)測(cè)模型?,F(xiàn)有的預(yù)測(cè)模型包括統(tǒng)計(jì)模型和基于衛(wèi)星云圖的模型[7-10]?;谛l(wèi)星云圖的模型利用運(yùn)動(dòng)矢量場(chǎng)來檢測(cè)云層的運(yùn)動(dòng),依靠之前記錄的時(shí)間步長(zhǎng)來確定云結(jié)構(gòu)再進(jìn)行預(yù)測(cè),但由于云預(yù)報(bào)的誤差存在,預(yù)測(cè)結(jié)果也會(huì)受到影響。

    統(tǒng)計(jì)學(xué)習(xí)模型包括時(shí)間序列[11]、小波分析[12-13]、人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)[14-16]、支持向量機(jī)(support vector machines,SVM)[17]、卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)[18]?;诮y(tǒng)計(jì)學(xué)習(xí)方法的預(yù)測(cè)模型通常優(yōu)于其他預(yù)測(cè)技術(shù)。文獻(xiàn)[13]利用經(jīng)驗(yàn)?zāi)B(tài)分解和向量機(jī)相結(jié)合構(gòu)建的模型進(jìn)行逐時(shí)預(yù)測(cè)。結(jié)果表明,其提出的預(yù)測(cè)系統(tǒng)在預(yù)測(cè)精度方面表現(xiàn)出優(yōu)越性。文獻(xiàn)[16]利用ANN模型對(duì)我國(guó)東南部山區(qū)月度平均太陽輻射量進(jìn)行估算,估算值與實(shí)測(cè)值有較好的吻合度。但使用ANN模型的一個(gè)缺點(diǎn)是,在模型結(jié)構(gòu)復(fù)雜或數(shù)據(jù)有大量噪聲的情況下,模型訓(xùn)練過程可能導(dǎo)致性能不佳。而且ANN等方法需要較多的參數(shù),無法很好適用于稀疏數(shù)據(jù)集。

    長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)[19]適用于時(shí)間序列預(yù)測(cè),可以提取時(shí)序數(shù)據(jù)的長(zhǎng)短期特征。張量分解法在氣象因子的預(yù)測(cè)中尚未得到廣泛應(yīng)用,但它簡(jiǎn)單易用,在空間預(yù)測(cè)中表現(xiàn)良好?;趶埩糠纸獾姆椒壳拜^多應(yīng)用于城市計(jì)算領(lǐng)域,通常結(jié)合多種數(shù)據(jù)集進(jìn)行不同類型的預(yù)測(cè),如對(duì)城市噪聲[20]的推測(cè)和分析,針對(duì)難以直接獲取的數(shù)據(jù)或稀疏數(shù)據(jù),能有效分析數(shù)據(jù)分布變化規(guī)律,預(yù)測(cè)空缺位置數(shù)值。

    2 時(shí)空特征融合預(yù)測(cè)模型

    2.1 總體結(jié)構(gòu)

    STF模型訓(xùn)練的基本思想是:首先將訓(xùn)練集的多種氣象因子相關(guān)數(shù)據(jù)分別進(jìn)行歸一化操作并輸入時(shí)間預(yù)測(cè)模塊進(jìn)行訓(xùn)練。隨后獲取預(yù)測(cè)結(jié)果,并把得到的預(yù)測(cè)數(shù)值和歷史數(shù)據(jù)拼接在一起構(gòu)建張量,最后利用張量分解方法進(jìn)行空間預(yù)測(cè)。構(gòu)建張量的方法是根據(jù)經(jīng)緯度數(shù)據(jù)進(jìn)行網(wǎng)格劃分,再按照光伏電站所在位置對(duì)數(shù)據(jù)建模。由于電站所處地理位置相近,因此其他電站的氣象因子數(shù)據(jù)也可作為預(yù)測(cè)依據(jù)。此外,對(duì)于分布位置分散的光伏電站,建模后張量變得極為稀疏,但模型仍可從占比較小的數(shù)據(jù)中學(xué)習(xí)規(guī)律,預(yù)測(cè)周邊未設(shè)置采集器區(qū)域的氣象數(shù)據(jù)并進(jìn)行評(píng)估。模型訓(xùn)練過程如圖1所示。

    圖1 模型訓(xùn)練流程圖Fig.1 Flow chart of model training

    具體的模型訓(xùn)練流程主要為:

    (1)對(duì)歷史氣象數(shù)據(jù)進(jìn)行歸一化處理,將其映射到[0,1]區(qū)間,再送入融合遺傳算法的改進(jìn)LSTM模型訓(xùn)練。

    (2)根據(jù)歷史數(shù)據(jù)和時(shí)間維度預(yù)測(cè)結(jié)果構(gòu)建張量X。

    (3)在X中劃分訓(xùn)練集和測(cè)試集,進(jìn)行張量分解操作,得到空間預(yù)測(cè)結(jié)果。

    (4)將訓(xùn)練集進(jìn)行迭代訓(xùn)練,根據(jù)目標(biāo)函數(shù)計(jì)算損失。

    (5)判斷誤差是否收斂,若不滿足則重新進(jìn)行訓(xùn)練,滿足則得到最終的氣象因子預(yù)測(cè)結(jié)果。

    STF預(yù)測(cè)模型結(jié)構(gòu)如圖2所示。其結(jié)構(gòu)主要由時(shí)間預(yù)測(cè)模塊和空間預(yù)測(cè)模塊組成,時(shí)間預(yù)測(cè)模塊從歷史氣象數(shù)據(jù)中提取時(shí)間依賴性,進(jìn)行訓(xùn)練后對(duì)光伏電站數(shù)據(jù)進(jìn)行時(shí)間維度上的預(yù)測(cè)并輸出。然后將數(shù)據(jù)建模,利用空間預(yù)測(cè)模塊進(jìn)行空間維度上的預(yù)測(cè),最終得到周圍未設(shè)置采集器區(qū)域的氣象預(yù)測(cè)值。接下來將詳細(xì)說明時(shí)間預(yù)測(cè)模塊以及空間預(yù)測(cè)模塊的結(jié)構(gòu)和作用。

    圖2 模型結(jié)構(gòu)圖Fig.2 Model structure diagram

    2.2 時(shí)間預(yù)測(cè)模塊

    時(shí)間預(yù)測(cè)模塊的作用是學(xué)習(xí)歷史氣象數(shù)據(jù)的時(shí)間依賴性,對(duì)光伏電站未來歷史數(shù)據(jù)進(jìn)行預(yù)測(cè)。傳統(tǒng)的LSTM可以解決長(zhǎng)期依賴的問題,但它也存在一些不足,如對(duì)隨機(jī)權(quán)重值敏感和容易陷入局部最優(yōu)。因此本文在傳統(tǒng)LSTM網(wǎng)絡(luò)中增加注意力機(jī)制和遺傳算法來提高預(yù)測(cè)精度,構(gòu)建出一種改進(jìn)LSTM模塊用于時(shí)間維度預(yù)測(cè),它主要由傳統(tǒng)LSTM層、注意力層和遺傳選擇操作構(gòu)成。

    2.2.1 LSTM層和注意力層

    注意力機(jī)制(attention mechanism)的基本思想是關(guān)注重要部分,同時(shí)忽略無關(guān)部分的影響。因此本文在傳統(tǒng)的LSTM模型中增加一個(gè)注意力層,它可以給對(duì)預(yù)測(cè)結(jié)果貢獻(xiàn)度高的輸入分配更大的權(quán)重,同時(shí)給其他輸入分配較小的權(quán)重以避免注意力分散,從而提升預(yù)測(cè)結(jié)果準(zhǔn)確度。

    首先,針對(duì)滑動(dòng)窗口內(nèi)的各光伏電站歷史數(shù)據(jù),在注意力層中生成N×N個(gè)隨機(jī)氣象權(quán)重序列,如下所示:

    式中,Wi代表第i個(gè)氣象權(quán)重序列,M表示權(quán)重集合數(shù)量,等于N×N。

    基于生成的注意力權(quán)重,對(duì)輸入的歷史氣象數(shù)據(jù)進(jìn)行采樣并送入LSTM,輸入的計(jì)算如下所示:

    LSTM通過輸入門it,遺忘門ft和輸出門ot得到輸出yt,計(jì)算過程如下:

    式中,σ(·)表示sigmoid激活函數(shù),Ct表示單元格狀態(tài),ht表示隱藏狀態(tài)。

    2.2.2 遺傳選擇

    同時(shí),為了獲得最優(yōu)氣象權(quán)重序列,還利用遺傳算法訓(xùn)練注意力層。遺傳算法[21](genetic algorithm)通過模擬生物進(jìn)化的過程尋找全局最優(yōu)解,具有更強(qiáng)的全局搜索能力,可以進(jìn)一步提高LSTM的預(yù)測(cè)精度。

    在得到初步預(yù)測(cè)結(jié)果后,利用預(yù)測(cè)的氣象因子數(shù)值和真值得到訓(xùn)練誤差,找到最小訓(xùn)練誤差對(duì)應(yīng)的N個(gè)氣象權(quán)重集合作為最優(yōu)子集W?,對(duì)其進(jìn)行0-1編碼轉(zhuǎn)化為,再利用遺傳算法中的變異和交叉操作生成新的權(quán)重集合,作為新的優(yōu)化空間進(jìn)行下一輪的訓(xùn)練。遺傳選擇的流程如圖3所示。

    圖3 遺傳選擇示意圖Fig.3 Graphical illustration of genetic selection operation

    在生成新的氣象權(quán)重集合時(shí),每個(gè)氣象權(quán)重序列由于經(jīng)過0-1編碼,全部由二進(jìn)制字符組成,它們會(huì)被均勻地分割為L(zhǎng)個(gè)片段,則相應(yīng)地可以被表示為,其中的一個(gè)片段。

    在最優(yōu)子集中的每一個(gè)氣象權(quán)重序列隨機(jī)選取若干個(gè)片段,每一次訓(xùn)練中被選中的片段數(shù)量并不固定。假設(shè)來自不同序列的片段SM j和SM i為最優(yōu)子集中的兩個(gè)權(quán)重序列中被選中的片段,以此為例說明變異和交叉操作:

    交叉操作:交換SM j和SM i中的隨機(jī)位置編碼,生成新的片段SM k作為新權(quán)重序列的一部分。

    變異操作:將選中片段的隨機(jī)位置取反,如將1變?yōu)?或?qū)?變?yōu)?,形成新的片段,取代原先的片段。

    在生成新的優(yōu)化空間時(shí),最優(yōu)子集會(huì)被重復(fù)遍歷,直到新的氣象權(quán)重集合達(dá)到原先的大小。

    2.3 空間預(yù)測(cè)模塊

    空間預(yù)測(cè)模塊的主要作用是將光伏電站氣象因子數(shù)據(jù)進(jìn)行張量建模,再由張量分解方法學(xué)習(xí)數(shù)據(jù)間的空間關(guān)聯(lián)性,利用標(biāo)桿電站數(shù)據(jù)在空間維度預(yù)測(cè)為設(shè)置氣象采集器區(qū)域的氣象因子數(shù)值。

    2.3.1 張量構(gòu)建

    此算法將每個(gè)光伏電站的氣象因子數(shù)據(jù)建模為張量X∈?N×M×L。其中它的三個(gè)維度分別表示共有N個(gè)實(shí)驗(yàn)點(diǎn)、M個(gè)時(shí)間間隔和L天的數(shù)據(jù)。在給定的時(shí)間區(qū)間內(nèi)(如一個(gè)月),張量的每一個(gè)條目X(i,j,k)存儲(chǔ)著第si個(gè)實(shí)驗(yàn)點(diǎn)在第dk天的第tj個(gè)時(shí)間間隔內(nèi)的氣象因子數(shù)據(jù)。對(duì)于未設(shè)置采集器的實(shí)驗(yàn)點(diǎn)所在條目,在實(shí)驗(yàn)中將用模型預(yù)測(cè)出的值填充。由于所有電站都處于一個(gè)區(qū)域,所處地理位置相近,電站本身地理位置及周邊電站的天氣數(shù)據(jù)也可作為預(yù)測(cè)的依據(jù)。其中,將所有光伏電站分布的區(qū)域按照經(jīng)緯度劃分若干相同大小的網(wǎng)格,每一個(gè)網(wǎng)格被視為一個(gè)實(shí)驗(yàn)點(diǎn),實(shí)驗(yàn)點(diǎn)被表示為s={s1,s2,…,si,…,sN},時(shí)間間隔被表示為t={t1,t2,…,tj,…,tM}。本文將每一天劃分到相等的時(shí)間間隔中,每個(gè)時(shí)間間隔為一小時(shí)。同時(shí)由于太陽輻照度只在白天收集,所以在太陽輻照度的預(yù)測(cè)中,只取8:00—18:00的區(qū)間。天數(shù)則被表示為d={d1,d2,…,di,…,dL}。

    2.3.2 張量分解

    張量分解模塊的主要作用是利用光伏電站的氣象數(shù)據(jù)預(yù)測(cè)未設(shè)置采集器區(qū)域的氣象因子數(shù)據(jù)。張量分解的一種常用方式為Tucker分解[22],它可以看成是高階主成分分析(principal component analysis,PCA)分解的一種形式。如圖2右半部分所示,對(duì)于一個(gè)n維張量,Tucker分解的基本做法是將原張量分解為一個(gè)核心張量和多個(gè)因子矩陣的乘積。其中,核心張量表示不同元素如何以及在哪些維度相互影響,而因子矩陣對(duì)應(yīng)著原張量每個(gè)維度不同比例的縮放,因子矩陣也被稱為其各自對(duì)應(yīng)維度的主要組成成分。

    在三維張量情況下,Tucker分解可以表示為:

    其中,S∈?I×P,T∈?J×Q,D∈?K×R表示因子矩陣;G∈?P×G×R表示核心張量?!罥表示張量矩陣乘法,而I表示張量的指定維度,如H=G×IS即為⊙表示矢量外積,即張量的每一個(gè)元素都為相應(yīng)矢量元素相乘的結(jié)果。同時(shí),當(dāng)P<I,Q<J,R<K時(shí),G可以被視為X的壓縮狀態(tài)。

    此時(shí),需解決的優(yōu)化張量分解的目標(biāo)函數(shù)即為:

    使用逐元素優(yōu)化算法來單獨(dú)更新張量的每個(gè)元素,并利用梯度下降的方法尋找局部最優(yōu)解,當(dāng)目標(biāo)函數(shù)開始收斂時(shí),即兩次迭代的損失小于ε時(shí),則停止迭代。

    最終,STF模型訓(xùn)練的目標(biāo)函數(shù)為:

    式中,L(·)表示損失函數(shù),F(xiàn)(·)表示STF模型,θ表示模型參數(shù)空間。

    3 實(shí)驗(yàn)結(jié)果與分析

    3.1 數(shù)據(jù)集

    本文使用了2019年7月來自中國(guó)東南地區(qū)某光伏系統(tǒng)114座光伏電站(緯度范圍為30.25°N~31.33°N,經(jīng)度范圍為110.11°E~110.5°E)的氣象因子數(shù)據(jù),氣象因子為溫度、濕度和太陽輻照度,采樣周期為1 h,基本信息如表1所示。圖4描述了在不同天氣狀況(晴天、陰天和雨天)下,夏季光伏電站發(fā)電功率在8:00—18:00(5 min為一個(gè)節(jié)點(diǎn))的變化曲線。由圖中可以看到,晴天不同時(shí)刻的發(fā)電功率變化呈現(xiàn)先增加后減少的趨勢(shì),且基本和太陽輻照度變化周期符合,而陰天和雨天不同時(shí)刻發(fā)電功率則波動(dòng)較大,且雨天總體發(fā)電功率相對(duì)較小。而隨著天氣狀態(tài)的變化,影響光伏發(fā)電的氣象因子也會(huì)隨之變化,因此預(yù)測(cè)氣象因子可為接下來光伏系統(tǒng)的功率預(yù)測(cè)和性能評(píng)估提供參考。

    表1 實(shí)驗(yàn)數(shù)據(jù)集基本信息Table 1 Basic information of dataset

    圖4 夏季不同天氣狀況下光伏發(fā)電功率曲線圖Fig.4 PV power curves in different weather conditions

    每一個(gè)光伏電站都裝有氣象采集裝置以記錄氣象因子相關(guān)數(shù)據(jù)。實(shí)驗(yàn)中,各光伏電站的三種氣象因子數(shù)據(jù)一起輸入模型中學(xué)習(xí),進(jìn)行溫度和濕度的預(yù)測(cè)實(shí)驗(yàn)時(shí),共有68 058條數(shù)據(jù)記錄;進(jìn)行太陽輻照度預(yù)測(cè)實(shí)驗(yàn)時(shí),由于夜晚太陽輻照度為0,故只留下每日8:00—17:00的條目,則共有28 620條數(shù)據(jù)記錄。

    在時(shí)間序列預(yù)測(cè)中,針對(duì)不同預(yù)測(cè)維度進(jìn)行實(shí)驗(yàn):短期預(yù)測(cè)實(shí)驗(yàn)中將數(shù)據(jù)集30天的數(shù)據(jù)作為訓(xùn)練集擬合模型,數(shù)據(jù)最后1天的數(shù)據(jù)作為測(cè)試集進(jìn)行預(yù)測(cè);長(zhǎng)期預(yù)測(cè)實(shí)驗(yàn)則將前27天數(shù)據(jù)作為訓(xùn)練集,對(duì)最后4天的數(shù)據(jù)進(jìn)行預(yù)測(cè),以測(cè)試模型性能。

    對(duì)于空間預(yù)測(cè)實(shí)驗(yàn),則根據(jù)經(jīng)度和緯度將光伏系統(tǒng)所在區(qū)域劃分為不同大小的網(wǎng)格,若網(wǎng)格對(duì)應(yīng)經(jīng)緯度有光伏電站分布,則該網(wǎng)格中將存儲(chǔ)這些光伏電站相關(guān)數(shù)據(jù)的平均值,如果沒有光伏電站分布,網(wǎng)格中數(shù)據(jù)則為零。按緯度和經(jīng)度劃分后,由于大多數(shù)網(wǎng)格中都沒有數(shù)據(jù),因此數(shù)據(jù)集變得非常稀疏。

    3.2 評(píng)估指標(biāo)

    本文使用兩個(gè)度量評(píng)估預(yù)測(cè)準(zhǔn)確性,分別是平均絕對(duì)誤差(MAE)和均方根誤差(RMSE)。誤差指標(biāo)的值越小,表示預(yù)測(cè)精度越高。

    其中,n表示預(yù)測(cè)值的總數(shù),yi表示第i個(gè)條目的實(shí)際值,y?i表示第i個(gè)條目的預(yù)測(cè)值。

    3.3 實(shí)驗(yàn)參數(shù)設(shè)置

    實(shí)驗(yàn)采用Tensorflow框架實(shí)現(xiàn)工程代碼,權(quán)重序列集合大小被設(shè)置為6×6,即共有6個(gè)權(quán)重集合,每個(gè)集合內(nèi)有6個(gè)權(quán)重,每個(gè)權(quán)重序列的被劃分的片段總數(shù)也為6。

    同時(shí),由于不同氣象因子數(shù)值差異較大,最終實(shí)驗(yàn)結(jié)果均為歸一化后的結(jié)果,且都通過2.1節(jié)訓(xùn)練流程計(jì)算得出,并且對(duì)應(yīng)以下參數(shù):P=Q=R=10,ε=0.001,λ=0.001。

    為了提高模型收斂速度,減少訓(xùn)練過程中學(xué)習(xí)率的手動(dòng)調(diào)節(jié),預(yù)測(cè)模型采用Adam優(yōu)化器,batch_size為128,激活函數(shù)為Relu。每個(gè)對(duì)比實(shí)驗(yàn)都被重復(fù)訓(xùn)練5次,取平均值作為最終結(jié)果。

    3.4 模型評(píng)估

    3.4.1 時(shí)間序列預(yù)測(cè)

    為驗(yàn)證本文模型的有效性,本文選取DLWP-CNN[18]模型、4-LSTM[19]模型和FA-DRNN[23]模型進(jìn)行對(duì)比,來對(duì)STF模型進(jìn)行評(píng)估。

    短期預(yù)測(cè)實(shí)驗(yàn)中,每種氣象因子預(yù)測(cè)實(shí)驗(yàn)MAE和RMSE結(jié)果如表2所示。實(shí)驗(yàn)結(jié)果表明本文提出的模型具有最高的預(yù)測(cè)精度。通過比較STF模型與DLWPCNN、FA-DRNN和4-LSTM模型對(duì)太陽輻照度預(yù)測(cè)的性能指標(biāo)表明,STF模型的MAE分別降低了93.10%、78.89%、37.41%,RMSE分別降低了95.80%、86.57%、60.46%,各項(xiàng)預(yù)測(cè)誤差均有明顯改善,大幅度提高了預(yù)測(cè)精度。

    表2 短期氣象因子預(yù)測(cè)實(shí)驗(yàn)結(jié)果Table 2 Short-term meteorological factor prediction results

    光伏電站的短期預(yù)測(cè)誤差如圖5所示,可以看出,實(shí)驗(yàn)結(jié)果表明,DLWP-CNN具有較大的預(yù)測(cè)誤差且波動(dòng)較大,F(xiàn)A-DRNN變化趨勢(shì)與真值一致但預(yù)測(cè)精度不高,而4-LSTM預(yù)測(cè)精度也弱于本文提出的STF模型。STF模型的預(yù)測(cè)曲線和真值曲線相差很小,說明該模型有較強(qiáng)的短期預(yù)測(cè)能力。在長(zhǎng)期預(yù)測(cè)的實(shí)驗(yàn)中,每個(gè)氣象因子的MAE和RMSE結(jié)果如表3所示。實(shí)驗(yàn)結(jié)果表明,STF模型對(duì)三個(gè)氣象因子長(zhǎng)期預(yù)測(cè)誤差較短期都有所增加,但都優(yōu)于其他對(duì)比模型,說明本文提出的STF模型具有較強(qiáng)學(xué)習(xí)能力,能從歷史數(shù)據(jù)中發(fā)掘聯(lián)系,并利用數(shù)據(jù)中規(guī)律進(jìn)行準(zhǔn)確預(yù)測(cè),因此對(duì)于不同預(yù)測(cè)尺度都具有較高魯棒性。

    表3 長(zhǎng)期氣象因子預(yù)測(cè)實(shí)驗(yàn)結(jié)果Table 3 Long-term meteorological factor prediction results

    圖5 光伏電站短期預(yù)測(cè)誤差Fig.5 Short-term prediction error of PV power station

    太陽輻照度長(zhǎng)期預(yù)測(cè)的結(jié)果如圖6所示。由圖可知,DLWP-CNN的變化趨勢(shì)與真值相差較大;FA-DRNN和4-LSTM的變化趨勢(shì)在前半部分與真值相差不大,但在后半部分太陽輻照度出現(xiàn)波動(dòng)時(shí)無法準(zhǔn)確捕捉其變化趨勢(shì)從而出現(xiàn)偏差;而STF的變化趨勢(shì)則始終和真值一致。

    圖6 光伏電站長(zhǎng)期預(yù)測(cè)誤差Fig.6 Long-term forecast error of PV power station.

    3.4.2 空間預(yù)測(cè)

    同一區(qū)域的溫度和濕度在一定時(shí)間范圍內(nèi)變化幅度不大,但每個(gè)小區(qū)域的地形差異導(dǎo)致其太陽輻照度變化趨勢(shì)不盡相同,且每天的太陽輻照度由于天氣變化而呈現(xiàn)不同變化趨勢(shì),因此僅針對(duì)太陽輻照度進(jìn)行空間預(yù)測(cè)評(píng)估。

    實(shí)驗(yàn)中通過設(shè)置不同的網(wǎng)格大小探究模型對(duì)稀疏數(shù)據(jù)的學(xué)習(xí)能力,同時(shí)本文將所有網(wǎng)格的總數(shù)作為張量的第一維,因此網(wǎng)格大小分別為0.008°×0.008°、0.01°×0.01°、0.03°×0.03°、0.05°×0.05°和0.1°×0.1°,因此對(duì)應(yīng)的張量大小分別為6 850×10×31、4 360×10×31、518×10×31、207×10×31和60×10×31。其中當(dāng)網(wǎng)格大小為0.01°×0.01°時(shí),構(gòu)建完的張量中非零條目占比只有2.1%。

    實(shí)驗(yàn)中,將短期時(shí)間序列預(yù)測(cè)的值和訓(xùn)練樣本組合構(gòu)建張量,再從張量中隨機(jī)刪除30%的非零條目作為測(cè)試集,由模型預(yù)測(cè)無光伏電站分布網(wǎng)格的數(shù)值,再將預(yù)測(cè)值與真值計(jì)算得到誤差。

    空間預(yù)測(cè)的實(shí)驗(yàn)結(jié)果如表4所示,STF-08、STF-1、STF-3、STF-5和STF-10分別表示劃分網(wǎng)格大小為0.008°×0.008°、0.01°×0.01°、0.03°×0.03°、0.05°×0.05°和0.1°×0.1°的模型。由表中可得各網(wǎng)格大小的STF空間預(yù)測(cè)結(jié)果遠(yuǎn)好于線性插值(linear interpolation,LI),并且雖然STF-1所代表的網(wǎng)格最小,即建模后張量最稀疏,但其空間預(yù)測(cè)結(jié)果精度最高,說明本文提出的STF模型對(duì)稀疏數(shù)據(jù)有較強(qiáng)的魯棒性。STF-08的預(yù)測(cè)精度較低,這或許是由于劃分粒度太小使得未包含光伏電站網(wǎng)格的所占比例過小且網(wǎng)格數(shù)量過大,為空間預(yù)測(cè)增加了難度。STF-3、STF-5和STF-10的預(yù)測(cè)精度低于STF-1,或許是因?yàn)檫@些劃分網(wǎng)格方案中,部分網(wǎng)格包含多個(gè)光伏電站,網(wǎng)格中存儲(chǔ)的是這些光伏電站氣象數(shù)據(jù)的平均值,降低了光伏電站間的空間關(guān)聯(lián)性從而影響了預(yù)測(cè)結(jié)果。同時(shí)STF-10的預(yù)測(cè)誤差小于STF-5,這說明雖然劃分網(wǎng)格的粒度降低了光伏電站的空間關(guān)聯(lián)性,但是網(wǎng)格數(shù)量的大幅減少也降低了空間預(yù)測(cè)的難度,從而使得預(yù)測(cè)精度有所上升。因此根據(jù)實(shí)驗(yàn)結(jié)果,最后的網(wǎng)格劃分方案為0.01°×0.01°,下文中的STF均指代STF-1。

    表4 空間預(yù)測(cè)實(shí)驗(yàn)結(jié)果Table 4 Performance on spatial prediction experiment

    空間預(yù)測(cè)實(shí)驗(yàn)結(jié)果可視化結(jié)果如圖7所示。圖中為預(yù)測(cè)日16:00的數(shù)據(jù),圖(a)為光伏電站分布位置,圖(b)中網(wǎng)格顏色越深代表其數(shù)值越大。由圖7可知,預(yù)測(cè)的無光伏電站分布網(wǎng)格中的太陽輻照度受到各自所在行列已知數(shù)據(jù)影響,呈現(xiàn)較均勻分布狀態(tài),較少出現(xiàn)極大數(shù)據(jù)。光伏電站密集分布區(qū)域如圖(b)右側(cè)中間部分,預(yù)測(cè)的太陽輻照度數(shù)據(jù)相對(duì)靠近已知數(shù)據(jù)。實(shí)驗(yàn)結(jié)果證明該模型對(duì)于空間預(yù)測(cè)是有效的,且對(duì)于稀疏樣本有較強(qiáng)魯棒性。

    圖7 空間預(yù)測(cè)結(jié)果Fig.7 Result of spatial prediction

    4 結(jié)束語

    本文針對(duì)太陽輻照度及其他氣象因子預(yù)測(cè)問題,提出了一種基于改進(jìn)長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)和張量分解的時(shí)空融合光伏氣象因子預(yù)測(cè)模型。在LSTM模型的基礎(chǔ)上增加注意力機(jī)制和遺傳算法進(jìn)行時(shí)間序列預(yù)測(cè),克服了傳統(tǒng)LSTM對(duì)隨機(jī)權(quán)重敏感和易陷入局部最優(yōu)的問題;根據(jù)經(jīng)緯度劃分光伏電站所在的區(qū)域,并拼接時(shí)間序列預(yù)測(cè)結(jié)果構(gòu)建三維張量,再通過張量分解進(jìn)行空間預(yù)測(cè),克服了在稀疏數(shù)據(jù)集上預(yù)測(cè)結(jié)果不佳的問題。實(shí)驗(yàn)表明,本模型對(duì)時(shí)間維度和空間維度的精準(zhǔn)預(yù)測(cè)氣象因子行之有效,且面對(duì)稀疏數(shù)據(jù)較為魯棒。該模型具有良好的工業(yè)和商業(yè)價(jià)值,可以為光伏電站性能評(píng)估和運(yùn)維提供數(shù)據(jù)基礎(chǔ)。

    猜你喜歡
    輻照度張量電站
    三峽電站再創(chuàng)新高
    偶數(shù)階張量core逆的性質(zhì)和應(yīng)用
    四元數(shù)張量方程A*NX=B 的通解
    低影響開發(fā)(LID)在光伏電站中的應(yīng)用
    中國(guó)典型地區(qū)水平總輻射輻照度頻次特征*
    風(fēng)能(2016年8期)2016-12-12 07:28:48
    擴(kuò)散張量成像MRI 在CO中毒后遲發(fā)腦病中的應(yīng)用
    太陽模擬器輻照度修正方法的研究
    太陽光輻照度概率分布參數(shù)對(duì)電網(wǎng)可靠性的影響
    應(yīng)用計(jì)算幾何的月面太陽輻照度仿真模型
    航天器工程(2014年4期)2014-03-11 16:35:39
    工程中張量概念的思考
    河南科技(2014年19期)2014-02-27 14:15:33
    男女国产视频网站| 最近最新中文字幕大全免费视频| 丁香六月天网| 777久久人妻少妇嫩草av网站| 黄色怎么调成土黄色| 精品久久久久久电影网| 免费女性裸体啪啪无遮挡网站| 久久毛片免费看一区二区三区| 欧美日韩黄片免| 91老司机精品| 成人三级做爰电影| 视频在线观看一区二区三区| 美女高潮到喷水免费观看| av视频免费观看在线观看| 国产视频一区二区在线看| 色播在线永久视频| 青春草亚洲视频在线观看| 日韩有码中文字幕| 一个人免费在线观看的高清视频 | 国产伦理片在线播放av一区| 久久国产精品男人的天堂亚洲| 中文字幕制服av| 亚洲国产精品成人久久小说| 欧美日韩精品网址| 久久久国产一区二区| 国产成人免费观看mmmm| 亚洲熟女精品中文字幕| 视频在线观看一区二区三区| 99精国产麻豆久久婷婷| 十八禁网站免费在线| 在线观看人妻少妇| 亚洲全国av大片| 黄网站色视频无遮挡免费观看| 亚洲精品av麻豆狂野| 久久久国产一区二区| 桃花免费在线播放| 亚洲一卡2卡3卡4卡5卡精品中文| 男女之事视频高清在线观看| 欧美变态另类bdsm刘玥| 一个人免费看片子| 高清欧美精品videossex| 考比视频在线观看| 国产欧美日韩精品亚洲av| 日韩欧美一区视频在线观看| 免费久久久久久久精品成人欧美视频| 男女边摸边吃奶| 亚洲中文av在线| 精品少妇黑人巨大在线播放| 国产日韩欧美在线精品| 免费黄频网站在线观看国产| 三上悠亚av全集在线观看| 国产无遮挡羞羞视频在线观看| 国产精品99久久99久久久不卡| 99久久综合免费| 中文字幕最新亚洲高清| 美女扒开内裤让男人捅视频| 亚洲精品乱久久久久久| 少妇人妻久久综合中文| 中文欧美无线码| 国产精品 国内视频| 中文字幕人妻丝袜制服| 国产一区二区三区在线臀色熟女 | 热99久久久久精品小说推荐| 丁香六月天网| 精品亚洲成国产av| 亚洲成人免费av在线播放| 丁香六月天网| 久久精品国产a三级三级三级| 国产精品国产三级国产专区5o| 欧美精品亚洲一区二区| 9热在线视频观看99| 免费在线观看视频国产中文字幕亚洲 | 99精品久久久久人妻精品| 欧美亚洲 丝袜 人妻 在线| 久久免费观看电影| 亚洲一码二码三码区别大吗| 日本a在线网址| 日本a在线网址| 高清黄色对白视频在线免费看| 亚洲欧美精品自产自拍| 人人妻人人澡人人爽人人夜夜| 大香蕉久久网| 久热这里只有精品99| 精品一品国产午夜福利视频| 三上悠亚av全集在线观看| 久热爱精品视频在线9| 99九九在线精品视频| 青春草亚洲视频在线观看| 各种免费的搞黄视频| 精品久久久久久电影网| 操出白浆在线播放| 国产成人影院久久av| 亚洲精品久久久久久婷婷小说| 最新的欧美精品一区二区| 亚洲一区二区三区欧美精品| av网站免费在线观看视频| 国内毛片毛片毛片毛片毛片| 日本精品一区二区三区蜜桃| 精品乱码久久久久久99久播| 亚洲精品美女久久久久99蜜臀| 亚洲久久久国产精品| 欧美午夜高清在线| 免费在线观看完整版高清| 国产伦理片在线播放av一区| www.999成人在线观看| 成人免费观看视频高清| 国产精品自产拍在线观看55亚洲 | 99国产精品一区二区三区| 中文字幕av电影在线播放| 久久久久久久精品精品| 91大片在线观看| 久久免费观看电影| 国产伦理片在线播放av一区| 日韩欧美一区视频在线观看| 男人添女人高潮全过程视频| 国产日韩欧美在线精品| 亚洲少妇的诱惑av| 天天躁狠狠躁夜夜躁狠狠躁| 天天躁狠狠躁夜夜躁狠狠躁| 欧美97在线视频| 精品一区二区三卡| 欧美97在线视频| 午夜福利一区二区在线看| 久久中文看片网| 国产精品二区激情视频| 亚洲视频免费观看视频| 国产不卡av网站在线观看| 亚洲第一av免费看| 欧美黑人精品巨大| 午夜免费观看性视频| 亚洲视频免费观看视频| 欧美激情 高清一区二区三区| 黄色视频不卡| 91av网站免费观看| 国产成人精品久久二区二区91| 中国美女看黄片| 后天国语完整版免费观看| 亚洲天堂av无毛| 最黄视频免费看| 桃花免费在线播放| 大码成人一级视频| 国产高清国产精品国产三级| 精品第一国产精品| 一区二区三区四区激情视频| 人妻人人澡人人爽人人| 九色亚洲精品在线播放| 国产精品一二三区在线看| 动漫黄色视频在线观看| 不卡一级毛片| 成人av一区二区三区在线看 | 叶爱在线成人免费视频播放| 免费观看人在逋| 性色av乱码一区二区三区2| 男女免费视频国产| 亚洲激情五月婷婷啪啪| 青草久久国产| 99热网站在线观看| 美女扒开内裤让男人捅视频| 久久热在线av| 啦啦啦在线免费观看视频4| 亚洲欧美一区二区三区久久| 狂野欧美激情性bbbbbb| 12—13女人毛片做爰片一| 精品亚洲成a人片在线观看| 久久国产精品男人的天堂亚洲| 亚洲成人国产一区在线观看| www.av在线官网国产| 精品免费久久久久久久清纯 | 黑人操中国人逼视频| 一本大道久久a久久精品| 国产亚洲av高清不卡| 少妇粗大呻吟视频| 国产亚洲av片在线观看秒播厂| 久久av网站| 久久精品人人爽人人爽视色| 国产福利在线免费观看视频| 久久香蕉激情| 爱豆传媒免费全集在线观看| 制服人妻中文乱码| 午夜91福利影院| 午夜两性在线视频| 亚洲欧美色中文字幕在线| 在线精品无人区一区二区三| 日韩视频一区二区在线观看| 69av精品久久久久久 | 欧美亚洲 丝袜 人妻 在线| 免费在线观看黄色视频的| 成人三级做爰电影| 日日夜夜操网爽| www日本在线高清视频| 亚洲精品中文字幕在线视频| 久久国产精品男人的天堂亚洲| 中文字幕人妻丝袜一区二区| 性色av乱码一区二区三区2| 十八禁人妻一区二区| 老司机午夜十八禁免费视频| 精品一区在线观看国产| 精品国内亚洲2022精品成人 | 亚洲成人免费av在线播放| kizo精华| 女人久久www免费人成看片| 满18在线观看网站| 国产精品偷伦视频观看了| 亚洲av男天堂| 久久久精品94久久精品| 日日爽夜夜爽网站| 丝袜脚勾引网站| 999久久久精品免费观看国产| 国产日韩欧美在线精品| 久久精品人人爽人人爽视色| 狠狠婷婷综合久久久久久88av| 亚洲av国产av综合av卡| 在线观看免费午夜福利视频| e午夜精品久久久久久久| 国产亚洲精品久久久久5区| 久久久久久久久久久久大奶| 久久久国产成人免费| 国产精品亚洲av一区麻豆| 久久午夜综合久久蜜桃| 一本久久精品| 亚洲成人免费电影在线观看| 99久久人妻综合| 久久天堂一区二区三区四区| 女人久久www免费人成看片| 亚洲一区二区三区欧美精品| 亚洲欧美日韩高清在线视频 | 在线观看www视频免费| 99精品欧美一区二区三区四区| 午夜福利免费观看在线| 交换朋友夫妻互换小说| 中文字幕人妻熟女乱码| 老司机午夜福利在线观看视频 | 丝袜美腿诱惑在线| 日韩大码丰满熟妇| e午夜精品久久久久久久| 午夜免费鲁丝| 国产精品久久久久久精品电影小说| 女人被躁到高潮嗷嗷叫费观| 国产淫语在线视频| 久久精品人人爽人人爽视色| 母亲3免费完整高清在线观看| 日本撒尿小便嘘嘘汇集6| 搡老乐熟女国产| 五月天丁香电影| 蜜桃国产av成人99| 亚洲国产看品久久| 久久女婷五月综合色啪小说| 这个男人来自地球电影免费观看| 国产成人欧美在线观看 | 在线观看人妻少妇| 十八禁网站网址无遮挡| cao死你这个sao货| 中文字幕人妻熟女乱码| 丰满迷人的少妇在线观看| 手机成人av网站| 亚洲成人免费av在线播放| 国产三级黄色录像| 亚洲精品自拍成人| 99热网站在线观看| 亚洲色图综合在线观看| 亚洲欧美日韩另类电影网站| tube8黄色片| 大香蕉久久网| 国产黄频视频在线观看| 欧美少妇被猛烈插入视频| 精品卡一卡二卡四卡免费| 国产日韩欧美视频二区| 国产又爽黄色视频| 国产欧美亚洲国产| 免费高清在线观看视频在线观看| 777米奇影视久久| 99国产精品99久久久久| 天堂俺去俺来也www色官网| 久久精品熟女亚洲av麻豆精品| 午夜福利在线免费观看网站| 国产色视频综合| www.熟女人妻精品国产| 国产老妇伦熟女老妇高清| 99国产极品粉嫩在线观看| 亚洲精品美女久久久久99蜜臀| 视频在线观看一区二区三区| 各种免费的搞黄视频| 国产成人免费无遮挡视频| 国产精品国产三级国产专区5o| 波多野结衣av一区二区av| 国产三级黄色录像| 久久香蕉激情| 国产人伦9x9x在线观看| 免费日韩欧美在线观看| 老司机靠b影院| 99精品欧美一区二区三区四区| av超薄肉色丝袜交足视频| 高清av免费在线| 丰满少妇做爰视频| 丝瓜视频免费看黄片| av有码第一页| 99香蕉大伊视频| 免费久久久久久久精品成人欧美视频| 亚洲欧美一区二区三区久久| 亚洲三区欧美一区| 精品一品国产午夜福利视频| 精品国产一区二区三区久久久樱花| 国产欧美日韩一区二区精品| 人人澡人人妻人| 久久久久国产精品人妻一区二区| 久久国产精品男人的天堂亚洲| 久久国产精品大桥未久av| 成年人黄色毛片网站| 丰满人妻熟妇乱又伦精品不卡| 国产在视频线精品| 人人妻,人人澡人人爽秒播| 亚洲精品美女久久av网站| 丝袜人妻中文字幕| 亚洲欧洲日产国产| 在线 av 中文字幕| tube8黄色片| 肉色欧美久久久久久久蜜桃| 国产极品粉嫩免费观看在线| 午夜免费鲁丝| 亚洲成人免费电影在线观看| 少妇被粗大的猛进出69影院| 成年人黄色毛片网站| 伦理电影免费视频| 欧美日韩精品网址| 成年动漫av网址| 亚洲黑人精品在线| 日韩大片免费观看网站| 午夜影院在线不卡| 桃红色精品国产亚洲av| 中文字幕高清在线视频| 12—13女人毛片做爰片一| 精品少妇黑人巨大在线播放| 日本av免费视频播放| 两个人看的免费小视频| 啦啦啦啦在线视频资源| 欧美变态另类bdsm刘玥| 一级片免费观看大全| www.精华液| 国产精品一区二区精品视频观看| 久久精品aⅴ一区二区三区四区| 亚洲黑人精品在线| 亚洲国产中文字幕在线视频| 9热在线视频观看99| 欧美变态另类bdsm刘玥| 这个男人来自地球电影免费观看| 男女国产视频网站| 下体分泌物呈黄色| 男人添女人高潮全过程视频| 国产成人精品久久二区二区91| 精品欧美一区二区三区在线| 老司机影院成人| 国产xxxxx性猛交| 人成视频在线观看免费观看| 国产成人啪精品午夜网站| 亚洲专区国产一区二区| 亚洲视频免费观看视频| 一区二区三区精品91| 50天的宝宝边吃奶边哭怎么回事| 老汉色∧v一级毛片| 日本黄色日本黄色录像| 国产成人av教育| 男男h啪啪无遮挡| 精品亚洲成国产av| 国产精品 国内视频| 精品第一国产精品| 黄色 视频免费看| 视频区欧美日本亚洲| 日本wwww免费看| 亚洲va日本ⅴa欧美va伊人久久 | www.av在线官网国产| 精品国产一区二区久久| 在线观看舔阴道视频| 丁香六月天网| 日本a在线网址| 国产高清videossex| 一边摸一边做爽爽视频免费| 久久毛片免费看一区二区三区| 久久性视频一级片| 少妇猛男粗大的猛烈进出视频| av线在线观看网站| 亚洲七黄色美女视频| 一级毛片电影观看| 激情视频va一区二区三区| 女人久久www免费人成看片| 性少妇av在线| 男人爽女人下面视频在线观看| 蜜桃在线观看..| 男人操女人黄网站| 热re99久久国产66热| 在线观看人妻少妇| 美女脱内裤让男人舔精品视频| tocl精华| 中国美女看黄片| www.999成人在线观看| 蜜桃在线观看..| 午夜福利,免费看| 久久久久精品人妻al黑| 国产精品九九99| 黄片大片在线免费观看| 精品国内亚洲2022精品成人 | 国产av精品麻豆| 亚洲精品国产一区二区精华液| 一区二区三区激情视频| 国产一区二区激情短视频 | 成人av一区二区三区在线看 | 国精品久久久久久国模美| 国产野战对白在线观看| 中亚洲国语对白在线视频| 精品国内亚洲2022精品成人 | 国产av精品麻豆| 2018国产大陆天天弄谢| 久久久精品区二区三区| 日韩熟女老妇一区二区性免费视频| 可以免费在线观看a视频的电影网站| 久热爱精品视频在线9| 美女高潮到喷水免费观看| 老司机午夜福利在线观看视频 | 伦理电影免费视频| 不卡一级毛片| 91av网站免费观看| 国产日韩一区二区三区精品不卡| 少妇粗大呻吟视频| 男女之事视频高清在线观看| 久久热在线av| 精品亚洲成a人片在线观看| 老鸭窝网址在线观看| 丁香六月欧美| 成年动漫av网址| 日韩制服骚丝袜av| 手机成人av网站| 宅男免费午夜| 亚洲av男天堂| 99热全是精品| 精品国产一区二区三区久久久樱花| 亚洲国产中文字幕在线视频| 久久久久久久大尺度免费视频| 黄频高清免费视频| 久久久久久久久免费视频了| 午夜福利视频在线观看免费| 超色免费av| 亚洲av片天天在线观看| 国产精品久久久人人做人人爽| 18禁黄网站禁片午夜丰满| 亚洲va日本ⅴa欧美va伊人久久 | 大型av网站在线播放| 久久99热这里只频精品6学生| 国产日韩欧美亚洲二区| 黄片大片在线免费观看| 免费在线观看视频国产中文字幕亚洲 | 女人久久www免费人成看片| 国产成人一区二区三区免费视频网站| av网站免费在线观看视频| xxxhd国产人妻xxx| 亚洲精品一区蜜桃| 汤姆久久久久久久影院中文字幕| 热re99久久国产66热| 国产免费av片在线观看野外av| 国产欧美日韩综合在线一区二区| 色老头精品视频在线观看| 亚洲中文av在线| 久久久精品94久久精品| 热re99久久精品国产66热6| 黄频高清免费视频| 久久综合国产亚洲精品| 久久精品aⅴ一区二区三区四区| 亚洲国产欧美在线一区| 无遮挡黄片免费观看| 久久久精品国产亚洲av高清涩受| 欧美日韩亚洲高清精品| 桃红色精品国产亚洲av| 国产老妇伦熟女老妇高清| 美女高潮到喷水免费观看| av一本久久久久| 免费少妇av软件| 操出白浆在线播放| 少妇 在线观看| 黄频高清免费视频| 色视频在线一区二区三区| 国产日韩欧美在线精品| 精品国产乱码久久久久久小说| 亚洲专区国产一区二区| 老司机影院毛片| 91老司机精品| 精品视频人人做人人爽| 免费不卡黄色视频| 999久久久精品免费观看国产| 最近最新中文字幕大全免费视频| 久久 成人 亚洲| 啦啦啦免费观看视频1| 国产欧美日韩综合在线一区二区| 日韩 亚洲 欧美在线| 91成年电影在线观看| 精品国产乱子伦一区二区三区 | 制服诱惑二区| 老司机影院成人| 视频区欧美日本亚洲| 国产精品一区二区免费欧美 | 亚洲欧美成人综合另类久久久| 日韩一区二区三区影片| 满18在线观看网站| 男男h啪啪无遮挡| 亚洲成av片中文字幕在线观看| 欧美另类亚洲清纯唯美| 久久精品国产a三级三级三级| 日本av免费视频播放| a 毛片基地| 亚洲av日韩在线播放| 91九色精品人成在线观看| 亚洲,欧美精品.| 人妻久久中文字幕网| 极品少妇高潮喷水抽搐| 99精品久久久久人妻精品| 日韩一区二区三区影片| 少妇裸体淫交视频免费看高清 | 好男人电影高清在线观看| cao死你这个sao货| 欧美 亚洲 国产 日韩一| 大香蕉久久网| 久久午夜综合久久蜜桃| 成年动漫av网址| 老司机午夜福利在线观看视频 | 黄色怎么调成土黄色| 国产av一区二区精品久久| 老司机午夜福利在线观看视频 | 搡老乐熟女国产| 无遮挡黄片免费观看| 久久精品久久久久久噜噜老黄| 天堂俺去俺来也www色官网| 啪啪无遮挡十八禁网站| 超碰成人久久| 黄色视频,在线免费观看| 啦啦啦中文免费视频观看日本| 1024香蕉在线观看| www.精华液| 日本欧美视频一区| 桃花免费在线播放| 国产在线一区二区三区精| 在线观看免费日韩欧美大片| 亚洲精品一卡2卡三卡4卡5卡 | 大香蕉久久成人网| 亚洲欧美精品综合一区二区三区| 纵有疾风起免费观看全集完整版| 国产亚洲精品一区二区www | 亚洲欧美日韩高清在线视频 | 亚洲少妇的诱惑av| 欧美日韩一级在线毛片| 另类精品久久| 日韩人妻精品一区2区三区| 久久精品亚洲熟妇少妇任你| 亚洲九九香蕉| 9191精品国产免费久久| 国产在线免费精品| 久久99热这里只频精品6学生| 欧美黄色片欧美黄色片| www.熟女人妻精品国产| 考比视频在线观看| 午夜激情久久久久久久| 精品国产一区二区三区四区第35| 久久久久久亚洲精品国产蜜桃av| 999久久久国产精品视频| 免费观看a级毛片全部| 亚洲精品在线美女| 亚洲色图 男人天堂 中文字幕| 啦啦啦啦在线视频资源| 国产av又大| 黄色 视频免费看| 成人黄色视频免费在线看| 精品国产超薄肉色丝袜足j| 最新的欧美精品一区二区| 一级a爱视频在线免费观看| 亚洲精品日韩在线中文字幕| 国产精品一区二区精品视频观看| 电影成人av| 曰老女人黄片| 亚洲精华国产精华精| 9热在线视频观看99| 亚洲国产欧美一区二区综合| 老司机在亚洲福利影院| 交换朋友夫妻互换小说| 手机成人av网站| 久久天躁狠狠躁夜夜2o2o| 国产精品1区2区在线观看. | 午夜成年电影在线免费观看| 精品视频人人做人人爽| 高清av免费在线| 久热这里只有精品99| 精品一区在线观看国产| 欧美变态另类bdsm刘玥| 欧美久久黑人一区二区| 岛国毛片在线播放| 91九色精品人成在线观看| 丝袜美腿诱惑在线| 夜夜骑夜夜射夜夜干| 天天添夜夜摸| 老司机影院成人| 性色av乱码一区二区三区2| 岛国在线观看网站| 69av精品久久久久久 | 波多野结衣一区麻豆| 久久久久久久大尺度免费视频| 国产精品秋霞免费鲁丝片| 国产一区有黄有色的免费视频| 2018国产大陆天天弄谢| 久久精品国产亚洲av香蕉五月 | 国产一卡二卡三卡精品| 两个人看的免费小视频| 在线精品无人区一区二区三| 精品少妇久久久久久888优播| 亚洲精品粉嫩美女一区| 亚洲中文日韩欧美视频| 免费观看av网站的网址| 男人爽女人下面视频在线观看| 最近最新免费中文字幕在线| 国产亚洲一区二区精品| 亚洲一卡2卡3卡4卡5卡精品中文|