• <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ICEEMDAN-LSTM-BNN的短期光伏發(fā)電功率概率預(yù)測

    2023-07-15 01:41:56王清亮代一凡王旭東
    關(guān)鍵詞:晴空氣象模態(tài)

    王清亮,代一凡,王旭東,郝 帥

    (西安科技大學(xué) 電氣與控制工程學(xué)院,陜西 西安 710054)

    0 引言

    在大規(guī)模光伏并網(wǎng)的電力系統(tǒng)中,短期光伏發(fā)電功率的隨機(jī)波動(dòng)性是影響電力系統(tǒng)電源規(guī)劃和安全調(diào)度的主要因素之一[1-4],通過對其進(jìn)行概率預(yù)測可量化反映光伏功率的不確定性,能有效緩解棄光現(xiàn)象,減少由于備用容量不足而引發(fā)的電力系統(tǒng)安全事故。短期光伏發(fā)電功率概率預(yù)測按照采用模型的不同可分為物理建模法、統(tǒng)計(jì)分析法、人工智能法等[5]。物理建模法根據(jù)氣象信息間接預(yù)測光伏發(fā)電功率,需要大量測量設(shè)備、建模復(fù)雜。統(tǒng)計(jì)分析法是從歷史數(shù)據(jù)中挖掘光伏發(fā)電功率潛在變化規(guī)律,具有對測量設(shè)備要求不高的優(yōu)點(diǎn),但是其對數(shù)據(jù)質(zhì)量要求較高,難以準(zhǔn)確描述統(tǒng)計(jì)數(shù)據(jù)中蘊(yùn)含的非線性關(guān)系,非晴空條件下光伏發(fā)電功率預(yù)測精度不高。人工智能法處理非線性映射問題的能力強(qiáng),能夠描述光伏功率與各變量間復(fù)雜的映射關(guān)系,可用于挖掘非晴空條件下數(shù)據(jù)的非線性特征,因此,以神經(jīng)網(wǎng)絡(luò)為代表的人工智能方法在光伏功率概率預(yù)測領(lǐng)域得到廣泛應(yīng)用[6-8],但由于神經(jīng)網(wǎng)絡(luò)的模型復(fù)雜易產(chǎn)生過擬合現(xiàn)象,導(dǎo)致模型泛化能力不強(qiáng),在非晴空條件下的預(yù)測精度不穩(wěn)定,基于貝葉斯神經(jīng)網(wǎng)絡(luò)(Bayes-ian Neural Network,BNN)的人工智能方法是解決該問題的有效途徑。BNN與傳統(tǒng)采用固定權(quán)值的神經(jīng)網(wǎng)絡(luò)不同,它將概率思想與人工智能法相結(jié)合,利用貝葉斯方法將神經(jīng)網(wǎng)絡(luò)權(quán)值改變?yōu)榉暮篁?yàn)概率分布的隨機(jī)數(shù),在保證較強(qiáng)非線性映射能力的同時(shí),通過正則化方法降低模型過擬合風(fēng)險(xiǎn),提高模型的泛化能力,在風(fēng)電功率、電力負(fù)荷預(yù)測領(lǐng)域取得較好的預(yù)測精度[9-10],同樣被廣泛應(yīng)用于光伏發(fā)電功率預(yù)測領(lǐng)域[11]。但在氣象條件短時(shí)間內(nèi)變化較快的非晴空條件下尤其是雨天時(shí),其光伏發(fā)電功率預(yù)測結(jié)果波動(dòng)大,預(yù)測精度極不平穩(wěn),導(dǎo)致平均誤差在7.3%~12.7%之間波動(dòng)[12-13]。

    上述研究表明BNN可用于短期光伏發(fā)電功率概率預(yù)測,但該模型是通過降低模型復(fù)雜度來減小預(yù)測誤差,其實(shí)質(zhì)是損失部分非線性映射能力來加強(qiáng)學(xué)習(xí)能力,氣象特征的強(qiáng)波動(dòng)性和無序性嚴(yán)重影響模型輸入輸出映射關(guān)系的建立,因而并沒有從根本上解決非晴空條件下預(yù)測精度和穩(wěn)定性不高的問題[14]。針對上述提及BNN存在的一系列問題,決定首先從改善預(yù)測數(shù)據(jù)質(zhì)量的角度切入,提升模型綜合性能。此外,光伏發(fā)電功率預(yù)測模型的輸入數(shù)據(jù)包括天氣數(shù)據(jù)和光伏功率的歷史運(yùn)行數(shù)據(jù),這兩類數(shù)據(jù)的特性差異較大。天氣數(shù)據(jù)的特點(diǎn)主要表現(xiàn)為在同一時(shí)間斷面上的快速波動(dòng)和多模態(tài)變化,而光伏功率歷史運(yùn)行數(shù)據(jù)則具備極強(qiáng)的時(shí)序特性[15]。BNN雖有較強(qiáng)的非線性映射能力但對不同特性數(shù)據(jù)的敏感度差異較大,反映數(shù)據(jù)時(shí)序性的能力不強(qiáng)。鑒于上述提及的兩類問題以及解決方案,首先采用改進(jìn)自適應(yīng)噪聲完備集合經(jīng)驗(yàn)(Improved Complete Ensemble EMD with Adaptive Noise,ICEEMDAN)分解法對非晴空的氣象數(shù)據(jù)進(jìn)行平穩(wěn)化處理,從而降低BNN模型的復(fù)雜度,簡化映射模型建立的過程,從輸入數(shù)據(jù)入手提高BNN的泛化能力;其次,通過引入長短期記憶(Long-Short-Term Memory,LSTM)神經(jīng)網(wǎng)絡(luò)增強(qiáng)BNN模型對時(shí)間粒度的敏感性,加強(qiáng)預(yù)測模型對光伏功率時(shí)序特征的提取能力,更好地獲取到光伏功率歷史運(yùn)行數(shù)據(jù)所蘊(yùn)含的時(shí)序特性。

    綜上,提出一種基于ICEEMDAN-LSTM-BNN的短期光伏發(fā)電功率預(yù)測方法,能提高非晴空條件下短期光伏發(fā)電功率概率預(yù)測的精度和穩(wěn)定性,點(diǎn)預(yù)測值平均誤差僅為4.71%~8.59%;同時(shí)針對概率預(yù)測結(jié)果進(jìn)行分析,以80%~90%置信水平為例,所提模型較之BNN算法,在多云和雨天情況下,其區(qū)間預(yù)測平均誤差僅為5.66%~7 27%。仿真結(jié)果充分驗(yàn)證所提模型在非晴空條件下的良好性能和可靠性。

    1 BNN預(yù)測模型

    BNN是反向傳播神經(jīng)網(wǎng)絡(luò)模型與概率模型的結(jié)合,它通過正則化算法自動(dòng)調(diào)節(jié)網(wǎng)絡(luò)權(quán)、閥值的大小及規(guī)模,把影響較小的輸入量的權(quán)值降得很低,在降低模型過擬合的同時(shí)也保證模型具有一定的泛化能力,BNN的權(quán)值是一個(gè)隨機(jī)變量,對于回歸問題,通常假設(shè)其服從正態(tài)分布[16],由給定的光伏數(shù)據(jù)來調(diào)整權(quán)值的后驗(yàn)概率分布,使其達(dá)到概率最大化,并將求出的均值作為網(wǎng)絡(luò)權(quán)值,其結(jié)構(gòu)如圖1所示。

    圖1 BNN結(jié)構(gòu)Fig.1 BNN structure diagram

    圖1中,X=[x1,x2,…,xn]為輸入向量;Y=[y1,y2,…,yn]為輸出向量;S={s1,s2,…,sn}為隱藏層向量;ωi為輸入層與隱藏層之間的層間權(quán)重;ωj為輸出層與隱藏層之間的層間權(quán)重。

    則BNN模型可視為條件分布模型P(Y|X,ω)。利用BNN進(jìn)行光伏功率預(yù)測時(shí)首先設(shè)置權(quán)重參數(shù)ω為正態(tài)分布N(μ,σ2),通過歷史光伏功率數(shù)據(jù)集對模型進(jìn)行訓(xùn)練時(shí),需要調(diào)整的值為ω的期望μ和方差σ2。

    為了提高模型的泛化性能,BNN在常規(guī)神經(jīng)網(wǎng)絡(luò)誤差函數(shù)的基礎(chǔ)上,利用正則化系數(shù)增加網(wǎng)絡(luò)權(quán)及閥值的均方差對誤差的影響,即

    式中 E為改進(jìn)后的誤差函數(shù);α,β為正則化系數(shù);Eav為網(wǎng)絡(luò)所有權(quán)值平方和的平均值;Ed為常規(guī)神經(jīng)網(wǎng)絡(luò)的誤差函數(shù)。

    采用貝葉斯方法在網(wǎng)絡(luò)訓(xùn)練過程中自適應(yīng)地調(diào)節(jié)正則化參數(shù)的大小,并使其達(dá)到最優(yōu)[17]。BNN雖然具有良好的非線性映射能力和一定的泛化性能,但挖掘預(yù)測數(shù)據(jù)的時(shí)序能力不強(qiáng),還需要通過提高學(xué)習(xí)能力來實(shí)現(xiàn)。

    2 光伏功率時(shí)序特性挖掘

    為了增強(qiáng)BNN的時(shí)序?qū)W習(xí)性能,將LSTM神經(jīng)網(wǎng)絡(luò)引入到模型中,來捕捉非晴空條件下短期光伏發(fā)電功率的時(shí)序規(guī)律,以進(jìn)一步提高BNN的預(yù)測效果。

    傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)欠缺對光伏發(fā)電功率隨時(shí)間變化這一特性的考量,僅僅關(guān)注當(dāng)前時(shí)刻的信息處理。然而光伏發(fā)電功率在時(shí)間上存在一定的關(guān)系,因此傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)會(huì)弱化光伏發(fā)電功率預(yù)測效果。LSTM神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)有所不同,其擁有的特殊記憶單元可以將上一時(shí)刻的信息應(yīng)用于當(dāng)前時(shí)刻的信息處理,可以進(jìn)一步挖掘光伏發(fā)電功率隨時(shí)間變化的本質(zhì)特征,適合處理和預(yù)測時(shí)間序列中間隔和延遲較長的問題,得到廣泛應(yīng)用[18-19]。

    目前門控循環(huán)單元(Gated Recurrent Unit,GRU)與Transformer類算法也常用于處理時(shí)間序列問題。GRU較之LSTM 的改進(jìn)初衷是減少參數(shù),加快收斂過程,提高訓(xùn)練效率,雖然在一定程度上簡化了模型結(jié)果,但是GRU不能像LSTM那樣有效地控制數(shù)據(jù)流,序列過長時(shí)存在梯度消失和梯度爆炸問題[20]。同時(shí)在應(yīng)對數(shù)據(jù)集較大的情況下,LSTM的性能還是優(yōu)于GRU[21]。

    Transformer類算法為避免過擬合需要大量數(shù)據(jù)來進(jìn)行自身的訓(xùn)練,在中期和長期預(yù)測任務(wù)上都有不錯(cuò)的性能表現(xiàn)。但該類模型過度依賴尋找時(shí)序數(shù)據(jù)的周期特性,不適合對周期性較弱的數(shù)據(jù)集訓(xùn)練;亦不適合執(zhí)行短期訓(xùn)練任務(wù)。

    LSTM神經(jīng)網(wǎng)絡(luò)是將循環(huán)神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元替換成記憶單元,通過門結(jié)構(gòu)來選擇記住或者遺忘信息,3種調(diào)節(jié)信息流的門結(jié)構(gòu)分別為遺忘門、輸入門和輸出門[22],LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

    圖2 LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Structure of LSTM neural network

    圖2中,Ct為當(dāng)前單元狀態(tài);ht為當(dāng)前隱藏層狀態(tài);ht-1為上一隱藏層狀態(tài);Ct-1為上一單元狀態(tài);at為當(dāng)前輸入量;ft為遺忘門;it為輸入門;ot為輸出門;Lt為添加到當(dāng)前單元狀態(tài)的Ct候選值;δ為sigmoid函數(shù);g為tanh激勵(lì)函數(shù)為逐點(diǎn)相乘為逐點(diǎn)相加。

    遺忘門決定對前一個(gè)階段狀態(tài)信息的遺忘程度。

    輸入門的作用是往當(dāng)前的狀態(tài)中添加新信息。

    式中 Wia,Wfa,Wca為連接輸入信息at的權(quán)值矩陣;Wic,Wfc為連接神經(jīng)元激活函數(shù)輸出值Ct和門函數(shù)的對角矩陣;Wih,Wfh,Wch為連接隱含層輸出信號ht的權(quán)值矩陣;bi,bf,bc為輸入門、遺忘門、候選值Lt對應(yīng)的偏置。Ct-1ft為確定有多少信息將從Ct-1中遺忘;Ltit為確定有多少信息添加到新單元狀態(tài)Ct。

    通過輸出門sigmoid層的信息與通過tanh層的記憶細(xì)胞中的信息相乘得到模型最后的輸出。

    3 氣象數(shù)據(jù)的模態(tài)分解

    將模態(tài)分解思想引入BNN,通過對氣象數(shù)據(jù)進(jìn)行模態(tài)分解,從而降低預(yù)測對模型復(fù)雜度的高需求,以解決非晴空條件下氣象數(shù)據(jù)的多尺度多模態(tài)短期變化對預(yù)測模型的影響。

    ICEEMDAN模態(tài)分解法[23]作為一種自適應(yīng)性時(shí)頻分析法,通過在分解過程中添加高斯白噪聲,較之傳統(tǒng)的經(jīng)驗(yàn)?zāi)B(tài)分解法和集成經(jīng)驗(yàn)?zāi)B(tài)分解法能夠更有效地解決模態(tài)混疊問題[24-25]。文中采用的氣象數(shù)據(jù)包括太陽總輻射強(qiáng)度、組件溫度、環(huán)境溫度、氣壓、相對濕度。其中太陽總輻射強(qiáng)度定義為太陽的輻射經(jīng)過地球大氣層的反射、吸收、散射等光學(xué)作用后,最終到達(dá)地球表面上單位面積時(shí)間內(nèi)的太陽輻射能量;組件溫度定義為光伏電池板周圍的地表溫度;環(huán)境溫度指光伏電站所處的外界環(huán)境溫度;氣壓指大氣壓強(qiáng);相對濕度是用來描述空氣濕潤程度的物理量。

    氣象數(shù)據(jù)經(jīng)ICEEMDAN分解后可突出氣象序列在不同時(shí)間尺度下的局部特性,反映出原始?xì)庀笮蛄械牟▌?dòng)性、周期性和趨勢變化,算法分解步驟如下。

    1)構(gòu)造M個(gè)含可控噪聲的信號。

    式中 z為原始信號;v(m)為第m個(gè)0均值單位方差的高斯白噪聲;q1為第1次分解時(shí)信號的期望信噪比,其值為q1=ε1(z)/(Q1(v(m)));Q1(·)為計(jì)算信號的第1個(gè)IMF的算子;ε1為設(shè)定的白噪聲幅值;(·)為計(jì)算數(shù)學(xué)期望的算子。

    式中 〈·〉為計(jì)算M個(gè)信號平均的算子。

    3)對于k≥2時(shí),構(gòu)造第k組M個(gè)含可控噪聲的信號。

    式中 qk為第k次分解時(shí)信號的期望信噪比,其值為qk=εk(rk-1);Qk(·)為生成第k個(gè)IMF的算子。

    5)令k=k+1,返回步驟(3)計(jì)算下一k值,直至殘差滿足迭代終止條件。

    4 ICEEMDAN-LSTM-BNN預(yù)測模型

    基于上述對BNN泛化和學(xué)習(xí)能力的增強(qiáng)思路,形成基于ICEEMDAN-LSTM-BNN的短期光伏發(fā)電功率概率預(yù)測方法。采用ICEEMDAN對氣象數(shù)據(jù)進(jìn)行自適應(yīng)抗噪聲模態(tài)分解,LSTM神經(jīng)網(wǎng)絡(luò)對光伏功率數(shù)據(jù)的時(shí)序規(guī)律進(jìn)行挖掘,以達(dá)到提升BNN模型對非晴空條件下短期光伏發(fā)電功率的概率預(yù)測效果,ICEEMDAN-LSTM-BNN結(jié)構(gòu)如圖3所示。

    圖3 ICEEMDAN-LSTM-BNN算法的結(jié)構(gòu)Fig.3 Structure of ICEEMDAN-LSTM-BNN algorithm

    圖3中,輸入特征量分別為氣象數(shù)據(jù)和光伏功率數(shù)據(jù)。氣象數(shù)據(jù)由ICEEMDAN模態(tài)分解法進(jìn)行平穩(wěn)化處理,光伏功率數(shù)據(jù)經(jīng)LSTM神經(jīng)網(wǎng)絡(luò)處理后時(shí)序特性更加顯著,然后將兩類特征量作為BNN模型的輸入。所提模型輸入與輸出的具體表示可參見表1;此外,模型的各層結(jié)構(gòu)見表2。

    表1 ICEEMDAN-LSTM-BNN輸入量與輸出量Table 1 Improved BNN input and output improved BNN input and output

    表2 ICEEMDAN-LSTM-BNN網(wǎng)絡(luò)各層規(guī)模Table 2 Scales of all layers of the BNN network

    表2中n為訓(xùn)練集天數(shù);li為第i個(gè)輸入特征的分解分量個(gè)數(shù),BNN輸入層1的輸入是分解后的各氣象特征分量,BNN輸入層2的輸入是LSTM神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果。

    文中將天氣類型劃分為晴天、多云、雨天,其中多云和雨天屬于非晴空天氣。利用ICEEMDAN-LSTM-BNN進(jìn)行短期光伏發(fā)電功率概率預(yù)測時(shí),首先對光伏發(fā)電原始數(shù)據(jù)進(jìn)行歸一化處理,然后采用k-means聚類方法對歷史功率樣本進(jìn)行不同類型天氣的相似日篩選[26]。

    文中以一定置信水平下光伏發(fā)電功率的波動(dòng)區(qū)間做為BNN的輸出。訓(xùn)練好的BNN模型其權(quán)值具有最優(yōu)的期望μi和方差根據(jù)可以計(jì)算短期光伏發(fā)電功率預(yù)測區(qū)間。

    在給定的置信水平(1-β)下,BNN的光伏發(fā)電功率的預(yù)測區(qū)間可以表示為

    式中 Ta為預(yù)測區(qū)間上界;Tb為預(yù)測區(qū)間下界;zβ/2為正態(tài)分布的雙側(cè)分位點(diǎn)。

    5 實(shí)驗(yàn)分析

    為了驗(yàn)證文中方法的預(yù)測效果,采用總裝機(jī)容量為100 MW 的寧夏太陽山光伏電站2020年實(shí)際運(yùn)行數(shù)據(jù)進(jìn)行實(shí)驗(yàn),原始數(shù)據(jù)包括歷史光伏發(fā)電功率數(shù)據(jù)及氣象數(shù)據(jù):太陽總輻射強(qiáng)度、組件溫度、環(huán)境溫度、氣壓、相對濕度,數(shù)據(jù)時(shí)間分辨率為15 min,每天總計(jì)96個(gè)樣本點(diǎn)。將5×96維的氣象數(shù)據(jù)作為輸入變量,輸出變量為1×96維的光伏發(fā)電功率數(shù)據(jù)。

    采用聚類方法作為定量評價(jià)相似氣象日期的依據(jù),以太陽總輻照強(qiáng)度、環(huán)境溫度和組件溫度這3個(gè)與光伏發(fā)電功率呈強(qiáng)相關(guān)性的特征作為聚類方法輸入,進(jìn)而根據(jù)k-means聚類方法對歷史功率樣本進(jìn)行劃分,對比不同類型實(shí)際曲線的差異,以此來判斷每一類天氣的情況歸屬從而進(jìn)行相似日的篩選。將原始92天數(shù)據(jù)劃分為晴天、多云、雨天3個(gè)子樣本集,再將每個(gè)子樣本集劃分為訓(xùn)練集和測試集2個(gè)部分:相似日的歷史氣象及光伏發(fā)電功率數(shù)據(jù)作為訓(xùn)練集,待測日氣象及光伏發(fā)電功率數(shù)據(jù)作為測試集,對待測日00:00~24:00時(shí)段進(jìn)行提前24 h光伏功率概率預(yù)測。

    5.1 預(yù)測效果量化指標(biāo)

    光伏發(fā)電功率概率預(yù)測是在點(diǎn)預(yù)測的基礎(chǔ)上進(jìn)行,為方便定量分析和評價(jià)文中方法的預(yù)測效果,引入均方根誤差(Root Mean Square Error,RMSE)、R2(R-squared)、預(yù)測區(qū)間平均寬度(Pre-diction Interval Normalized Average Width,PINAW)、預(yù)測區(qū)間覆蓋率(Prediction Interval Coverage Prob-ability,PICP)以及區(qū)間綜合評價(jià)指標(biāo)WC共5個(gè)評價(jià)指標(biāo)對實(shí)驗(yàn)結(jié)果進(jìn)行量化分析。

    采用RMSE、R2對短期光伏發(fā)電功率點(diǎn)預(yù)測結(jié)果進(jìn)行分析,其中RMSE表征預(yù)測值同實(shí)際值之間的偏差,能反映預(yù)測的精度,R2表征預(yù)測值和實(shí)際值的擬合程度,能反映預(yù)測的穩(wěn)定性。

    采用PINAW、PICP及WC對短期光伏發(fā)電功率概率預(yù)測結(jié)果進(jìn)行分析,其中PINAW反映預(yù)測區(qū)間上下界之差,用于評價(jià)預(yù)測的精度,PICP反映光伏發(fā)電功率真實(shí)值落入預(yù)測區(qū)間內(nèi)的概率,用以評估預(yù)測的穩(wěn)定性,WC反映短期光伏發(fā)電功率的綜合預(yù)測效果,WC取值越小,預(yù)測效果越好。

    式中 i為布爾量,若光伏功率真實(shí)值落在預(yù)測區(qū)間范圍內(nèi),則i=1,否則i=0;R為光伏功率真實(shí)值中最大值與最小值之差。

    5.2 光伏發(fā)電功率點(diǎn)預(yù)測結(jié)果分析

    以夏季寧夏太陽山光伏電站輸出功率預(yù)測為例,將6,7月份數(shù)據(jù)作為訓(xùn)練集,8月份數(shù)據(jù)作為測試集。首先對晴天、多云、雨天3類天氣進(jìn)行相似日選取,然后在不同天氣類型相似日中隨機(jī)選擇4天作為測試樣本,其余作為訓(xùn)練樣本。以下分別從點(diǎn)預(yù)測與概率預(yù)測效果進(jìn)行分析。為了驗(yàn)證文中方法 ICEEMDAN-LSTM-BNN 的先進(jìn)性,以及ICEEMDAN和LSTM對BNN的改進(jìn)效果,以下分析時(shí)將該方法的光伏功率點(diǎn)預(yù)測結(jié)果分別與傳統(tǒng)BNN、ICEEMDAN-BNN、LSTM-BNN的預(yù)測結(jié)果以及實(shí)測數(shù)據(jù)進(jìn)行對比,預(yù)測結(jié)果如圖4所示。

    圖4 不同天氣類型下的功率點(diǎn)預(yù)測結(jié)果Fig.4 Prediction results of power points under different climatic conditions

    從圖4可以看出,晴天的光伏發(fā)電功率波動(dòng)較小,雨天的光伏發(fā)電功率波動(dòng)幅度較大,隨機(jī)性最強(qiáng)烈,多云則介于兩者之間,因而現(xiàn)有方法在雨天時(shí)的預(yù)測結(jié)果極不穩(wěn)定。文中方法在晴天、多云條件下能較好跟蹤光伏功率輸出,在雨天時(shí)其他方法的預(yù)測值偏離實(shí)際值較為明顯,而該方法偏離程度最小,為了量化預(yù)測效果,對短期光伏發(fā)電功率點(diǎn)預(yù)測進(jìn)行誤差計(jì)算,結(jié)果為5次實(shí)驗(yàn)后的均值結(jié)果,見表3。

    表3 短期光伏發(fā)電功率點(diǎn)預(yù)測誤差分析Table 3 Error analysis of short-term PV power points prediction

    由表3可知,BNN模型在非晴空條件下的RMSE值均最大,預(yù)測精度最低;相比于BNN模型,只在其基礎(chǔ)上進(jìn)行模態(tài)分解的ICEEMDAN-BNN模型和只引入LSTM神經(jīng)網(wǎng)絡(luò)的LSTM-BNN模型在各天氣條件下的功率預(yù)測誤差均明顯降低,這說明ICEEMDAN-LSTM-BNN模型的泛化和學(xué)習(xí)能力效果較好;因此,文中方法相比于傳統(tǒng)BNN模型在多云和雨天天氣類型下,誤差分別下降了36 18%、31.33%,預(yù)測精度明顯提高。

    BNN模型在各種天氣條件下進(jìn)行功率預(yù)測時(shí),其R2值均最小,預(yù)測穩(wěn)定性最低;相比于BNN模型,ICEEMDAN-BNN模型和LSTM-BNN模型在多云和雨天條件下R2值均得到提高,而采用ICEEMDAN和LSTM的文中方法與BNN模型在多云和雨天天氣類型下R2值分別提高了7.78%、25 76%,穩(wěn)定性明顯提升。

    以上數(shù)據(jù)表明文中方法在各種非晴空天氣條件下的短期光伏發(fā)電功率點(diǎn)預(yù)測精度及穩(wěn)定性均較好,尤其是雨天時(shí)功率預(yù)測值的穩(wěn)定性提升效果最明顯。

    5.3 光伏發(fā)電功率概率預(yù)測結(jié)果分析

    短期光伏發(fā)電功率的點(diǎn)預(yù)測結(jié)果分析已表明文中方法相較其他方法具有更高的預(yù)測精度,在此基礎(chǔ)上進(jìn)行光伏發(fā)電功率的概率預(yù)測也具有較高的可信度,因此,以下實(shí)驗(yàn)只展示文中方法與傳統(tǒng)BNN的預(yù)測效果,分別對短期光伏發(fā)電功率進(jìn)行80%、85%、90%置信水平下的概率預(yù)測,如圖5至圖7所示。

    圖5 晴天概率預(yù)測結(jié)果Fig.5 Probabilistic prediction results of sunny day

    圖6 多云概率預(yù)測結(jié)果Fig.6 Probabilistic prediction results of cloudy day

    圖7 雨天概率預(yù)測結(jié)果Fig.7 Probabilistic prediction results of rainy day

    從圖5至圖7可以看出,ICEEMDAN-LSTM-BNN模型的預(yù)測區(qū)間寬度更窄,而其在功率平穩(wěn)的時(shí)間段預(yù)測區(qū)間窄,在有功率顯著波動(dòng)的時(shí)間段預(yù)測區(qū)間寬,這種概率預(yù)測結(jié)果非常有利于調(diào)度部門在極端天氣時(shí)提前做好調(diào)度方案,降低停電風(fēng)險(xiǎn)。短期光伏發(fā)電功率概率預(yù)測誤差分析見表4,為便于表述,表中Iw、Ip、Ic分別代表PINAW、PICP、WC這3個(gè)指標(biāo)。

    表4 短期光伏發(fā)電功率概率預(yù)測誤差分析Table 4 Error analysis of short-term PV power probability prediction

    由表4可知,相比于傳統(tǒng)BNN模型,ICEEM-DAN-LSTM-BNN模型在多云、雨天下PINAW值分別降低了7.99%、13.60%,精度明顯提升,并且ICEEMDAN-LSTM-BNN模型功率預(yù)測的WC值也分別減小了8%、17%,雨天時(shí)的預(yù)測精度及穩(wěn)定性明顯高于BNN模型。在90%置信水平下,三類天氣的平均誤差為7.27%;在85%置信水平下,三類天氣的平均誤差為6.37%;在80%置信水平下,三類天氣的平均誤差為5.66%。

    借助于LSTM神經(jīng)網(wǎng)絡(luò)時(shí)序特征提取能力以及ICEEMDAN優(yōu)越的非平穩(wěn)數(shù)據(jù)處理能力,使得BNN相較于其他模型具有更加出色的跟蹤光伏功率波動(dòng)的能力,在各類非晴空天氣條件下誤差均最小,并保持良好的穩(wěn)定性。

    6 結(jié)論

    1)通過ICEEMDAN模態(tài)分解法,將非線性非平穩(wěn)的光伏氣象數(shù)據(jù)序列平穩(wěn)化,并在BNN的基礎(chǔ)上引入LSTM神經(jīng)網(wǎng)絡(luò),進(jìn)一步加強(qiáng)模型的時(shí)序反映能力;形成ICEEMDAN-LSTM-BNN短期光伏發(fā)電功率概率預(yù)測方法。同時(shí)兼顧BNN適合于捕捉非晴空條件下短期光伏發(fā)電功率的多尺度波動(dòng)規(guī)律,并進(jìn)一步降低光伏發(fā)電功率的模型復(fù)雜度。2)通過加強(qiáng)BNN的泛化和學(xué)習(xí)能力,使得短期光伏發(fā)電功率概率預(yù)測在功率波動(dòng)強(qiáng)烈時(shí)段具有較寬的預(yù)測區(qū)間,功率平穩(wěn)時(shí)段具有較窄的預(yù)測區(qū)間,達(dá)到提升短期光伏發(fā)電功率預(yù)測精度和穩(wěn)定性的目的。

    猜你喜歡
    晴空氣象模態(tài)
    氣象
    秋詞
    八萬元買個(gè)代步車? 五菱Air ev晴空
    車主之友(2023年2期)2023-05-22 02:51:24
    氣象樹
    《內(nèi)蒙古氣象》征稿簡則
    冬日的晴空(外一首)
    大國氣象
    秋詞
    兒童繪本(2017年15期)2017-09-02 19:27:31
    國內(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)識別
    在现免费观看毛片| 亚洲人成77777在线视频| 亚洲欧美精品综合一区二区三区| 老司机亚洲免费影院| 97精品久久久久久久久久精品| 亚洲三区欧美一区| 9热在线视频观看99| 水蜜桃什么品种好| 亚洲一区中文字幕在线| 免费一级毛片在线播放高清视频 | 国产精品国产三级专区第一集| 午夜福利影视在线免费观看| 丁香六月欧美| 国产精品三级大全| 十分钟在线观看高清视频www| 国产精品.久久久| 伊人久久大香线蕉亚洲五| 国产精品久久久久成人av| 亚洲国产精品一区三区| 国产精品人妻久久久影院| 视频区图区小说| 女警被强在线播放| 免费不卡黄色视频| 日本一区二区免费在线视频| 欧美亚洲 丝袜 人妻 在线| 性色av乱码一区二区三区2| 久久精品人人爽人人爽视色| 亚洲久久久国产精品| 赤兔流量卡办理| 久久久精品免费免费高清| 精品国产一区二区三区四区第35| 水蜜桃什么品种好| av不卡在线播放| 脱女人内裤的视频| 久久久精品94久久精品| 操美女的视频在线观看| 欧美精品一区二区免费开放| 女性生殖器流出的白浆| 精品久久久久久久毛片微露脸 | svipshipincom国产片| 国产97色在线日韩免费| 亚洲人成电影免费在线| 成年人黄色毛片网站| 天堂中文最新版在线下载| 成年人免费黄色播放视频| 考比视频在线观看| 亚洲国产欧美日韩在线播放| 一级a爱视频在线免费观看| 国产亚洲av高清不卡| 高清不卡的av网站| 久久影院123| av网站在线播放免费| 女人精品久久久久毛片| 亚洲人成电影观看| 夫妻性生交免费视频一级片| 宅男免费午夜| 亚洲国产成人一精品久久久| 国产精品久久久久久精品电影小说| 午夜福利视频精品| 久久热在线av| 黑人猛操日本美女一级片| 国产精品亚洲av一区麻豆| 男女免费视频国产| 中文字幕人妻丝袜一区二区| 天天影视国产精品| 国产亚洲精品第一综合不卡| 国产淫语在线视频| 在线观看免费视频网站a站| av有码第一页| 国产熟女欧美一区二区| 夫妻性生交免费视频一级片| 欧美在线一区亚洲| 国产成人精品无人区| 黄色视频不卡| 国产精品香港三级国产av潘金莲 | 亚洲av欧美aⅴ国产| 天天操日日干夜夜撸| 99国产精品一区二区蜜桃av | 极品人妻少妇av视频| 黄色片一级片一级黄色片| 国产精品 国内视频| 亚洲国产日韩一区二区| kizo精华| 亚洲中文av在线| 天天添夜夜摸| av有码第一页| 久久精品人人爽人人爽视色| 亚洲av日韩精品久久久久久密 | 精品国产一区二区久久| 亚洲欧美成人综合另类久久久| 久久久精品国产亚洲av高清涩受| 极品人妻少妇av视频| 国产精品偷伦视频观看了| 久久99一区二区三区| 成人免费观看视频高清| 99国产综合亚洲精品| 51午夜福利影视在线观看| 亚洲国产日韩一区二区| 中文字幕人妻丝袜制服| 久久国产精品大桥未久av| 看十八女毛片水多多多| 国产91精品成人一区二区三区 | 精品久久蜜臀av无| 国产欧美日韩综合在线一区二区| 老司机午夜十八禁免费视频| 少妇的丰满在线观看| av一本久久久久| 大片免费播放器 马上看| 老司机影院成人| 亚洲欧美中文字幕日韩二区| 亚洲一区中文字幕在线| 9热在线视频观看99| 一本大道久久a久久精品| 在线观看免费高清a一片| 2021少妇久久久久久久久久久| 欧美日韩av久久| 国产日韩欧美视频二区| 国产片特级美女逼逼视频| 最近手机中文字幕大全| 免费一级毛片在线播放高清视频 | 两人在一起打扑克的视频| 久久免费观看电影| 一区二区三区精品91| 视频在线观看一区二区三区| 你懂的网址亚洲精品在线观看| 日韩,欧美,国产一区二区三区| 亚洲av美国av| 成人国产一区最新在线观看 | 老汉色av国产亚洲站长工具| 老汉色av国产亚洲站长工具| 亚洲国产日韩一区二区| 亚洲av美国av| 一二三四社区在线视频社区8| 高清视频免费观看一区二区| 国产在线视频一区二区| 精品人妻熟女毛片av久久网站| 久久精品国产亚洲av涩爱| 人妻一区二区av| 亚洲精品一区蜜桃| 午夜免费成人在线视频| 每晚都被弄得嗷嗷叫到高潮| 国产精品国产三级国产专区5o| 一区二区三区激情视频| 久久久久国产精品人妻一区二区| 在现免费观看毛片| 一级毛片女人18水好多 | 97人妻天天添夜夜摸| 欧美精品啪啪一区二区三区 | 最近最新中文字幕大全免费视频 | www.精华液| 丰满迷人的少妇在线观看| 黄色a级毛片大全视频| 日日爽夜夜爽网站| 免费日韩欧美在线观看| 少妇猛男粗大的猛烈进出视频| 美女福利国产在线| 亚洲 欧美一区二区三区| 色视频在线一区二区三区| 青春草亚洲视频在线观看| 高潮久久久久久久久久久不卡| 精品一区二区三区av网在线观看 | 中文字幕亚洲精品专区| 十八禁高潮呻吟视频| 国产一区有黄有色的免费视频| 巨乳人妻的诱惑在线观看| 蜜桃在线观看..| 国产不卡av网站在线观看| 国产午夜精品一二区理论片| 亚洲av美国av| 看十八女毛片水多多多| 美女脱内裤让男人舔精品视频| 你懂的网址亚洲精品在线观看| 国产精品 国内视频| 亚洲天堂av无毛| xxx大片免费视频| 伦理电影免费视频| 丰满少妇做爰视频| 久久久久国产精品人妻一区二区| 少妇精品久久久久久久| 国产精品.久久久| 久久免费观看电影| 免费在线观看黄色视频的| 色综合欧美亚洲国产小说| 高潮久久久久久久久久久不卡| 男男h啪啪无遮挡| 一区二区三区乱码不卡18| 国产亚洲一区二区精品| 女人高潮潮喷娇喘18禁视频| 在线观看一区二区三区激情| 欧美激情 高清一区二区三区| 亚洲人成77777在线视频| 久久鲁丝午夜福利片| 国产成人精品久久二区二区91| 最近最新中文字幕大全免费视频 | 女性被躁到高潮视频| 天堂俺去俺来也www色官网| 亚洲欧美精品综合一区二区三区| 黑人巨大精品欧美一区二区蜜桃| 日韩视频在线欧美| 国产一区二区激情短视频 | www.av在线官网国产| 一级片免费观看大全| av福利片在线| 日韩大片免费观看网站| 欧美少妇被猛烈插入视频| 黄色a级毛片大全视频| 天天躁日日躁夜夜躁夜夜| 久久久久国产精品人妻一区二区| www.自偷自拍.com| 考比视频在线观看| 成人亚洲精品一区在线观看| 交换朋友夫妻互换小说| 国产黄色免费在线视频| 后天国语完整版免费观看| 国产精品一国产av| 欧美精品一区二区大全| 黄色片一级片一级黄色片| 婷婷丁香在线五月| 精品国产乱码久久久久久小说| 欧美成狂野欧美在线观看| 亚洲欧美精品自产自拍| 十八禁人妻一区二区| 18禁裸乳无遮挡动漫免费视频| 在线观看国产h片| 好男人视频免费观看在线| 亚洲专区国产一区二区| 日本五十路高清| 精品亚洲成国产av| 十八禁网站网址无遮挡| 日韩人妻精品一区2区三区| 人人妻人人澡人人看| 精品国产一区二区久久| 久久久国产一区二区| 日韩中文字幕视频在线看片| 激情五月婷婷亚洲| 看免费av毛片| 久久精品亚洲熟妇少妇任你| 亚洲中文字幕日韩| 亚洲国产精品国产精品| 亚洲国产看品久久| 亚洲精品美女久久av网站| 99国产精品一区二区蜜桃av | 在线观看免费午夜福利视频| 日韩中文字幕视频在线看片| 亚洲成人手机| 手机成人av网站| 久久人人爽人人片av| 青春草视频在线免费观看| 少妇裸体淫交视频免费看高清 | 中文字幕制服av| 国产伦理片在线播放av一区| 亚洲av电影在线进入| 成人亚洲欧美一区二区av| 欧美精品一区二区大全| 亚洲一卡2卡3卡4卡5卡精品中文| 成年女人毛片免费观看观看9 | 这个男人来自地球电影免费观看| 观看av在线不卡| 国产成人免费观看mmmm| 高清av免费在线| 啦啦啦视频在线资源免费观看| 一本综合久久免费| 侵犯人妻中文字幕一二三四区| 国产欧美日韩一区二区三区在线| 男女无遮挡免费网站观看| 欧美黑人欧美精品刺激| 天天添夜夜摸| 香蕉国产在线看| 日韩大片免费观看网站| 国产人伦9x9x在线观看| 亚洲av片天天在线观看| 午夜激情av网站| 狠狠精品人妻久久久久久综合| 精品一区二区三卡| 亚洲国产日韩一区二区| 日韩av不卡免费在线播放| 久久久精品国产亚洲av高清涩受| 亚洲欧洲日产国产| 真人做人爱边吃奶动态| 美国免费a级毛片| 又紧又爽又黄一区二区| 999久久久国产精品视频| 久久亚洲精品不卡| 五月开心婷婷网| 母亲3免费完整高清在线观看| 日本wwww免费看| av天堂久久9| 精品久久久精品久久久| 欧美日韩亚洲高清精品| 国产xxxxx性猛交| 亚洲成人国产一区在线观看 | 日日爽夜夜爽网站| 美女国产高潮福利片在线看| 久久久精品区二区三区| 亚洲第一av免费看| 大香蕉久久网| 亚洲人成电影观看| 亚洲伊人久久精品综合| 久久影院123| 高清欧美精品videossex| 免费日韩欧美在线观看| 一区二区三区激情视频| 亚洲av在线观看美女高潮| 国产欧美日韩一区二区三 | 飞空精品影院首页| 亚洲国产看品久久| 大香蕉久久网| 丝袜人妻中文字幕| 国产亚洲欧美精品永久| 久久国产亚洲av麻豆专区| 免费看av在线观看网站| 80岁老熟妇乱子伦牲交| 精品国产乱码久久久久久男人| 日韩伦理黄色片| 男女边吃奶边做爰视频| 丰满少妇做爰视频| 亚洲精品在线美女| 日韩欧美一区视频在线观看| 欧美日韩综合久久久久久| 只有这里有精品99| 国产成人欧美在线观看 | 久久ye,这里只有精品| 一本大道久久a久久精品| 飞空精品影院首页| 男女无遮挡免费网站观看| 日韩,欧美,国产一区二区三区| 免费观看av网站的网址| 黄色片一级片一级黄色片| 久久国产精品人妻蜜桃| 老司机亚洲免费影院| 欧美+亚洲+日韩+国产| 午夜免费男女啪啪视频观看| 成人免费观看视频高清| 国产女主播在线喷水免费视频网站| 久久性视频一级片| 久久久国产一区二区| 国产免费视频播放在线视频| 天堂俺去俺来也www色官网| 青春草视频在线免费观看| 免费观看人在逋| 最黄视频免费看| 亚洲精品国产色婷婷电影| av电影中文网址| 欧美+亚洲+日韩+国产| 国产高清不卡午夜福利| 最黄视频免费看| 国产成人av激情在线播放| 一级黄片播放器| 精品一品国产午夜福利视频| 国产成人精品在线电影| 91国产中文字幕| 久久久精品94久久精品| 精品少妇一区二区三区视频日本电影| 少妇精品久久久久久久| 波野结衣二区三区在线| 欧美人与性动交α欧美精品济南到| 久久精品国产a三级三级三级| 两个人免费观看高清视频| 国产高清不卡午夜福利| 99热国产这里只有精品6| 黄片播放在线免费| 国产黄色视频一区二区在线观看| 国产在线观看jvid| 国产亚洲精品久久久久5区| 欧美黄色淫秽网站| 欧美乱码精品一区二区三区| 老熟女久久久| 大陆偷拍与自拍| 国产成人免费观看mmmm| 夜夜骑夜夜射夜夜干| 天天躁狠狠躁夜夜躁狠狠躁| 99国产精品一区二区蜜桃av | 最新在线观看一区二区三区 | 亚洲 国产 在线| 午夜福利免费观看在线| 免费观看a级毛片全部| 色视频在线一区二区三区| 国产欧美日韩一区二区三区在线| 少妇被粗大的猛进出69影院| 精品福利永久在线观看| 亚洲国产精品一区三区| 欧美日韩黄片免| 国产在线视频一区二区| 亚洲欧洲国产日韩| av国产久精品久网站免费入址| 国产野战对白在线观看| 欧美成狂野欧美在线观看| 亚洲一区中文字幕在线| 久久久精品免费免费高清| 男人操女人黄网站| 看免费av毛片| 自线自在国产av| 成人亚洲精品一区在线观看| 国产97色在线日韩免费| 9热在线视频观看99| 黑人巨大精品欧美一区二区蜜桃| 欧美黄色片欧美黄色片| 十八禁人妻一区二区| 黄色怎么调成土黄色| 纯流量卡能插随身wifi吗| 捣出白浆h1v1| 亚洲免费av在线视频| 99国产精品一区二区三区| 热99久久久久精品小说推荐| 亚洲精品久久久久久婷婷小说| 精品少妇久久久久久888优播| 韩国精品一区二区三区| 欧美日韩亚洲综合一区二区三区_| 国产成人欧美在线观看 | 亚洲精品在线美女| 大香蕉久久网| 一本—道久久a久久精品蜜桃钙片| 97人妻天天添夜夜摸| 中文字幕人妻丝袜一区二区| 欧美日韩福利视频一区二区| 夜夜骑夜夜射夜夜干| 国产精品国产av在线观看| 中文欧美无线码| 久久 成人 亚洲| 亚洲欧美色中文字幕在线| 十八禁人妻一区二区| 黄色毛片三级朝国网站| 欧美+亚洲+日韩+国产| 黄频高清免费视频| 黄色a级毛片大全视频| 天天躁狠狠躁夜夜躁狠狠躁| 久久久久久久久久久久大奶| 人人澡人人妻人| 午夜精品国产一区二区电影| 男女之事视频高清在线观看 | 亚洲国产精品成人久久小说| 久久久欧美国产精品| 如日韩欧美国产精品一区二区三区| 男男h啪啪无遮挡| 久久亚洲精品不卡| 欧美日韩视频精品一区| 少妇猛男粗大的猛烈进出视频| 国产又爽黄色视频| 国产成人影院久久av| 久久青草综合色| 午夜免费成人在线视频| 麻豆av在线久日| 国产成人a∨麻豆精品| 在线观看免费视频网站a站| 99香蕉大伊视频| 在现免费观看毛片| 99久久99久久久精品蜜桃| 精品高清国产在线一区| 亚洲三区欧美一区| 日韩 欧美 亚洲 中文字幕| 看十八女毛片水多多多| 18在线观看网站| 最新在线观看一区二区三区 | 美女福利国产在线| 久久人人爽人人片av| 亚洲国产毛片av蜜桃av| 黄色一级大片看看| 欧美亚洲 丝袜 人妻 在线| 黄色a级毛片大全视频| 亚洲欧美日韩另类电影网站| 欧美在线黄色| 一级毛片黄色毛片免费观看视频| 在线观看免费午夜福利视频| 久久热在线av| 精品少妇一区二区三区视频日本电影| 久久av网站| 免费在线观看黄色视频的| 黄色毛片三级朝国网站| 老熟女久久久| 满18在线观看网站| 黄色视频在线播放观看不卡| 美女脱内裤让男人舔精品视频| 国产人伦9x9x在线观看| avwww免费| 国产精品人妻久久久影院| 波多野结衣av一区二区av| 色婷婷av一区二区三区视频| 一边摸一边做爽爽视频免费| 国产福利在线免费观看视频| 国产成人av激情在线播放| 日韩 欧美 亚洲 中文字幕| 国产成人免费观看mmmm| 久久人人97超碰香蕉20202| 99精品久久久久人妻精品| 国产无遮挡羞羞视频在线观看| 这个男人来自地球电影免费观看| 欧美日韩精品网址| 国产成人精品无人区| www日本在线高清视频| 亚洲欧美精品自产自拍| 欧美人与性动交α欧美软件| 久久中文字幕一级| 国产片内射在线| 欧美 亚洲 国产 日韩一| 精品久久久久久久毛片微露脸 | 叶爱在线成人免费视频播放| 丝袜美足系列| 久久国产精品大桥未久av| 日韩免费高清中文字幕av| 老司机影院毛片| 亚洲欧美一区二区三区久久| 色94色欧美一区二区| 亚洲精品久久午夜乱码| 十八禁网站网址无遮挡| 午夜免费鲁丝| 国产成人一区二区在线| 高清av免费在线| tube8黄色片| 婷婷丁香在线五月| 国产xxxxx性猛交| 91麻豆av在线| 日韩 欧美 亚洲 中文字幕| 啦啦啦在线观看免费高清www| 91成人精品电影| 国产成人欧美在线观看 | 成在线人永久免费视频| 久久精品国产综合久久久| 国产男女超爽视频在线观看| netflix在线观看网站| 成人亚洲欧美一区二区av| 亚洲国产最新在线播放| 国产精品av久久久久免费| 亚洲欧美清纯卡通| 亚洲国产精品一区二区三区在线| 亚洲一区中文字幕在线| 久久久久久久久久久久大奶| 国产亚洲一区二区精品| 七月丁香在线播放| 亚洲国产精品999| 美国免费a级毛片| 亚洲av欧美aⅴ国产| 亚洲欧美激情在线| 欧美人与性动交α欧美精品济南到| 悠悠久久av| 国产极品粉嫩免费观看在线| 久久久久久久大尺度免费视频| 久9热在线精品视频| 欧美+亚洲+日韩+国产| 大片电影免费在线观看免费| 欧美激情极品国产一区二区三区| 丝袜脚勾引网站| 午夜av观看不卡| 国产xxxxx性猛交| 脱女人内裤的视频| 男女下面插进去视频免费观看| 亚洲国产欧美日韩在线播放| 午夜激情久久久久久久| www.av在线官网国产| 下体分泌物呈黄色| 亚洲欧洲国产日韩| 午夜免费男女啪啪视频观看| 91九色精品人成在线观看| 久久精品成人免费网站| 男人舔女人的私密视频| 久久久精品94久久精品| 欧美日韩综合久久久久久| 亚洲三区欧美一区| 中文字幕色久视频| 久久久精品免费免费高清| 日日夜夜操网爽| 伊人亚洲综合成人网| 亚洲av成人不卡在线观看播放网 | 久久国产精品影院| 七月丁香在线播放| 亚洲成av片中文字幕在线观看| 国产精品熟女久久久久浪| 最黄视频免费看| 一区二区日韩欧美中文字幕| netflix在线观看网站| 大香蕉久久成人网| 搡老岳熟女国产| 日日夜夜操网爽| 日韩一本色道免费dvd| 十八禁高潮呻吟视频| 久久人人爽av亚洲精品天堂| 美女脱内裤让男人舔精品视频| 久久久久久免费高清国产稀缺| 国产男人的电影天堂91| 国产精品.久久久| 一级黄色大片毛片| 十分钟在线观看高清视频www| 高清视频免费观看一区二区| 国产片特级美女逼逼视频| 少妇人妻 视频| a级片在线免费高清观看视频| 一本大道久久a久久精品| 观看av在线不卡| 成人午夜精彩视频在线观看| 国语对白做爰xxxⅹ性视频网站| 制服诱惑二区| 午夜免费观看性视频| 91九色精品人成在线观看| 如日韩欧美国产精品一区二区三区| 天天影视国产精品| 在线观看免费高清a一片| 国产成人影院久久av| 搡老岳熟女国产| 在线观看免费高清a一片| 又大又爽又粗| 在线观看一区二区三区激情| 男女高潮啪啪啪动态图| 精品人妻熟女毛片av久久网站| 好男人视频免费观看在线| 人成视频在线观看免费观看| 超碰97精品在线观看| 操美女的视频在线观看| 成人午夜精彩视频在线观看| 国产av国产精品国产| 51午夜福利影视在线观看| 秋霞在线观看毛片| 国产欧美日韩综合在线一区二区| 搡老岳熟女国产| 久久综合国产亚洲精品| 色网站视频免费| 在线 av 中文字幕|