• <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
    国产视频一区二区在线看| 精品国内亚洲2022精品成人| 一个人观看的视频www高清免费观看 | 高清av免费在线| 欧美午夜高清在线| 国产免费av片在线观看野外av| 巨乳人妻的诱惑在线观看| 国产男靠女视频免费网站| 纯流量卡能插随身wifi吗| 丰满饥渴人妻一区二区三| 久久国产精品影院| 亚洲色图av天堂| 热99国产精品久久久久久7| 中文字幕精品免费在线观看视频| 9色porny在线观看| 老司机午夜福利在线观看视频| 国产三级黄色录像| 男女之事视频高清在线观看| 久久精品成人免费网站| 国产麻豆69| 两人在一起打扑克的视频| 亚洲国产中文字幕在线视频| 亚洲 欧美一区二区三区| 好看av亚洲va欧美ⅴa在| 变态另类成人亚洲欧美熟女 | 亚洲专区国产一区二区| 三上悠亚av全集在线观看| 亚洲国产精品999在线| 国产真人三级小视频在线观看| 亚洲视频免费观看视频| 99国产精品免费福利视频| а√天堂www在线а√下载| 一区在线观看完整版| 婷婷丁香在线五月| 可以在线观看毛片的网站| 日韩国内少妇激情av| a级毛片黄视频| 亚洲精品中文字幕在线视频| 亚洲成人免费av在线播放| 久久狼人影院| 国产精品一区二区三区四区久久 | 国产精品一区二区在线不卡| 在线国产一区二区在线| 在线观看免费视频日本深夜| 好男人电影高清在线观看| 亚洲自拍偷在线| 欧美午夜高清在线| 国产精品九九99| 日本免费a在线| 99在线视频只有这里精品首页| av网站在线播放免费| 日日摸夜夜添夜夜添小说| 曰老女人黄片| 日韩免费av在线播放| 亚洲专区中文字幕在线| 9热在线视频观看99| 激情视频va一区二区三区| 在线观看66精品国产| 欧美久久黑人一区二区| 法律面前人人平等表现在哪些方面| 99久久精品国产亚洲精品| 精品国产乱子伦一区二区三区| 日本黄色视频三级网站网址| 日韩三级视频一区二区三区| 波多野结衣一区麻豆| 亚洲情色 制服丝袜| 可以在线观看毛片的网站| 一级黄色大片毛片| 国产精品二区激情视频| 黄色片一级片一级黄色片| 日日爽夜夜爽网站| 大型黄色视频在线免费观看| 亚洲九九香蕉| 两人在一起打扑克的视频| 高潮久久久久久久久久久不卡| www.熟女人妻精品国产| 国产蜜桃级精品一区二区三区| a级片在线免费高清观看视频| 国产成人系列免费观看| 国产精品一区二区三区四区久久 | 女生性感内裤真人,穿戴方法视频| 国产成人精品在线电影| cao死你这个sao货| av福利片在线| 美女扒开内裤让男人捅视频| 淫妇啪啪啪对白视频| 中文字幕精品免费在线观看视频| 看片在线看免费视频| 久久精品影院6| 99在线人妻在线中文字幕| 亚洲狠狠婷婷综合久久图片| 视频在线观看一区二区三区| 69av精品久久久久久| 老鸭窝网址在线观看| 亚洲一区二区三区欧美精品| 中文字幕人妻熟女乱码| 国产精品秋霞免费鲁丝片| 欧美成人免费av一区二区三区| 9色porny在线观看| 国产免费男女视频| www日本在线高清视频| 女人爽到高潮嗷嗷叫在线视频| 日本黄色视频三级网站网址| 国产精品久久久av美女十八| 一进一出好大好爽视频| 免费高清视频大片| 99国产精品一区二区蜜桃av| 亚洲一区高清亚洲精品| 欧美中文综合在线视频| 久久国产亚洲av麻豆专区| 一区二区三区激情视频| 免费看a级黄色片| 日韩欧美三级三区| 国产av精品麻豆| 又大又爽又粗| 男人操女人黄网站| bbb黄色大片| 最近最新中文字幕大全电影3 | 亚洲自偷自拍图片 自拍| 欧美性长视频在线观看| 亚洲午夜精品一区,二区,三区| ponron亚洲| 在线免费观看的www视频| av有码第一页| 亚洲av熟女| 午夜老司机福利片| 久久午夜综合久久蜜桃| 又黄又粗又硬又大视频| 99久久人妻综合| 亚洲精品一二三| 久久久精品欧美日韩精品| 亚洲人成电影免费在线| 99久久综合精品五月天人人| 亚洲av成人一区二区三| 777久久人妻少妇嫩草av网站| 国产欧美日韩一区二区三区在线| 欧美在线黄色| 欧美激情极品国产一区二区三区| 中文字幕另类日韩欧美亚洲嫩草| 亚洲一卡2卡3卡4卡5卡精品中文| 久久国产精品人妻蜜桃| 日韩免费高清中文字幕av| 色婷婷久久久亚洲欧美| www.自偷自拍.com| 黄片小视频在线播放| 亚洲欧美一区二区三区黑人| 十八禁人妻一区二区| 精品午夜福利视频在线观看一区| 国产高清国产精品国产三级| 咕卡用的链子| 岛国在线观看网站| 丰满饥渴人妻一区二区三| 啦啦啦免费观看视频1| 五月开心婷婷网| 18禁美女被吸乳视频| 精品无人区乱码1区二区| 国产精品一区二区在线不卡| 丁香六月欧美| 国产精品一区二区精品视频观看| 黄色女人牲交| 一级片免费观看大全| 国内久久婷婷六月综合欲色啪| 亚洲欧美精品综合一区二区三区| 在线永久观看黄色视频| 1024视频免费在线观看| xxx96com| 国产高清视频在线播放一区| 久久久久久久午夜电影 | 日韩免费av在线播放| 久久久精品欧美日韩精品| 最近最新免费中文字幕在线| 精品熟女少妇八av免费久了| 婷婷丁香在线五月| 日韩国内少妇激情av| 国产精品久久久久成人av| 亚洲中文字幕日韩| 亚洲国产精品sss在线观看 | 亚洲五月婷婷丁香| 日本三级黄在线观看| 精品国产国语对白av| 久久婷婷成人综合色麻豆| 精品人妻在线不人妻| 亚洲精品粉嫩美女一区| 电影成人av| 极品人妻少妇av视频| 免费观看精品视频网站| 岛国在线观看网站| av天堂在线播放| 免费高清视频大片| 99精品久久久久人妻精品| 国产高清国产精品国产三级| 美国免费a级毛片| 999久久久国产精品视频| 在线永久观看黄色视频| 久久中文字幕人妻熟女| 免费在线观看黄色视频的| 国产成人av激情在线播放| 丝袜在线中文字幕| 精品国产美女av久久久久小说| 国产亚洲精品久久久久5区| 首页视频小说图片口味搜索| 欧美乱码精品一区二区三区| 亚洲精品中文字幕在线视频| 久久精品国产亚洲av香蕉五月| 美女高潮喷水抽搐中文字幕| av超薄肉色丝袜交足视频| 法律面前人人平等表现在哪些方面| 一本综合久久免费| 亚洲美女黄片视频| 亚洲黑人精品在线| 美女扒开内裤让男人捅视频| 91九色精品人成在线观看| 成人av一区二区三区在线看| 欧美黑人欧美精品刺激| 青草久久国产| 婷婷丁香在线五月| 中文字幕高清在线视频| 岛国在线观看网站| 欧美日韩黄片免| 久久天堂一区二区三区四区| av网站免费在线观看视频| 美女扒开内裤让男人捅视频| 欧美乱色亚洲激情| 国产99久久九九免费精品| 亚洲欧美一区二区三区久久| 天天躁夜夜躁狠狠躁躁| 亚洲精品粉嫩美女一区| 嫁个100分男人电影在线观看| 男人操女人黄网站| 欧美日韩亚洲国产一区二区在线观看| 中文字幕精品免费在线观看视频| 亚洲伊人色综图| 91麻豆精品激情在线观看国产 | 人妻丰满熟妇av一区二区三区| 成人永久免费在线观看视频| 日韩欧美国产一区二区入口| 成在线人永久免费视频| 大香蕉久久成人网| av网站在线播放免费| 真人做人爱边吃奶动态| 天天躁夜夜躁狠狠躁躁| 亚洲第一青青草原| 天堂中文最新版在线下载| av福利片在线| 国产高清国产精品国产三级| 亚洲va日本ⅴa欧美va伊人久久| 亚洲全国av大片| 国产一区二区在线av高清观看| 久久精品成人免费网站| 美女扒开内裤让男人捅视频| 国产精品乱码一区二三区的特点 | 黄色 视频免费看| 巨乳人妻的诱惑在线观看| 五月开心婷婷网| 国产熟女午夜一区二区三区| 精品欧美一区二区三区在线| 亚洲欧美一区二区三区久久| 国产野战对白在线观看| 亚洲国产欧美一区二区综合| 精品国产乱子伦一区二区三区| 一区二区三区激情视频| 午夜福利一区二区在线看| 日韩av在线大香蕉| 成人18禁在线播放| 夜夜看夜夜爽夜夜摸 | 亚洲人成77777在线视频| 国产区一区二久久| 久久精品国产综合久久久| 18禁观看日本| 国产午夜精品久久久久久| 国产精品秋霞免费鲁丝片| 激情在线观看视频在线高清| av在线播放免费不卡| 国产一区二区三区在线臀色熟女 | x7x7x7水蜜桃| 国产97色在线日韩免费| 欧美成人免费av一区二区三区| 夫妻午夜视频| 一级毛片女人18水好多| 欧美日韩av久久| 一边摸一边做爽爽视频免费| 亚洲中文字幕日韩| 伊人久久大香线蕉亚洲五| 国产蜜桃级精品一区二区三区| 免费看十八禁软件| 中文字幕av电影在线播放| 国产深夜福利视频在线观看| 99国产精品一区二区蜜桃av| 久久人人爽av亚洲精品天堂| 亚洲 国产 在线| 成人免费观看视频高清| 欧美亚洲日本最大视频资源| 亚洲中文av在线| 美女 人体艺术 gogo| 欧美日韩国产mv在线观看视频| 亚洲自拍偷在线| 男女之事视频高清在线观看| 久久影院123| 久久久久久免费高清国产稀缺| 亚洲第一青青草原| 免费在线观看亚洲国产| 日韩国内少妇激情av| 国产成年人精品一区二区 | 两个人免费观看高清视频| 亚洲成a人片在线一区二区| 免费在线观看影片大全网站| 成人手机av| 九色亚洲精品在线播放| 男女之事视频高清在线观看| 国产成+人综合+亚洲专区| 国产精品日韩av在线免费观看 | 亚洲中文字幕日韩| 最近最新免费中文字幕在线| 9热在线视频观看99| 欧美日韩亚洲综合一区二区三区_| 可以在线观看毛片的网站| 亚洲成人国产一区在线观看| 国产人伦9x9x在线观看| 国产欧美日韩一区二区三| 成人三级做爰电影| 在线视频色国产色| 97超级碰碰碰精品色视频在线观看| 12—13女人毛片做爰片一| 18禁裸乳无遮挡免费网站照片 | 精品欧美一区二区三区在线| 亚洲国产毛片av蜜桃av| 国产区一区二久久| 欧美日本亚洲视频在线播放| 亚洲成a人片在线一区二区| 日韩免费av在线播放| 国产精华一区二区三区| 天堂俺去俺来也www色官网| av网站免费在线观看视频| 超碰成人久久| 欧美激情高清一区二区三区| 国产成+人综合+亚洲专区| 国产精品爽爽va在线观看网站 | 99精品久久久久人妻精品| 成人特级黄色片久久久久久久| 久久亚洲真实| 水蜜桃什么品种好| av超薄肉色丝袜交足视频| 色婷婷久久久亚洲欧美| 高清黄色对白视频在线免费看| 精品久久久精品久久久| 欧美激情高清一区二区三区| 一本大道久久a久久精品| 亚洲人成77777在线视频| 中文字幕av电影在线播放| 中文字幕人妻丝袜一区二区| 亚洲欧美日韩高清在线视频| 一二三四社区在线视频社区8| 天堂影院成人在线观看| 91麻豆精品激情在线观看国产 | 欧美激情极品国产一区二区三区| 国产精品电影一区二区三区| 啦啦啦 在线观看视频| 日本三级黄在线观看| 久久狼人影院| √禁漫天堂资源中文www| 精品一区二区三卡| 午夜久久久在线观看| 国产又爽黄色视频| 国产亚洲欧美精品永久| 久久精品aⅴ一区二区三区四区| 人妻久久中文字幕网| 色在线成人网| 国产成人欧美在线观看| 美女午夜性视频免费| 亚洲第一欧美日韩一区二区三区| 精品一区二区三卡| 日韩欧美在线二视频| avwww免费| 色综合欧美亚洲国产小说| 色在线成人网| 大码成人一级视频| 亚洲精品久久成人aⅴ小说| 一级片'在线观看视频| 美女午夜性视频免费| 欧美成人免费av一区二区三区| 国产在线观看jvid| 亚洲avbb在线观看| 在线永久观看黄色视频| 久久热在线av| 天堂√8在线中文| 怎么达到女性高潮| 女性生殖器流出的白浆| 9191精品国产免费久久| 欧美日韩亚洲综合一区二区三区_| 女人爽到高潮嗷嗷叫在线视频| av在线天堂中文字幕 | 亚洲精品美女久久久久99蜜臀| 久久人妻av系列| 国产一卡二卡三卡精品| 亚洲欧美日韩高清在线视频| 国产三级黄色录像| 韩国av一区二区三区四区| 国产精品av久久久久免费| 国产亚洲精品综合一区在线观看 | 欧美日韩瑟瑟在线播放| 国产精品 国内视频| 亚洲专区国产一区二区| 青草久久国产| 纯流量卡能插随身wifi吗| 免费在线观看黄色视频的| 好男人电影高清在线观看| 精品国产一区二区久久| 日本五十路高清| 亚洲成a人片在线一区二区| 国产野战对白在线观看| 成人亚洲精品av一区二区 | 精品国内亚洲2022精品成人| videosex国产| 亚洲自偷自拍图片 自拍| 精品免费久久久久久久清纯| 一边摸一边抽搐一进一出视频| 母亲3免费完整高清在线观看| 亚洲色图av天堂| 1024视频免费在线观看| 欧美日韩黄片免| 99香蕉大伊视频| 18禁观看日本| 首页视频小说图片口味搜索| 一区福利在线观看| 国产av一区在线观看免费| 久久中文看片网| 午夜免费鲁丝| 一个人免费在线观看的高清视频| 国产免费男女视频| 69av精品久久久久久| 一二三四在线观看免费中文在| 久久久久国内视频| 国产99白浆流出| a级毛片在线看网站| 国产伦一二天堂av在线观看| 高清黄色对白视频在线免费看| 国产精品1区2区在线观看.| 99riav亚洲国产免费| 欧美日韩黄片免| 18禁黄网站禁片午夜丰满| 亚洲少妇的诱惑av| 国产亚洲欧美精品永久| 久久中文看片网| 欧美最黄视频在线播放免费 | 黄色怎么调成土黄色| 国产亚洲欧美在线一区二区| 无限看片的www在线观看| 大型av网站在线播放| 久久国产精品影院| 一级作爱视频免费观看| 51午夜福利影视在线观看| 女性被躁到高潮视频| 久久久久久久久久久久大奶| 国产99白浆流出| 热99re8久久精品国产| 无遮挡黄片免费观看| www.精华液| 岛国视频午夜一区免费看| 国产成人av激情在线播放| 久久久久久久午夜电影 | 国产成人影院久久av| 999久久久精品免费观看国产| 欧美人与性动交α欧美精品济南到| 久久欧美精品欧美久久欧美| 成人亚洲精品av一区二区 | 成人精品一区二区免费| 日日干狠狠操夜夜爽| 九色亚洲精品在线播放| 日韩欧美一区二区三区在线观看| 人人澡人人妻人| 91成年电影在线观看| 欧美 亚洲 国产 日韩一| 一级,二级,三级黄色视频| 999久久久精品免费观看国产| 国产成人av教育| 天天影视国产精品| 久久午夜综合久久蜜桃| 视频区欧美日本亚洲| 精品国产国语对白av| 亚洲精品中文字幕一二三四区| 亚洲精品成人av观看孕妇| 69精品国产乱码久久久| 欧美av亚洲av综合av国产av| 成年女人毛片免费观看观看9| 精品午夜福利视频在线观看一区| 国产成人精品无人区| 亚洲国产欧美网| 国产欧美日韩精品亚洲av| 黑人欧美特级aaaaaa片| 国产免费av片在线观看野外av| 国产色视频综合| 日本一区二区免费在线视频| 成人特级黄色片久久久久久久| 18美女黄网站色大片免费观看| 女性被躁到高潮视频| 免费女性裸体啪啪无遮挡网站| 午夜日韩欧美国产| 久久精品人人爽人人爽视色| 看黄色毛片网站| 一个人免费在线观看的高清视频| 窝窝影院91人妻| 国产精品九九99| 国产成人精品久久二区二区免费| 免费高清在线观看日韩| 91九色精品人成在线观看| 日韩欧美一区视频在线观看| 国产亚洲欧美在线一区二区| 人人妻人人添人人爽欧美一区卜| 99在线人妻在线中文字幕| 脱女人内裤的视频| 深夜精品福利| 久久午夜综合久久蜜桃| 人人妻人人爽人人添夜夜欢视频| 丰满人妻熟妇乱又伦精品不卡| 男女下面进入的视频免费午夜 | 美女国产高潮福利片在线看| 最近最新中文字幕大全免费视频| 国产乱人伦免费视频| 中亚洲国语对白在线视频| 水蜜桃什么品种好| 啪啪无遮挡十八禁网站| 老司机亚洲免费影院| 俄罗斯特黄特色一大片| 亚洲自偷自拍图片 自拍| 啪啪无遮挡十八禁网站| 久久久久国产精品人妻aⅴ院| 久久人妻福利社区极品人妻图片| 99久久99久久久精品蜜桃| 伊人久久大香线蕉亚洲五| 国产欧美日韩综合在线一区二区| 国产精品永久免费网站| 国内久久婷婷六月综合欲色啪| 久久婷婷成人综合色麻豆| 日韩视频一区二区在线观看| 国产av一区在线观看免费| 波多野结衣av一区二区av| 69精品国产乱码久久久| 欧美日韩av久久| 亚洲激情在线av| 人人妻人人澡人人看| 亚洲av五月六月丁香网| 黄片小视频在线播放| 一进一出抽搐动态| 在线十欧美十亚洲十日本专区| 久久精品国产清高在天天线| 老司机午夜十八禁免费视频| 麻豆成人av在线观看| 久久精品人人爽人人爽视色| 午夜成年电影在线免费观看| 动漫黄色视频在线观看| 亚洲精品国产精品久久久不卡| 18禁黄网站禁片午夜丰满| 午夜日韩欧美国产| 日韩成人在线观看一区二区三区| 国产黄色免费在线视频| 在线观看66精品国产| 美女大奶头视频| 极品人妻少妇av视频| 91在线观看av| 亚洲精品在线观看二区| 一夜夜www| 精品日产1卡2卡| 亚洲精品中文字幕在线视频| 丝袜美腿诱惑在线| 伦理电影免费视频| 欧美一区二区精品小视频在线| 国内毛片毛片毛片毛片毛片| 制服人妻中文乱码| 婷婷精品国产亚洲av在线| 丝袜人妻中文字幕| av电影中文网址| 91精品三级在线观看| 精品久久久久久成人av| 韩国精品一区二区三区| 99riav亚洲国产免费| 无限看片的www在线观看| 国产精品二区激情视频| 中文字幕色久视频| 亚洲成人久久性| 成熟少妇高潮喷水视频| 日韩三级视频一区二区三区| 日韩精品中文字幕看吧| 精品熟女少妇八av免费久了| 美女午夜性视频免费| 免费在线观看日本一区| 最近最新中文字幕大全免费视频| 免费在线观看影片大全网站| 一级片'在线观看视频| 国产黄a三级三级三级人| 色老头精品视频在线观看| 女警被强在线播放| 激情视频va一区二区三区| 99久久精品国产亚洲精品| 亚洲视频免费观看视频| av电影中文网址| 亚洲色图 男人天堂 中文字幕| 亚洲国产精品sss在线观看 | 亚洲av电影在线进入| 久久国产精品影院| 亚洲欧美激情综合另类| 国产一卡二卡三卡精品| 美国免费a级毛片| 成年人黄色毛片网站| 国产真人三级小视频在线观看| 国产激情欧美一区二区| 久久久久久久久久久久大奶| 午夜免费成人在线视频| 久久国产精品人妻蜜桃| 性色av乱码一区二区三区2| 亚洲国产欧美日韩在线播放| 亚洲精品国产一区二区精华液| 五月开心婷婷网| 亚洲五月色婷婷综合| 国产区一区二久久| 国产精品一区二区三区四区久久 |