• <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CNN的電力數(shù)據(jù)分析模型研究

    2023-11-01 02:01:04黃朝凱吳丹妍鄭惠哲黃小奇
    自動化儀表 2023年10期
    關鍵詞:檢測模型

    黃朝凱,吳丹妍,鄭惠哲,黃小奇

    (廣東電網(wǎng)有限責任公司汕頭供電局,廣東 汕頭 515041)

    0 引言

    隨著網(wǎng)絡、大數(shù)據(jù)、物聯(lián)網(wǎng)、通信技術[1-3]的不斷發(fā)展,智能電網(wǎng)可基于智能電表收集大量用電數(shù)據(jù)。因此,對這些海量數(shù)據(jù)進行分析,可推動電力系統(tǒng)服務質量的提升。然而,在電力供應過程中存在有意或無意攻擊引起的異常用電行為,如非技術損失[4-5]的竊電行為。這種違法行為不僅嚴重擾亂了電力的正常使用,而且給電力系統(tǒng)造成了巨大的經濟損失。同時,未經授權修改線路或儀表容易導致停電和火災等事故,并對相關電力系統(tǒng)的安全構成嚴重威脅。

    為此,大量學者對電力系統(tǒng)竊電檢測方法進行研究,并取得了豐碩成果。文獻[6]提出了基于遺傳算法-反向傳播(genetic algorithm- back propagation,GA-BP)神經網(wǎng)絡的竊漏電用戶識別方法,可實現(xiàn)電力系統(tǒng)實時運行數(shù)據(jù)記錄和竊漏電用戶識別。文獻[7]提出了1種基于隨機森林(random forest,RF)的電網(wǎng)用戶竊電檢測方法。文獻[8]提出了基于時延細胞神經網(wǎng)絡提取特征和支持向量機(support vector machine,SVM)的竊電檢測方法。文獻[9]基于差分整合移動平均自回歸模型和遞歸貝葉斯(recursive Bayes,RB),構建了1種針對配電網(wǎng)低壓竊電行為的識別方法。這些傳統(tǒng)的數(shù)據(jù)挖掘方法易于實現(xiàn),適用于小樣本的竊電檢測。

    然而,這些方法特征提取能力低且檢測精度有限。相對而言,深度神經網(wǎng)絡不僅具有強大的特征提取能力,而且可以映射復雜的非線性關系。這使其相比傳統(tǒng)方法具有更高的檢測精度[10-11]。此外,竊電檢測中另一個嚴重的問題是數(shù)據(jù)集中沒有足夠數(shù)量的竊電功率曲線。該問題為深度學習、SVM等監(jiān)督學習方法帶來了挑戰(zhàn)。因此,有必要使用有限的竊電功率曲線進行數(shù)據(jù)增強,從而提高模型檢測精度。

    為改善上述問題,本文提出了1種基于卷積神經網(wǎng)絡(convolutional neural network,CNN)的電力數(shù)據(jù)分析模型。首先,為了提高竊電檢測的準確性,本文提出了1種基于條件變分自動編碼器的竊電曲線數(shù)據(jù)增強方法。其次,本文設計了基于CNN的竊電檢測分類模型。

    1 基于條件變分自動編碼器的數(shù)據(jù)增強

    1.1 條件變分自動編碼器

    一般情況下,變分自動編碼器主要根據(jù)歷史數(shù)據(jù)X={x1,x2,…,xn}學習竊電功率曲線數(shù)據(jù)分布pθ(X)。竊電功率曲線數(shù)據(jù)分布可以分解為:

    (1)

    式中:n為歷史數(shù)據(jù)個數(shù)。

    為了簡化計算過程,可對式(1)應用對數(shù)函數(shù),獲得如式(2)所示結果。

    (2)

    本文令功率曲線的每個數(shù)據(jù)點包含潛在變量z,則任意數(shù)據(jù)點x可以重構如下。

    (3)

    式中:pθ(z)為先驗概率;pθ(x|z)為后驗概率。

    竊電功率曲線的生成過程通常包含以下步驟。

    首先,根據(jù)pθ(z)獲得潛在變量z;然后,根據(jù)pθ(x|z)生成竊電功率曲線pθ(x)。

    然而,一般情況下pθ(z)以及pθ(x|z)無法獲取。根據(jù)貝葉斯式,有:

    (4)

    由于后驗概率通常非常復雜,因此可基于1個簡單的分布和參數(shù)φ近似估計后驗概率。

    為有效獲取竊電功率曲線的分布,根據(jù)式(2),可先對log∏pθ(xi)進行估計。基于Kullback-Leibler散度與變分下界定義,有:

    (5)

    Eqφ(z|x)[-logqφ(z|x)+logpθ(x|z)]

    (6)

    本文將Kullback-Leibler散度用作對數(shù)似然的下界,則:

    logpθ(x)≥L(θ,φ;x)

    (7)

    在這種情況下,L(θ,φ;x)可為:

    Eqφ(z|x)[logpθ(x|z)]

    (8)

    基于上述條件,模型可以參數(shù)化為:

    (9)

    式中:f和g分別為具有1組參數(shù)的深度神經網(wǎng)絡。

    Eqφ(z|x){logpθ[(x|y)|z]}

    (10)

    1.2 數(shù)據(jù)增強過程

    條件變分自動編碼器的主要優(yōu)點是不需要假設竊電功率曲線的概率分布,因此只需要少量樣本即可訓練模型,且可以生成與原始竊電功率曲線相似的樣本。生成竊電功率曲線的執(zhí)行流程如圖1所示。

    圖1 生成竊電功率曲線的執(zhí)行流程Fig.1 Execution process for generating power theft curves

    根據(jù)圖1,基于條件變分自動編碼器的數(shù)據(jù)增強過程描述如下。

    ①在將數(shù)據(jù)輸入條件變分自動編碼器前,必須對竊電曲線的數(shù)據(jù)進行預處理,如歸一化操作等。否則,訓練的收斂速度將較慢,并且訓練模型的性能將較差。因此,在保留數(shù)據(jù)的統(tǒng)計特征的同時,本文基于最小-最大重縮放變換將所有特征轉換為固定范圍[m,M]。對于給定的時間序列{xi},數(shù)據(jù)重縮放過程可表示為:

    (11)

    (12)

    式中:xmax為時間序列{xi}的最大值。

    ②使用深度CNN構造編碼器,將輸入數(shù)據(jù)映射到低維潛在變量,計算編碼器輸出數(shù)據(jù)的均值和方差,用于生成相應的高斯噪聲。所得高斯噪聲為解碼器的輸入數(shù)據(jù)。

    ③將高斯噪聲饋送到由深度轉置CNN組成的解碼器,從而生成新的竊電功率曲線。利用解碼器的輸出數(shù)據(jù)和實際數(shù)據(jù)計算損失函數(shù)。該損失函數(shù)用于通過反向傳播方法更新編碼器和解碼器的權重。

    ④在訓練條件變分自動編碼器后,將高斯噪聲饋送到解碼器,以生成指定攻擊模型下的竊電功率曲線。將生成的竊電功率曲線和來自訓練集的原始樣本進行融合,以形成增強數(shù)據(jù)集,并分別代入分類器進行訓練,以實現(xiàn)竊電檢測。

    2 基于深度學習的竊電檢測

    2.1 竊電曲線分類

    竊電功率曲線可分為4類,分別為一般竊電、拒絕攻擊竊電、注入攻擊竊電和交換攻擊竊電。

    一般竊電功率曲線低于正常功率,具體可表示為:

    (13)

    改裝路由表、丟棄數(shù)據(jù)包和斷開連接電表等攻擊會導致拒絕服務。在這種情況下,電力表將停止報告消費者信息,即電力表數(shù)值為0。上述攻擊下竊電功率曲線描述為:

    (14)

    虛假信息攻擊通過信息注入、特權訪問、錯誤配置等手段生成虛假消費記錄。注入攻擊模型下,竊電功率曲線描述為:

    (15)

    此外,交換低電價時段和高電價時段之間的消費記錄,也構成竊電行為。其竊電功率曲線描述為:

    (16)

    2.2 基于CNN的竊電檢測模型

    作為深度學習技術的代表算法之一,CNN以其強大的特征提取能力而廣泛應用于圖像分類、故障診斷和時間序列預測等領域。與傳統(tǒng)分類方法相比,CNN不僅可以映射更復雜的非線性關系,而且具有良好的泛化能力。因此,本文選擇CNN作為竊電檢測的分類器。

    2.2.1 模型結構

    CNN由卷積層、池化層、展平層、全連接層等組成。具體而言,卷積層和池化層負責提取竊電功率曲線的特征。其數(shù)學式如下。

    (17)

    式中:xi為第i個卷積層的輸入數(shù)據(jù);yi為第i個卷積層的輸出數(shù)據(jù);y′為第i個最大池層的輸出數(shù)據(jù);fi為激活函數(shù);bi和wi分別為第i個卷積層的偏移向量和權重。

    為了緩解過度擬合,本文引入Dropout層以使某些神經元以一定的概率失去效能。同時,全連接層的數(shù)學式為:

    (18)

    考慮用電功率曲線的特點,本文提出的CNN結構如圖2所示。

    圖2 CNN結構示意圖Fig.2 Schematic diagram of CNN structure

    圖2中方塊表示特征的維度,且每個特征大小已在方塊上方說明。首先,為了便于訓練,本文使用1×49維用電功率曲線將數(shù)據(jù)預處理為三維向量,并將其作為卷積層的輸入數(shù)據(jù)。然后,本文使用2個卷積層和最大池層來提取功率曲線的關鍵特征。此外,2個卷積層中的卷積核數(shù)量分別為16和32。池化層后面接1個Dropout層,并令失效概率為0.25。最后,模型包括2個完全連接層,分別有15個和6個神經元。同時,模型中除最后一層使用softmax函數(shù)作為激活函數(shù),其余層均使用ReLU函數(shù)作為激活函數(shù)。損失函數(shù)是分類交叉熵。優(yōu)化器是Adadelta算法。

    2.2.2 損失函數(shù)

    一般情況下,網(wǎng)絡訓練時采用測量預測輸出的絕對誤差作為損失函數(shù)。具體描述如式(19)所示。

    (19)

    (20)

    (21)

    式中:α為調整權重的常數(shù)。

    (22)

    此外,對于第i個數(shù)據(jù)鏈,時間步t處的用電功率曲線可計算如下。

    (23)

    (24)

    (25)

    因此,縮放前的絕對誤差計算如下。

    (26)

    在原始尺度上,不同樣本的絕對誤差具有不同的重要性??紤]到誤差率為評估結果更常用的測量方法,本文進一步修正每個樣本的損失。具體計算式如式(27)所示。

    (27)

    3 仿真與分析

    3.1 數(shù)據(jù)集

    為驗證所提模型的有效性,本節(jié)基于中國某電網(wǎng)公司智能電表數(shù)據(jù)集進行模擬和分析。該數(shù)據(jù)集統(tǒng)計了中國某市2018年3月至2020年12月住宅及部分商業(yè)用戶用電情況。功率曲線的采樣周期設置為30 min。本文根據(jù)竊電曲線分類模型,隨機選擇一些樣本生成竊電功率曲線,同時結合真實樣本構成混合電力數(shù)據(jù)樣本集。

    上述數(shù)據(jù)集中竊電功率曲線樣本均衡性較差,部分樣本數(shù)量較低。為此,本文根據(jù)所提基于條件變分自動編碼器的數(shù)據(jù)增強模型對竊電數(shù)據(jù)進行增強,從而進一步提高樣本均衡性、加快模型訓練速度及訓練性能。數(shù)據(jù)增強后樣本集數(shù)據(jù)統(tǒng)計情況如表1所示。

    表1 數(shù)據(jù)增強后樣本集數(shù)據(jù)統(tǒng)計情況Tab.1 Data statistics of sample set after data enhancement

    3.2 仿真環(huán)境與參數(shù)設置

    為保證相同試驗條件,所有試驗均運行在相同的環(huán)境。仿真環(huán)境具體如下:軟件環(huán)境為由pycharm搭建算法框架,并由Python基于keras 2.2.4和tensorflow 1.12.0搭建CNN基礎網(wǎng)絡;硬件環(huán)境為酷睿i7 CPU、內存為128 GB ARM的聯(lián)想服務器;操作系統(tǒng)為Ubuntu 18.04 64位,顯卡為 NVIDIA RTX2080Ti 11G。

    本文采用隨機梯度下降(stochastic gradient descent,SGD)優(yōu)化器訓練模型。試驗時,部分參數(shù)定義如下:批量大小設置為16;初始學習率設置為10-2;學習率衰減率設置為10-1;學習率衰減周期設置為10;最大迭代次數(shù)設置為150;每次迭代訓練次數(shù)設置為100次。為消除試驗過程因隨機誤差造成的影響,本文對不同模型分別執(zhí)行30組試驗,并取平均值作為測試結果。

    3.3 性能分析

    3.3.1 基礎網(wǎng)絡性能對比分析

    首先,本節(jié)對比了所提模型與RF、SVM、RB、人工神經網(wǎng)絡(artificial neural network,ANN)等模型的性能,從而驗證所提模型的優(yōu)勢。試驗時選取均方根誤差(root mean square error,RMSE)指標來衡量模型性能。RMSE計算如式(28)所示。

    (28)

    式中:Pi為第i個樣本的真實值;Oi為第i個樣本的估計值。

    RMSE較小表示模型估計能力較高,較大表示模型估計能力較低。不同模型比較結果如表2所示。

    表2 不同模型比較結果Tab.2 Comparison results of different models

    由表2可知,RF和SVM模型在測試數(shù)據(jù)上產生的RMSE通常比在訓練數(shù)據(jù)上產生的RMSE高得多。這表明這些模型存在過度擬合問題。同時,RB和ANN等模型較RF和SVM模型性能有所提升,但RMSE仍有提升空間。所提模型性能優(yōu)勢明顯,訓練集中RMSE為3.69%,測試集中為4.80%。所提模型較RB和ANN在測試集中的RMSE分別下降5.26%和4.09%。

    3.3.2 數(shù)據(jù)增強策略性能分析

    為了驗證所提模型生成竊電功率曲線的有效性,本節(jié)對比了基于隨機過采樣(random over-sampling,ROS)、人工少數(shù)類過采樣技術(synthetic minority over-sampling technique,SMOTE)和生成對抗網(wǎng)絡(generative adversarial network,GAN)等數(shù)據(jù)增強算法在所提基礎CNN模型下的性能。對比指標分別選取準確率、F1分數(shù)和G均值。其中,指標G均值可有效評估不平衡樣本性能。不同數(shù)據(jù)增強方法性能對比如表3所示。

    表3 不同數(shù)據(jù)增強方法性能對比Tab.3 Performance comparison of different data enhancement methods

    由表3可知,通過不同方法增加數(shù)據(jù)后,基礎CNN的檢測性能得到了顯著改善。具體而言,在通過ROS進行數(shù)據(jù)增強后,與原始數(shù)據(jù)集相比,CNN的準確率、F1分數(shù)和G均值分別提高了2.00%、1.64%和1.69%。經過SOMTE數(shù)據(jù)增強后,與原始數(shù)據(jù)集相比,CNN的準確率、F1分數(shù)和G均值分別提高了3.50%、2.90%和3.33%。經過GAN數(shù)據(jù)增強后,與原始數(shù)據(jù)集相比,CNN的準確率、F1分數(shù)和G均值分別提高了4.46%、4.46%和4.68%。經過無數(shù)據(jù)增強后,與原始數(shù)據(jù)集相比,CNN的準確率、F1分數(shù)和G均值分別提高了7.00%、6.65%和6.01%。因此,與現(xiàn)有的數(shù)據(jù)增強方法相比,所提數(shù)據(jù)增強方法可以根據(jù)竊電功率曲線的實際形狀和分布特征擴展訓練集,并且對CNN性能改善效果更優(yōu)。

    4 結論

    本文對電力網(wǎng)電力數(shù)據(jù)進行了研究與分析,建立了1種基于CNN的電力數(shù)據(jù)分析模型。首先,本文基于條件變分自動編碼器的數(shù)據(jù)增強,提高了樣本的多樣性和均衡性,提升了模型的準確性和訓練效率。其次,本文提出了1種基于CNN的竊電檢測模型,從而實現(xiàn)了用電數(shù)據(jù)的準確分類。該模型為電力數(shù)據(jù)分析及安全故障隱患的發(fā)現(xiàn)提供了借鑒。未來可對電力數(shù)據(jù)安全管理領域進行研究,如引入?yún)^(qū)塊鏈、云計算等技術提高混合配電網(wǎng)數(shù)據(jù)交互可靠性及效率,以進一步完善智能化電力故障診斷及定位方案。

    猜你喜歡
    檢測模型
    一半模型
    “不等式”檢測題
    “一元一次不等式”檢測題
    “一元一次不等式組”檢測題
    “幾何圖形”檢測題
    “角”檢測題
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權M-估計的漸近分布
    3D打印中的模型分割與打包
    小波變換在PCB缺陷檢測中的應用
    亚洲人与动物交配视频| 成人免费观看视频高清| 秋霞在线观看毛片| 综合色av麻豆| 自拍偷自拍亚洲精品老妇| 熟女av电影| 99久久人妻综合| 国产亚洲精品久久久com| 亚洲自偷自拍三级| 日日啪夜夜撸| 亚洲欧美日韩东京热| 亚洲精品乱码久久久v下载方式| 日韩制服骚丝袜av| 国产探花极品一区二区| 国产成人a区在线观看| 亚洲精品一区蜜桃| 欧美高清性xxxxhd video| 天堂俺去俺来也www色官网| 少妇猛男粗大的猛烈进出视频 | 一级毛片我不卡| 91久久精品国产一区二区三区| 精华霜和精华液先用哪个| av在线蜜桃| 国产精品一区二区在线观看99| 亚洲av中文字字幕乱码综合| 国产91av在线免费观看| 国产亚洲一区二区精品| 久久久久九九精品影院| 少妇裸体淫交视频免费看高清| 日韩av免费高清视频| 亚洲av福利一区| 国产成年人精品一区二区| 亚洲自偷自拍三级| 国产精品三级大全| 亚洲av免费在线观看| 国产一区亚洲一区在线观看| 亚洲欧美成人综合另类久久久| 欧美亚洲 丝袜 人妻 在线| 欧美xxⅹ黑人| 亚洲色图av天堂| 亚洲性久久影院| 尤物成人国产欧美一区二区三区| 国产欧美日韩一区二区三区在线 | 午夜亚洲福利在线播放| xxx大片免费视频| 成人国产av品久久久| 亚洲成色77777| 久久久欧美国产精品| 18禁动态无遮挡网站| 秋霞在线观看毛片| 毛片一级片免费看久久久久| 午夜免费鲁丝| 久久久精品94久久精品| 亚州av有码| 亚洲美女视频黄频| 国产精品国产三级专区第一集| 寂寞人妻少妇视频99o| 人妻制服诱惑在线中文字幕| 成人午夜精彩视频在线观看| 联通29元200g的流量卡| 啦啦啦啦在线视频资源| 秋霞在线观看毛片| 97精品久久久久久久久久精品| 王馨瑶露胸无遮挡在线观看| 美女xxoo啪啪120秒动态图| 久久久久久伊人网av| 2021天堂中文幕一二区在线观| 精品熟女少妇av免费看| 久久久久久久久久成人| 久久这里有精品视频免费| 亚洲国产精品国产精品| 乱码一卡2卡4卡精品| 亚洲欧美日韩另类电影网站 | 男女边摸边吃奶| 高清午夜精品一区二区三区| 在线a可以看的网站| 岛国毛片在线播放| 久久鲁丝午夜福利片| 97超碰精品成人国产| 成人午夜精彩视频在线观看| 真实男女啪啪啪动态图| 亚洲国产精品国产精品| 美女高潮的动态| 国产 精品1| 久久久久网色| 一区二区三区乱码不卡18| 亚洲精品影视一区二区三区av| 在线观看美女被高潮喷水网站| 久久ye,这里只有精品| 一本色道久久久久久精品综合| 少妇丰满av| 国产老妇女一区| 亚洲精品一区蜜桃| 人妻少妇偷人精品九色| 亚洲人与动物交配视频| 久久久精品94久久精品| www.色视频.com| 国产精品一及| 青青草视频在线视频观看| 亚洲高清免费不卡视频| 国产精品一区www在线观看| 女人被狂操c到高潮| 国产亚洲av片在线观看秒播厂| 美女视频免费永久观看网站| 热re99久久精品国产66热6| 最近2019中文字幕mv第一页| 亚洲精品成人av观看孕妇| 水蜜桃什么品种好| 久久人人爽人人片av| 午夜激情福利司机影院| 亚洲精品日本国产第一区| 简卡轻食公司| 婷婷色综合www| 最近手机中文字幕大全| 亚洲精品国产av成人精品| 毛片女人毛片| 色婷婷久久久亚洲欧美| 久久久久网色| 熟女人妻精品中文字幕| 99久国产av精品国产电影| 国语对白做爰xxxⅹ性视频网站| av国产久精品久网站免费入址| 国语对白做爰xxxⅹ性视频网站| 最后的刺客免费高清国语| 欧美xxxx黑人xx丫x性爽| 王馨瑶露胸无遮挡在线观看| 97热精品久久久久久| 国产免费视频播放在线视频| 91精品伊人久久大香线蕉| 国产免费视频播放在线视频| 女人十人毛片免费观看3o分钟| 亚洲精品久久午夜乱码| 校园人妻丝袜中文字幕| av在线天堂中文字幕| 亚洲最大成人av| 国产亚洲最大av| 久久久久久久午夜电影| 五月玫瑰六月丁香| 日韩三级伦理在线观看| 国产成年人精品一区二区| 国产成人91sexporn| 少妇被粗大猛烈的视频| 国产精品一及| 久久久精品94久久精品| 日韩强制内射视频| 亚洲欧洲日产国产| 国产亚洲午夜精品一区二区久久 | 最近中文字幕2019免费版| 小蜜桃在线观看免费完整版高清| 久久久精品免费免费高清| 日韩成人伦理影院| 成人高潮视频无遮挡免费网站| 国产成人一区二区在线| 最近中文字幕2019免费版| 天天一区二区日本电影三级| 成人午夜精彩视频在线观看| 亚洲精华国产精华液的使用体验| 国产精品不卡视频一区二区| 不卡视频在线观看欧美| 看免费成人av毛片| 夫妻性生交免费视频一级片| 最近中文字幕2019免费版| 国产免费一级a男人的天堂| 午夜日本视频在线| av在线观看视频网站免费| 亚洲精品成人久久久久久| 久久久成人免费电影| 精品一区二区免费观看| 成人黄色视频免费在线看| 国产精品无大码| 日日撸夜夜添| 日本猛色少妇xxxxx猛交久久| 欧美少妇被猛烈插入视频| 免费大片18禁| 男男h啪啪无遮挡| 久久久久国产精品人妻一区二区| 在线免费十八禁| 性色av一级| 欧美日韩亚洲高清精品| 亚洲图色成人| 亚洲av成人精品一区久久| 亚洲丝袜综合中文字幕| 亚洲国产日韩一区二区| 久久久久久久久久人人人人人人| 欧美最新免费一区二区三区| 成人毛片60女人毛片免费| 国产 一区精品| 国产精品久久久久久精品电影| av国产免费在线观看| www.色视频.com| www.色视频.com| 国产一区二区亚洲精品在线观看| 欧美日韩视频高清一区二区三区二| 嫩草影院入口| 少妇 在线观看| 亚洲一区二区三区欧美精品 | 99热这里只有是精品50| 免费看av在线观看网站| 狠狠精品人妻久久久久久综合| av在线老鸭窝| 精品久久久噜噜| 国产精品三级大全| 高清毛片免费看| 亚洲图色成人| 国产淫语在线视频| av在线亚洲专区| 九九在线视频观看精品| 久久久亚洲精品成人影院| 国产亚洲5aaaaa淫片| 免费av毛片视频| 有码 亚洲区| 久久韩国三级中文字幕| 在线免费十八禁| 熟妇人妻不卡中文字幕| 联通29元200g的流量卡| 日韩,欧美,国产一区二区三区| 国产高清不卡午夜福利| 亚洲av中文av极速乱| 又大又黄又爽视频免费| 国产国拍精品亚洲av在线观看| 最近中文字幕高清免费大全6| 国产片特级美女逼逼视频| 亚洲av不卡在线观看| 在线观看人妻少妇| 高清视频免费观看一区二区| 亚洲欧美一区二区三区黑人 | 久久久久国产网址| 色网站视频免费| 日日啪夜夜撸| 97超视频在线观看视频| 国产精品精品国产色婷婷| 一级毛片我不卡| 色视频www国产| 久久久a久久爽久久v久久| 黄色一级大片看看| av在线观看视频网站免费| 少妇的逼好多水| 性插视频无遮挡在线免费观看| 亚洲欧美一区二区三区国产| 久久久欧美国产精品| av在线蜜桃| 亚洲最大成人av| 久久久久久久国产电影| 欧美高清成人免费视频www| 制服丝袜香蕉在线| 免费观看a级毛片全部| 一级a做视频免费观看| 国产精品久久久久久av不卡| 久久人人爽人人片av| 久久久a久久爽久久v久久| 十八禁网站网址无遮挡 | 国产成人免费无遮挡视频| 国产 精品1| 欧美高清性xxxxhd video| 成人一区二区视频在线观看| 黄色日韩在线| 日韩欧美精品v在线| 国产精品爽爽va在线观看网站| 在线观看免费高清a一片| 亚洲欧美日韩另类电影网站 | 久久久久久久精品精品| 国产亚洲精品久久久com| 国产精品一二三区在线看| 一级爰片在线观看| 麻豆国产97在线/欧美| av在线播放精品| 下体分泌物呈黄色| 亚洲av不卡在线观看| 日韩一区二区视频免费看| 成年版毛片免费区| 日本午夜av视频| 黄色怎么调成土黄色| 狂野欧美白嫩少妇大欣赏| 成人一区二区视频在线观看| 成年女人看的毛片在线观看| 日韩三级伦理在线观看| 能在线免费看毛片的网站| 又黄又爽又刺激的免费视频.| www.av在线官网国产| 国产亚洲5aaaaa淫片| 97在线视频观看| 国产淫片久久久久久久久| 97在线人人人人妻| 女人久久www免费人成看片| 久久国产乱子免费精品| 中国国产av一级| 最近2019中文字幕mv第一页| 久久久a久久爽久久v久久| 亚洲av二区三区四区| 久久国产乱子免费精品| 97在线视频观看| 国产老妇伦熟女老妇高清| 老师上课跳d突然被开到最大视频| 麻豆成人av视频| 神马国产精品三级电影在线观看| 国产一区亚洲一区在线观看| 亚洲,一卡二卡三卡| 热99国产精品久久久久久7| 中文字幕人妻熟人妻熟丝袜美| 免费看光身美女| 精品人妻偷拍中文字幕| 国产av不卡久久| 国产老妇伦熟女老妇高清| 国产 一区 欧美 日韩| 国产熟女欧美一区二区| 日韩伦理黄色片| 超碰av人人做人人爽久久| 久久久久国产精品人妻一区二区| 夜夜爽夜夜爽视频| 国产一区二区三区综合在线观看 | 舔av片在线| 国产黄色视频一区二区在线观看| 亚洲人成网站高清观看| 亚洲成人av在线免费| 亚洲欧美成人综合另类久久久| 亚洲av一区综合| 久久久久国产精品人妻一区二区| 精品一区二区三卡| 亚洲第一区二区三区不卡| 亚洲精品色激情综合| 午夜老司机福利剧场| 久久久久久久久久久丰满| 大香蕉久久网| 日韩不卡一区二区三区视频在线| 99九九线精品视频在线观看视频| 国产人妻一区二区三区在| 日韩视频在线欧美| 高清午夜精品一区二区三区| 日韩欧美精品v在线| 偷拍熟女少妇极品色| 韩国高清视频一区二区三区| 赤兔流量卡办理| 久久久久久九九精品二区国产| 在线观看三级黄色| 亚洲va在线va天堂va国产| 日本三级黄在线观看| 九九在线视频观看精品| 亚洲怡红院男人天堂| 在线观看免费高清a一片| 色视频www国产| 日韩电影二区| 亚洲国产高清在线一区二区三| 亚洲欧美成人综合另类久久久| 免费观看无遮挡的男女| 国产69精品久久久久777片| 国产精品不卡视频一区二区| 国产黄色免费在线视频| 99九九线精品视频在线观看视频| 免费黄色在线免费观看| 国产欧美日韩精品一区二区| 边亲边吃奶的免费视频| 久久人人爽人人爽人人片va| 久久久久精品性色| 青春草视频在线免费观看| 人妻夜夜爽99麻豆av| 亚洲成人精品中文字幕电影| 国国产精品蜜臀av免费| 久久韩国三级中文字幕| 蜜桃亚洲精品一区二区三区| 人妻一区二区av| 日本午夜av视频| 一区二区三区四区激情视频| 欧美 日韩 精品 国产| 大香蕉久久网| 日韩不卡一区二区三区视频在线| 国产免费视频播放在线视频| 伊人久久国产一区二区| 一级毛片黄色毛片免费观看视频| 亚洲自偷自拍三级| 五月天丁香电影| tube8黄色片| 国产有黄有色有爽视频| 亚洲一级一片aⅴ在线观看| 在线免费十八禁| 中文资源天堂在线| 久久久久精品久久久久真实原创| 六月丁香七月| 国产乱人偷精品视频| 一级毛片黄色毛片免费观看视频| av又黄又爽大尺度在线免费看| 精品一区二区三区视频在线| 国产午夜精品一二区理论片| 中文欧美无线码| 亚洲欧美日韩卡通动漫| 亚洲图色成人| 全区人妻精品视频| 国产成人福利小说| 亚洲国产色片| 免费看不卡的av| 黄片wwwwww| 亚洲国产最新在线播放| 国产黄片视频在线免费观看| 国产精品久久久久久精品古装| 岛国毛片在线播放| 亚洲综合色惰| 中文乱码字字幕精品一区二区三区| 尾随美女入室| 日韩中字成人| 男人爽女人下面视频在线观看| 99re6热这里在线精品视频| 菩萨蛮人人尽说江南好唐韦庄| 久久国内精品自在自线图片| 国产伦精品一区二区三区四那| 自拍偷自拍亚洲精品老妇| 美女内射精品一级片tv| 久久精品熟女亚洲av麻豆精品| 午夜日本视频在线| 69av精品久久久久久| 成人一区二区视频在线观看| 视频区图区小说| 在线免费观看不下载黄p国产| 99精国产麻豆久久婷婷| 深爱激情五月婷婷| 精品亚洲乱码少妇综合久久| 国产熟女欧美一区二区| 噜噜噜噜噜久久久久久91| 午夜精品国产一区二区电影 | 亚洲经典国产精华液单| 大码成人一级视频| 国产人妻一区二区三区在| 国产伦理片在线播放av一区| 日本wwww免费看| 久久久色成人| 我要看日韩黄色一级片| 美女视频免费永久观看网站| .国产精品久久| 夫妻午夜视频| 如何舔出高潮| 国产男女超爽视频在线观看| 亚洲av男天堂| 亚洲欧美一区二区三区国产| 亚洲最大成人中文| 99热网站在线观看| 熟女人妻精品中文字幕| 欧美人与善性xxx| 国产成人91sexporn| 狂野欧美白嫩少妇大欣赏| h日本视频在线播放| av一本久久久久| 欧美高清性xxxxhd video| 午夜福利高清视频| 亚洲国产精品成人综合色| 大又大粗又爽又黄少妇毛片口| 国产亚洲5aaaaa淫片| 一区二区三区乱码不卡18| 国产午夜精品一二区理论片| 亚洲欧美成人综合另类久久久| 亚洲欧美中文字幕日韩二区| 国产成人freesex在线| av免费在线看不卡| 国产精品国产三级国产专区5o| 九九在线视频观看精品| 国产视频首页在线观看| 丝瓜视频免费看黄片| 日韩av不卡免费在线播放| 色播亚洲综合网| 久久这里有精品视频免费| 欧美日韩视频精品一区| 国内精品宾馆在线| 91狼人影院| 免费不卡的大黄色大毛片视频在线观看| 国产乱来视频区| 欧美xxⅹ黑人| 日韩免费高清中文字幕av| 国产精品久久久久久久久免| 高清欧美精品videossex| 国产精品人妻久久久久久| 亚洲av福利一区| 中文字幕免费在线视频6| 午夜福利网站1000一区二区三区| 国产精品精品国产色婷婷| videos熟女内射| 久久99精品国语久久久| 亚洲四区av| 色综合色国产| 国国产精品蜜臀av免费| 亚洲精品乱码久久久v下载方式| 久久精品人妻少妇| 97热精品久久久久久| 97超碰精品成人国产| 我的女老师完整版在线观看| 国产乱来视频区| 夜夜看夜夜爽夜夜摸| 精品少妇久久久久久888优播| tube8黄色片| 亚洲欧洲国产日韩| 国产69精品久久久久777片| 日韩人妻高清精品专区| 一本一本综合久久| 成人亚洲欧美一区二区av| 黄色怎么调成土黄色| 人妻 亚洲 视频| 午夜激情久久久久久久| 亚洲图色成人| 精华霜和精华液先用哪个| 99热6这里只有精品| 日本-黄色视频高清免费观看| 少妇猛男粗大的猛烈进出视频 | 91aial.com中文字幕在线观看| 成年人午夜在线观看视频| 三级经典国产精品| 美女xxoo啪啪120秒动态图| 国产成人精品一,二区| 少妇人妻 视频| 亚洲成人一二三区av| 中文天堂在线官网| 精品久久久精品久久久| 精品少妇黑人巨大在线播放| 亚洲欧洲日产国产| 99热这里只有精品一区| 欧美亚洲 丝袜 人妻 在线| 午夜亚洲福利在线播放| 国产 一区 欧美 日韩| av免费观看日本| 欧美日韩国产mv在线观看视频 | 观看免费一级毛片| 婷婷色综合大香蕉| 看黄色毛片网站| 日本wwww免费看| 国产精品伦人一区二区| 亚洲av中文av极速乱| 国产老妇伦熟女老妇高清| 高清午夜精品一区二区三区| 性色avwww在线观看| 成人免费观看视频高清| 少妇猛男粗大的猛烈进出视频 | 亚洲欧洲日产国产| 国产大屁股一区二区在线视频| 少妇丰满av| 国产v大片淫在线免费观看| 日日啪夜夜撸| 国产精品99久久99久久久不卡 | 亚洲欧美一区二区三区国产| 亚洲电影在线观看av| 卡戴珊不雅视频在线播放| 亚洲欧美日韩东京热| 视频中文字幕在线观看| 亚洲欧美成人精品一区二区| 久久久久久久午夜电影| 成年女人在线观看亚洲视频 | 国产乱人偷精品视频| 日韩不卡一区二区三区视频在线| 极品教师在线视频| 深夜a级毛片| 啦啦啦啦在线视频资源| 久久久亚洲精品成人影院| 在线 av 中文字幕| 免费观看av网站的网址| 国产免费一区二区三区四区乱码| 少妇高潮的动态图| 超碰av人人做人人爽久久| 国产精品不卡视频一区二区| 久久久久久国产a免费观看| 国产色婷婷99| 亚洲av.av天堂| 丝瓜视频免费看黄片| 3wmmmm亚洲av在线观看| 久热久热在线精品观看| 精品久久久久久久久亚洲| 国产精品久久久久久久久免| 亚洲熟女精品中文字幕| 婷婷色av中文字幕| 街头女战士在线观看网站| 国产精品国产三级国产专区5o| 亚洲一区二区三区欧美精品 | 肉色欧美久久久久久久蜜桃 | 黄色一级大片看看| 69av精品久久久久久| 日韩,欧美,国产一区二区三区| 国产黄片视频在线免费观看| 亚洲在久久综合| 综合色丁香网| 久久精品国产亚洲av涩爱| 午夜免费鲁丝| 日韩,欧美,国产一区二区三区| 国产高清有码在线观看视频| 少妇高潮的动态图| 嫩草影院入口| 熟女电影av网| 毛片女人毛片| 永久免费av网站大全| 亚洲欧美一区二区三区国产| 国产黄色免费在线视频| 日韩一区二区三区影片| 亚洲精品久久久久久婷婷小说| 国产精品国产三级国产专区5o| 汤姆久久久久久久影院中文字幕| 亚洲欧美日韩另类电影网站 | 少妇的逼水好多| 精品一区在线观看国产| 国产精品人妻久久久久久| 我要看日韩黄色一级片| 国产精品不卡视频一区二区| 青青草视频在线视频观看| 精品少妇黑人巨大在线播放| 校园人妻丝袜中文字幕| www.av在线官网国产| 亚洲精品影视一区二区三区av| 国产白丝娇喘喷水9色精品| 91久久精品国产一区二区成人| 色综合色国产| 日韩欧美精品免费久久| 欧美日韩一区二区视频在线观看视频在线 | 国产乱人视频| 99热全是精品| 日韩欧美精品v在线| 国产精品久久久久久久久免| 搡女人真爽免费视频火全软件| 国产在线一区二区三区精| 国产一区亚洲一区在线观看| 人妻 亚洲 视频| 久久99热这里只频精品6学生| .国产精品久久| 亚洲精品日本国产第一区| 亚洲精品自拍成人|