• <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 ?

    改進(jìn)深度神經(jīng)網(wǎng)絡(luò)的用戶用電量預(yù)測方法

    2023-12-02 14:18:50蔡翔朱莉
    關(guān)鍵詞:深度神經(jīng)網(wǎng)絡(luò)粒子群算法

    蔡翔 朱莉

    [摘 要]針對深度神經(jīng)網(wǎng)絡(luò)對電能預(yù)測精度低的問題,提出正弦粒子群優(yōu)化神經(jīng)元數(shù)量的深度神經(jīng)網(wǎng)絡(luò)算法,通過對粒子群算法進(jìn)行變異操作和慣性權(quán)重改進(jìn),來對深度神經(jīng)網(wǎng)絡(luò)隱藏層神經(jīng)元參數(shù)進(jìn)行尋優(yōu)。實(shí)驗(yàn)結(jié)果表明,SPSONN-DNN算法相比于DNN、極度梯度提升、線性回歸、兩種改進(jìn)PSONN-DNN算法的預(yù)測精度分別提高了1.926%、2.820%、1.500%、0.633%、0.582%;SPSONN-DNN算法相比于兩種改進(jìn)PSONN-DNN算法迭代次數(shù)分別減少6次、4次。

    [關(guān)鍵詞]電量預(yù)測;深度神經(jīng)網(wǎng)絡(luò);粒子群算法;預(yù)測精度

    [中圖分類號(hào)]TP391[文獻(xiàn)標(biāo)識(shí)碼]A

    電量預(yù)測是智能電網(wǎng)中電能調(diào)度的理論依據(jù),提前通過預(yù)測模型來推測出各地區(qū)的用電量,使供電部門的輸電量和各地區(qū)的用電量達(dá)到供需平衡,從而減少電網(wǎng)中電能的浪費(fèi)[1]。隨著人工智能的興起,深度神經(jīng)網(wǎng)絡(luò)由于具有自學(xué)習(xí)、自適應(yīng)、容錯(cuò)性等特點(diǎn),大量的學(xué)者將其應(yīng)用在電量預(yù)測領(lǐng)域,但是深度神經(jīng)網(wǎng)絡(luò)處理不同領(lǐng)域的數(shù)據(jù)集時(shí),由于數(shù)據(jù)的多樣性導(dǎo)致深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)不同。人們利用其它算法的優(yōu)點(diǎn)來對深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化,但只是對神經(jīng)網(wǎng)絡(luò)中的訓(xùn)練數(shù)據(jù)、學(xué)習(xí)率、輸入權(quán)值等參數(shù)進(jìn)行尋優(yōu),而隱藏層神經(jīng)元數(shù)量是根據(jù)輸入?yún)?shù)隨機(jī)設(shè)置的,不是最佳的參數(shù),導(dǎo)致網(wǎng)絡(luò)的模型達(dá)不到最優(yōu),模型預(yù)測精度較低[2-3]。

    優(yōu)化算法能準(zhǔn)確的對深度神經(jīng)網(wǎng)絡(luò)各隱藏層神經(jīng)元進(jìn)行尋優(yōu),其典型方法有粒子群算法、遺傳算法、蟻群算法。又因粒子群算法相比于遺傳算法、蟻群算法需要調(diào)整的參數(shù)少、搜索速度快、效率高以及簡單容易實(shí)現(xiàn)等優(yōu)點(diǎn)[4-5]。本文利用改進(jìn)粒子群算法來優(yōu)化深度神經(jīng)網(wǎng)絡(luò)各隱藏層神經(jīng)元數(shù)量。

    1 算法設(shè)計(jì)

    1.1 SPSONN-DNN預(yù)測模型框架

    改進(jìn)粒子群優(yōu)化深度神經(jīng)網(wǎng)絡(luò)的模型見圖1。

    本文原始數(shù)據(jù)為某地區(qū)的家庭用電量數(shù)據(jù),數(shù)據(jù)包括日期、時(shí)間、平均有功功率、平均無功功率、平均電壓、平均電流、3個(gè)計(jì)量表等9個(gè)維度的參數(shù)。

    首先,對原始數(shù)據(jù)進(jìn)行預(yù)處理。在數(shù)據(jù)預(yù)處理過程中,先將數(shù)據(jù)格式進(jìn)行轉(zhuǎn)換,然后將數(shù)據(jù)的日期和時(shí)間轉(zhuǎn)換為浮點(diǎn)型,將各參數(shù)的單位換算統(tǒng)一;接著查找缺失、異常字符串的數(shù)據(jù)并將其刪除,因?yàn)槭菍彝ビ秒娏窟M(jìn)行短期預(yù)測,刪除對數(shù)據(jù)的整體沒有影響。

    SPSONN-DNN算法是利用改進(jìn)粒子群算法的種群粒子在迭代過程中的位置坐標(biāo)來確定深度神經(jīng)網(wǎng)絡(luò)隱藏層神經(jīng)元數(shù)量,深度神經(jīng)網(wǎng)絡(luò)根據(jù)每個(gè)粒子坐標(biāo)來確定其對應(yīng)的預(yù)測誤差(即適應(yīng)值),粒子群算法從所有粒子中尋找出最優(yōu)粒子,然后再根據(jù)粒子群的速度和位置更新公式來更新所有粒子,經(jīng)過多次迭代后尋找出全局最優(yōu)粒子,全局最優(yōu)粒子坐標(biāo)和適應(yīng)值分別代表深度神經(jīng)網(wǎng)絡(luò)隱藏層神經(jīng)元的數(shù)量和相對應(yīng)的預(yù)測誤差[6]。

    1.2 粒子群慣性權(quán)重的改進(jìn)

    粒子群算法是通過模擬鳥群覓食的行為而發(fā)展起來的一種基于群體協(xié)作的隨機(jī)搜索算法[7-8]。

    粒子群有兩個(gè)特性:速度和位置。速度大小決定下一次迭代后的位置變化大?。晃恢玫木S度是由所要解決的問題決定的,每個(gè)粒子的位置信息可以看成適應(yīng)函數(shù)的一組解,每個(gè)粒子空間坐標(biāo)的不斷變化,代表其函數(shù)解也是在不斷變化的。PSO算法中粒子的速度和位置公式如下:

    式中,vkid表示粒子i第k次迭代的飛行速度的第d維分量;xkid表示粒子i第k次迭代的位置矢量的第d維分量;pbestid表示粒子i第d維分量的局部(即個(gè)體)最優(yōu)值;gbestid表示粒子i第d維分量的全局(即群體)最優(yōu)值;c1、c2表示學(xué)習(xí)因子;r1、r2表示取值范圍在[0,1]之間的隨機(jī)數(shù);w表示慣性權(quán)重(非負(fù)數(shù))。

    通過對粒子群算法的分析可知,粒子群算法的搜索能力和收斂能力都與慣性權(quán)重w息息相關(guān)。根據(jù)分析,粒子群算法在尋優(yōu)時(shí),前期需要速度較大,從而提高全局搜索能力;中期需要速度適中,來平衡全局搜索能力和局部搜索能力;后期需要速度較小,使得局部搜索能力較強(qiáng)。

    慣性權(quán)重為固定值已經(jīng)很難滿足粒子群算法在尋優(yōu)過程中全局搜索能力和局部搜索能力的轉(zhuǎn)換。很多學(xué)者提出了優(yōu)化的方法,一般分為線性和非線性兩種方法:

    式中,w是指慣性權(quán)重,wmax、wmin分別代表最大、最小慣性權(quán)重值,tmax表示種群的最大迭代次數(shù),t表示種群的當(dāng)前迭代次數(shù)。

    公式(3)是線性變換,在粒子群算法迭代過程中慣性權(quán)重變化率相同,不能滿足粒子群算法在迭代前期慣性權(quán)重變化較小的要求;公式(4)是非線性變換,在粒子群算法迭代中期,變化仍然很小,不能很好平衡全局搜索能力和局部搜索能力。

    為了使粒子群算法計(jì)算結(jié)果更加準(zhǔn)確,提出了正弦慣性權(quán)重,使慣性權(quán)重隨著粒子的迭代次數(shù)而成正弦變換,滿足粒子群算法在整個(gè)迭代過程中全局搜索能力和局部搜索能力的轉(zhuǎn)換如下式:

    式中,w表示慣性權(quán)重,wmax、wmin分別表示慣性權(quán)重的最大值和最小值,iter表示當(dāng)前迭代次數(shù),itermax表示最大迭代次數(shù)。

    1.3 粒子群陷入局部最優(yōu)的改進(jìn)

    粒子群雖然對慣性權(quán)重進(jìn)行了改進(jìn),但是在尋優(yōu)的過程中,隨著種群聚合程度越來越高,種群也可能會(huì)匯聚于一點(diǎn)。發(fā)生這種情況的根本原因是種群在迭代尋優(yōu)的過程中,其本身的多樣性逐漸降低,導(dǎo)致陷入局部最優(yōu)。為了解決這個(gè)問題,引入種群平均距離來描述種群的離散程度,根據(jù)平均距離的大小和迭代誤差來判斷種群是否陷入局部最優(yōu)。

    式中,L(iter)表示種群在第iter次迭代的平均距離,N表示種群的粒子數(shù),d表示粒子的維度,xin(iter)表示第i個(gè)粒子的n維分量在iter次迭代的值,x-n(iter)表示所有粒子在iter次迭代的平均坐標(biāo)的n維分量的值。

    當(dāng)種群粒子平均距離L(iter)的值較大時(shí),粒子分布程度較分散,PSO進(jìn)行大范圍的全局搜索。隨著迭代的進(jìn)行,L(iter)的值會(huì)逐漸減小,表示種群中粒子分布程度較密集,種群的多樣性也會(huì)降低,此時(shí)PSO易陷入局部最優(yōu),從而無法達(dá)到全局最優(yōu)。

    此時(shí)就需要變異操作來提高種群粒子的多樣性。給定閾值,如果種群粒子平均距離L(iter)的值低于設(shè)定閾值則表示PSO陷入局部最優(yōu),應(yīng)啟動(dòng)變異操作,將特定的粒子通過變異的方式增加種群活性,使其跳入到其它區(qū)域繼續(xù)尋優(yōu),讓種群達(dá)到全局最優(yōu)。

    可通過L(iter)的大小或粒子群全局最優(yōu)值來判斷是否需要進(jìn)行變異操作。若粒子經(jīng)過多次迭代仍未發(fā)生明顯變化或A低于給定的閾值,則可進(jìn)行變異操作。變異操作時(shí)根據(jù)粒子離全局最優(yōu)的距離來選取變異操作的粒子,而變異前后粒子群的最優(yōu)值保持不變。變異操作的公式如下:

    式中,x′i表示粒子i變異后的位置,xi表示粒子i變異前的位置,iter是種群的當(dāng)前迭代次數(shù),itermax是種群的最大迭代次數(shù),N(0,1)表示0~1之間的任選隨機(jī)數(shù)。

    1.4 算法流程

    SPSONN-DNN算法流程如下:

    1)初始化。對改進(jìn)粒子群算法和深度神經(jīng)網(wǎng)絡(luò)進(jìn)行初始化設(shè)置,改進(jìn)粒子群算法需要設(shè)置以下參數(shù):粒子的數(shù)量N、粒子的維度D、算法的最大迭代次數(shù)itermax、慣性權(quán)重的最大值wmax和最小值wmin以及兩個(gè)學(xué)習(xí)因子c1和c2;深度神經(jīng)網(wǎng)絡(luò)需要設(shè)置迭代次數(shù)、隱藏層數(shù)等。

    2)選取合適適應(yīng)函數(shù)并計(jì)算適應(yīng)值。根據(jù)具體問題,設(shè)計(jì)相關(guān)的函數(shù)關(guān)系,然后將粒子的信息輸入到函數(shù)關(guān)系中求出函數(shù)的輸出值(即適應(yīng)值)。本文以深度神經(jīng)網(wǎng)絡(luò)損失函數(shù)為參考,以均方根誤差公式作為適應(yīng)度函數(shù)。

    3)將初始的粒子位置參數(shù)作為DNN網(wǎng)絡(luò)各隱藏層的神經(jīng)元個(gè)數(shù),計(jì)算出預(yù)測誤差作為粒子群算法的適應(yīng)值。各粒子的適應(yīng)度值就是個(gè)體最優(yōu)值,在個(gè)體最優(yōu)值中尋找全局最優(yōu)值。

    4)慣性權(quán)重的更新。將種群當(dāng)前迭代次數(shù)帶入式(5)中,計(jì)算出新的慣性權(quán)重值。

    5)更新種群各粒子的速度和位置。根據(jù)式(1)、式(2)來更新每個(gè)粒子的速度和位置。

    6)將更新后的各粒子分別帶入適應(yīng)函數(shù),計(jì)算出對應(yīng)的適應(yīng)值。

    7)更新個(gè)體最優(yōu)值。計(jì)算出各粒子適應(yīng)值后,分別與各粒子的當(dāng)前個(gè)體最優(yōu)值作比較,若小于當(dāng)前個(gè)體最優(yōu)值,則將該粒子的適應(yīng)值作為個(gè)體最優(yōu)值,反之,個(gè)體最優(yōu)值不變。

    8)更新全局最優(yōu)值。當(dāng)個(gè)體最優(yōu)值更新后,將各粒子的個(gè)體最優(yōu)值依次與全局最優(yōu)值作比較,若粒子個(gè)體最優(yōu)值小于全局最優(yōu)值,則將該粒子的個(gè)體最優(yōu)值作為全局最優(yōu)值,反之,全局最優(yōu)值不變。

    9)變異判斷。按照公式(6)計(jì)算得到的平均距離來判斷是否達(dá)到變異條件,如果距離低于給定的閾值或種群迭代多次全局最優(yōu)值沒有發(fā)生明顯變化則執(zhí)行步驟10);否則執(zhí)行步驟11)。

    10)變異操作。選取部分平均距離較小的粒子,根據(jù)式(7)計(jì)算出變異后粒子位置。

    11)結(jié)束循環(huán)判斷。當(dāng)?shù)螖?shù)或者最優(yōu)適應(yīng)值滿足種群要求后,則執(zhí)行步驟12),否則執(zhí)行步驟4)。

    12)算法結(jié)束。輸出算法計(jì)算的最優(yōu)值。

    SPSONN-DNN算法流程如圖2所示。

    2 算例分析

    為驗(yàn)證預(yù)測方法的有效性,選用網(wǎng)上公布的某一地區(qū)的用戶電量數(shù)據(jù)集。數(shù)據(jù)集包含平均有功功率、平均無功功率、平均電壓、平均電流等數(shù)據(jù)參數(shù)。

    2.1 實(shí)例分析

    選取用戶的用電量數(shù)據(jù)(表1),進(jìn)行數(shù)據(jù)分析、過濾。首先將數(shù)據(jù)的格式統(tǒng)一,單位換算成統(tǒng)一的標(biāo)準(zhǔn);然后查找缺失、異常字符串的數(shù)據(jù),接著剔除異常數(shù)據(jù)或填補(bǔ)缺失數(shù)據(jù);最后將處理好的數(shù)據(jù)集作為DNN、SPSONN-DNN等算法的數(shù)據(jù)集,以有功功率為輸出,其它參數(shù)為輸入。

    2.2 實(shí)驗(yàn)參數(shù)設(shè)置

    由式(2)、式(6)可知,需要初始化設(shè)置的實(shí)驗(yàn)參數(shù)有粒子的數(shù)量N、粒子的維度D、算法的最大迭代次數(shù)itermax、慣性權(quán)重的最大值wmax和最小值wmin以及兩個(gè)學(xué)習(xí)因子c1和c2。本文將N設(shè)置為50、D設(shè)置為6、itermax設(shè)置為30,wmax設(shè)置為0.9、wmin設(shè)置為0.4、c1和c2都設(shè)置為0.2;深度神經(jīng)網(wǎng)絡(luò)隱藏層數(shù)設(shè)為6,各隱藏層神經(jīng)元的數(shù)量根據(jù)全局最優(yōu)粒子坐標(biāo)值來確定。

    2.3 實(shí)驗(yàn)結(jié)果與分析

    深度神經(jīng)網(wǎng)絡(luò)、線性回歸、極限梯度提升、兩種改進(jìn) PSONN-DNN算法以及SPSONN-DNN算法分別以處理好的數(shù)據(jù)集來訓(xùn)練和預(yù)測用戶用電量,預(yù)測結(jié)果見圖3-9,本文以MAPE和MSE為標(biāo)準(zhǔn)對算法的精度進(jìn)行衡量。

    圖3為深度神經(jīng)網(wǎng)絡(luò)的真實(shí)值與預(yù)測值誤差曲線,其中藍(lán)色曲線代表真實(shí)數(shù)據(jù)集,紅色曲線表示預(yù)測數(shù)據(jù)集,MAPE為5.997%,說明訓(xùn)練數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的平均絕對百分比誤差為5.997%;MSE為0.3673,說明訓(xùn)練數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的均方誤差為0.3673。

    圖4表示線性回歸的真實(shí)值與預(yù)測值的對比曲線圖,圖中橫坐標(biāo)表示樣本點(diǎn)的個(gè)數(shù),縱坐標(biāo)表示每個(gè)樣本點(diǎn)的數(shù)值,其中藍(lán)色曲線代表真實(shí)數(shù)據(jù),紅色曲線表示預(yù)測數(shù)據(jù)。計(jì)算可知,MAPE為6.871%,即訓(xùn)練數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的平均絕對百分比誤差為6.871%;MSE為0.5717,即訓(xùn)練數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的均方誤差為0.5717。

    圖5表示極端梯度提升的真實(shí)值與預(yù)測值對比曲線圖,圖中橫坐標(biāo)表示樣本點(diǎn)的個(gè)數(shù),縱坐標(biāo)表示每個(gè)樣本點(diǎn)的數(shù)值,其中藍(lán)色曲線代表真實(shí)數(shù)據(jù),紅色曲線表示預(yù)測數(shù)據(jù)。計(jì)算可知,MAPE為5.551%,說明測試數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的平均絕對百分比誤差為5.551%;MSE為0.3232,說明訓(xùn)練數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的均方誤差為0.3232。

    本文對粒子群優(yōu)化神經(jīng)元數(shù)量的深度神經(jīng)網(wǎng)絡(luò)算法中的慣性權(quán)重分別做線性變換、微分變換、正弦變換,如式(3)、(4)、(5)所示。圖6中PSONN-DNN(method1)表示慣性權(quán)重為線性變換;PSONN-DNN(method2)表示慣性權(quán)重為微分變換;SPSONN-DNN表示慣性權(quán)重為正弦變換。

    圖6a沒有設(shè)置粒子群算法的適應(yīng)值閾值,可知PSONN-DNN(method1)算法的適應(yīng)值(即MAPE)為4.693%,是指PSONN-DNN(method1)算法的全局最優(yōu)粒子的適應(yīng)值為4.693%,全局最優(yōu)粒子位置為(30,15,55,27,27,13);PSONN-DNN(method2)算法的適應(yīng)值為4.622%,是指PSONN-DNN(method2)算法的全局最優(yōu)粒子的適應(yīng)值為4.622%,全局最優(yōu)粒子位置為(54,51,45,29,3,44);SPSONN-DNN算法適應(yīng)值為4.103%,是指SPSONN-DNN算法的全局最優(yōu)粒子的適應(yīng)值為4.103%,全局最優(yōu)粒子位置為(58,15,54,34,53,33)。因此,相比于其它兩種算法,SPSONN-DNN算法預(yù)測精度有所提升。

    圖6b設(shè)置粒子群算法的適應(yīng)值為4.9%,PSONN-DNN(method1)算法在迭代13次后達(dá)到4.9%;PSONN-DNN(method2)算法在迭代11次后達(dá)到4.9%;SPSONN-DNN算法在迭代7次時(shí)適應(yīng)值達(dá)到了4.9%。因此,相比于其他兩種算法,SPSONN-DNN算法迭代次數(shù)均減少了。

    將PSONN-DNN(method1)算法、PSONN-DNN(method2)算法以及SPSONN-DNN算法的全局最優(yōu)粒子坐標(biāo)帶入深度神經(jīng)網(wǎng)絡(luò)中檢驗(yàn)其準(zhǔn)確性。

    圖7表示PSONN-DNN(method1)算法的迭代次數(shù)與訓(xùn)練誤差曲線圖,圖中橫坐標(biāo)表示樣本點(diǎn)的個(gè)數(shù),縱坐標(biāo)表示每個(gè)樣本點(diǎn)的數(shù)值,其中藍(lán)色曲線代表真實(shí)數(shù)據(jù),紅色曲線表示預(yù)測數(shù)據(jù)。計(jì)算可知,MAPE為4.684%,即PSONN-DNN(method1)算法中訓(xùn)練數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的平均絕對百分比誤差為4.684%;MSE為0.2853,表示PSONN-DNN(mothed1)算法中測試數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的均方誤差為0.2853。

    圖8表示PSONN-DNN(method2)算法的迭代次數(shù)與誤差曲線圖,圖中橫坐標(biāo)表示樣本點(diǎn)的個(gè)數(shù),縱坐標(biāo)表示每個(gè)樣本點(diǎn)的數(shù)值,其中藍(lán)色曲線代表真實(shí)數(shù)據(jù),紅色曲線表示預(yù)測數(shù)據(jù)。計(jì)算可知,MAPE為4.633%,表示PSONN-DNN(method2)算法中訓(xùn)練數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的平均絕對百分比誤差為4.633%;MSE為0.2846,表示PSONN-DNN(method2)算法中測試數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的均方誤差為0.2846。

    圖9表示SPSONN-DNN算法的迭代次數(shù)與誤差曲線,圖中橫坐標(biāo)表示樣本點(diǎn)的個(gè)數(shù),縱坐標(biāo)表示每個(gè)樣本點(diǎn)的數(shù)值,其中藍(lán)色曲線代表真實(shí)數(shù)據(jù),紅色曲線表示預(yù)測數(shù)據(jù)。計(jì)算可知,MAPE為4.051%,表示SPSONN-DNN算法中訓(xùn)練數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的平均絕對百分比誤差為4.051%;MSE為0.2647,表示SPSONN-DNN算法中測試數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的均方誤差為0.2647。

    綜上所述,驗(yàn)證了PSONN-DNN(method1)算法、PSONN-DNN(method2)算法以及SPSONN-DNN算法的準(zhǔn)確性。

    由表2、表3可知,SPSONN-DNN算法的預(yù)測精度(MAPE)相比于DNN、線性回歸、極限梯度提升分別提升了1.926%、2.820%、1.500%;并且SPSONN-DNN算法相比于PSONN-DNN(mothed1)算法、PSONN-DNN(mothed2)算法預(yù)測精度(MAPE)分別提升了0.633%、0.582%,迭代次數(shù)分別減少了6次、4次。實(shí)驗(yàn)證明,相比于傳統(tǒng)的方法,SPSONN-DNN算法在用戶電量預(yù)測中預(yù)測精度更高。本文方法在電量預(yù)測中具有普遍的適用性。

    3 結(jié)論

    目前,深度神經(jīng)網(wǎng)絡(luò)應(yīng)用廣泛,但是面對不同領(lǐng)域的數(shù)據(jù)集,深度神經(jīng)網(wǎng)絡(luò)隱藏層神經(jīng)元參數(shù)不確定。針對這一問題,提出改進(jìn)粒子群優(yōu)化神經(jīng)元數(shù)量的深度神經(jīng)網(wǎng)絡(luò)算法對家庭用電進(jìn)行預(yù)測,該算法是將粒子群中的慣性權(quán)重改進(jìn)為隨迭代次數(shù)變化而成正弦變化的變量;同時(shí)在計(jì)算中加入了變異操作,使陷入局部最優(yōu)的粒子跳入其它區(qū)域繼續(xù)尋優(yōu)。通過實(shí)驗(yàn)驗(yàn)證,SPSONN-DNN算法相比于DNN、線性回歸、極限梯度提升方法的預(yù)測精度(MAPE)分別提升了1.926%、2.820%、1.500%,同時(shí)相比于PSONN-DNN(mothed1)算法、PSONN-DNN(mothed2)算法的預(yù)測精度分別提升了0.633%、0.582%,并且迭代次數(shù)分別減少了6次、4次。因此,通過SPSONN-DNN算法可以提高電量的預(yù)測精度,以此來減少發(fā)電量,從而減少能源的浪費(fèi)。

    [ 參 考 文 獻(xiàn) ]

    [1] GYAMFI S, KRUMDIECK S. Scenario analysis of residential demand response at network peak periods[J]. Electric Power Systems Research, 2012, 93(01):32-38.

    [2] KUN XIE, HONG YI, GANGYI HU, et al. Short-term power load forecasting based on Elman neural network with particle swarm optimization[J]. Neurocomputing, 2019, 416(11): 136-142.

    [3] GUNDU V, SIMON S P. PSO-LSTM for short term forecast of heterogeneous time series electricity price signals[J]. Journal of Ambient Intelligence and Humanized Computing, 2020, 12(02): 2375-2385.

    [4] YIN L, SUN Z, GAO F, et al. Deep forest regression for short-term load forecasting of power systems[J]. IEEE Access, 2020, 8:49 090-49 099.

    [5] NIU D, SHI H, LI J, et al. Research on short-term power load time series forecasting model based on BP neural network[C].∥2010 2nd International Conference on Advanced Computer Control, 2010.

    [6] 郭海燕, 李英娜, 李川. 基于模擬退火算法優(yōu)化BP的短期負(fù)荷預(yù)測控制策略[J]. 陜西理工大學(xué)學(xué)報(bào), 2021, 37(01): 36-42.

    [7] YLDZ C, AKGZ H, KORKMAZ D. An improved residual-based convolutional neural network for very short-term wind power forecasting[J]. Energy Conversion and Management, 2021, 28(01): 113731.

    [8] 楊毅, 雷霞, 徐貴陽, 等. 采用PSO-BF算法的微電網(wǎng)多目標(biāo)電能優(yōu)化調(diào)度[J].電力系統(tǒng)保護(hù)與控制, 2014, 42(13): 13-20.

    Research on User Electricity Consumption Prediction Method

    Based on Improved Deep Neural Network

    CAI Xiang1,ZHU Li2

    (1 School of Electrical and Electronic Engineering, Hubei Univ. of Tech.,Wuhan 430068, China;

    2 Hubei Provincial Key Laboratory of Solar Energy Efficient

    Utilization and Energy Storage Operation Control,

    Hubei Univ. of Tech., Wuhan 430068, China)

    Abstract:With the rise of artificial intelligence, researchers have widely used deep neural networks in the field of electric power. However, due to the uncertainty of the parameters of neurons in the hidden layer of deep neural networks, the prediction accuracy of electric power is low, resulting in an imbalance between the supply and demand of electric power and in power redundancy. To this end, we propose the Sin Particle Swarm Optimization Number of Neurons of Deep Neural Networks (SPSONN-DNN) algorithm, which is based on the mutation operation and inertia weight of the particle swarm algorithm improvement, to optimize the parameters of the hidden layer neurons of the deep neural network. The experimental results show that compared with DNN, extreme gradient boosting, linear regression, and the two improved PSONN-DNN algorithms, the prediction accuracy of the SPSONN-DNN algorithm is improved by 1.926%, 2.820%, 1.500%, 0.633%, and 0.582%, respectively; Compared with the two improved PSONN-DNN algorithms, the DNN algorithm reduces the number of iterations by 6 and 4 times, respectively.

    Keywords:power prediction; deep neural network; particle swarm optimization; prediction accuracy

    [責(zé)任編校:張巖芳]

    猜你喜歡
    深度神經(jīng)網(wǎng)絡(luò)粒子群算法
    基于大數(shù)據(jù)網(wǎng)絡(luò)的運(yùn)動(dòng)損傷評估模型研究
    試論基于深度神經(jīng)網(wǎng)絡(luò)的汽車車型識(shí)別問題
    深度神經(jīng)網(wǎng)絡(luò)的發(fā)展現(xiàn)狀
    蟻群算法的運(yùn)用及其優(yōu)化分析
    電力市場交易背景下水電站優(yōu)化調(diào)度研究
    基于粒子群算法的產(chǎn)業(yè)技術(shù)創(chuàng)新生態(tài)系統(tǒng)運(yùn)行穩(wěn)定性組合評價(jià)研究
    預(yù)測(2016年5期)2016-12-26 10:04:59
    基于深度神經(jīng)網(wǎng)絡(luò)的身份識(shí)別研究
    無線傳感器網(wǎng)絡(luò)聯(lián)盟初始結(jié)構(gòu)生成研究
    人工智能與語音識(shí)別技術(shù)
    基于深度學(xué)習(xí)的目標(biāo)反饋?zhàn)R別系統(tǒng)
    天天添夜夜摸| 午夜免费观看性视频| 国产精品麻豆人妻色哟哟久久| 国产一级毛片在线| 久久久久久久大尺度免费视频| 高清在线视频一区二区三区| 无遮挡黄片免费观看| 99热全是精品| 丝袜在线中文字幕| 99久久人妻综合| 在线观看免费高清a一片| 曰老女人黄片| 亚洲精品国产av蜜桃| 午夜福利乱码中文字幕| 国产精品久久久人人做人人爽| 建设人人有责人人尽责人人享有的| 热re99久久国产66热| 色视频在线一区二区三区| 欧美乱码精品一区二区三区| 在线 av 中文字幕| 无限看片的www在线观看| 黄色视频在线播放观看不卡| 成年人午夜在线观看视频| 亚洲欧美一区二区三区久久| av国产久精品久网站免费入址| 99九九在线精品视频| 在线观看免费高清a一片| 老司机影院成人| 性色av一级| 精品亚洲乱码少妇综合久久| 日韩精品免费视频一区二区三区| 在线观看免费视频网站a站| 国产淫语在线视频| 国产不卡av网站在线观看| 不卡视频在线观看欧美| 亚洲人成77777在线视频| 制服丝袜香蕉在线| 亚洲人成电影观看| 亚洲美女视频黄频| 欧美少妇被猛烈插入视频| 国产精品熟女久久久久浪| videos熟女内射| 宅男免费午夜| 久热这里只有精品99| 亚洲成人国产一区在线观看 | 久久亚洲国产成人精品v| 肉色欧美久久久久久久蜜桃| 制服诱惑二区| 色吧在线观看| 亚洲美女视频黄频| 久久久国产欧美日韩av| 国产一区二区三区综合在线观看| 久久鲁丝午夜福利片| 成人毛片60女人毛片免费| 各种免费的搞黄视频| 中文字幕精品免费在线观看视频| 国产精品久久久av美女十八| 国产成人精品久久二区二区91 | 观看美女的网站| 国产精品亚洲av一区麻豆 | 最近的中文字幕免费完整| 最近2019中文字幕mv第一页| 国产精品蜜桃在线观看| 午夜影院在线不卡| 亚洲成av片中文字幕在线观看| 中文字幕另类日韩欧美亚洲嫩草| 香蕉国产在线看| 人成视频在线观看免费观看| 视频在线观看一区二区三区| 亚洲伊人久久精品综合| 最新在线观看一区二区三区 | 亚洲av日韩在线播放| 亚洲精品日韩在线中文字幕| 日本午夜av视频| 中文精品一卡2卡3卡4更新| 青青草视频在线视频观看| 亚洲欧美清纯卡通| 午夜福利一区二区在线看| 永久免费av网站大全| 欧美日韩亚洲国产一区二区在线观看 | 色婷婷av一区二区三区视频| 丰满迷人的少妇在线观看| 亚洲综合精品二区| 纯流量卡能插随身wifi吗| 成年动漫av网址| 欧美日韩亚洲综合一区二区三区_| 国产精品无大码| 汤姆久久久久久久影院中文字幕| 国产黄频视频在线观看| 亚洲国产av影院在线观看| 欧美国产精品一级二级三级| 国产免费一区二区三区四区乱码| 麻豆乱淫一区二区| 国产野战对白在线观看| 国产不卡av网站在线观看| 亚洲成色77777| 汤姆久久久久久久影院中文字幕| 亚洲av男天堂| 最近中文字幕高清免费大全6| 男人爽女人下面视频在线观看| 乱人伦中国视频| 欧美最新免费一区二区三区| 国产一区亚洲一区在线观看| 色婷婷久久久亚洲欧美| 熟女av电影| 成人黄色视频免费在线看| 日日爽夜夜爽网站| 国产色婷婷99| 国产高清不卡午夜福利| 国产黄色免费在线视频| 久久久精品国产亚洲av高清涩受| 国产成人欧美在线观看 | 香蕉国产在线看| 大码成人一级视频| 色播在线永久视频| 三上悠亚av全集在线观看| 蜜桃在线观看..| 国产精品久久久久久人妻精品电影 | 久久久久久人妻| 男人添女人高潮全过程视频| 十八禁网站网址无遮挡| 久久久久久久久久久久大奶| 成人国语在线视频| 久久影院123| 99久国产av精品国产电影| 久久久久久人人人人人| 久久久精品免费免费高清| 精品酒店卫生间| 国产女主播在线喷水免费视频网站| 日韩一卡2卡3卡4卡2021年| 欧美久久黑人一区二区| 99九九在线精品视频| 婷婷色av中文字幕| 欧美av亚洲av综合av国产av | 久久青草综合色| 国产 精品1| 飞空精品影院首页| 男女之事视频高清在线观看 | 视频区图区小说| 免费久久久久久久精品成人欧美视频| 亚洲国产欧美网| 丝袜在线中文字幕| 欧美激情 高清一区二区三区| 人成视频在线观看免费观看| 精品久久蜜臀av无| 国产乱来视频区| 日韩,欧美,国产一区二区三区| 国产精品成人在线| 美女扒开内裤让男人捅视频| 在线观看免费高清a一片| 亚洲欧美日韩另类电影网站| 天天影视国产精品| 亚洲成人国产一区在线观看 | 成年美女黄网站色视频大全免费| 国产精品 国内视频| 如何舔出高潮| 天天操日日干夜夜撸| 精品一区二区三区av网在线观看 | 久久精品亚洲av国产电影网| 美国免费a级毛片| 日本欧美视频一区| 看非洲黑人一级黄片| 不卡av一区二区三区| 少妇被粗大的猛进出69影院| 亚洲av国产av综合av卡| 欧美少妇被猛烈插入视频| 国产精品熟女久久久久浪| 狠狠精品人妻久久久久久综合| 男女无遮挡免费网站观看| 女人久久www免费人成看片| 久久久久久久久久久久大奶| 精品久久蜜臀av无| 王馨瑶露胸无遮挡在线观看| 激情视频va一区二区三区| 少妇精品久久久久久久| 大陆偷拍与自拍| 亚洲精品,欧美精品| 久久午夜综合久久蜜桃| 男人爽女人下面视频在线观看| 国产一区有黄有色的免费视频| 十八禁网站网址无遮挡| av网站免费在线观看视频| 色吧在线观看| 精品一区在线观看国产| 欧美日韩精品网址| 美女午夜性视频免费| 欧美激情极品国产一区二区三区| 亚洲av欧美aⅴ国产| 一级片'在线观看视频| av不卡在线播放| 国产亚洲精品第一综合不卡| 免费高清在线观看日韩| 成人国产麻豆网| 久久99热这里只频精品6学生| 在线免费观看不下载黄p国产| 18禁国产床啪视频网站| 少妇的丰满在线观看| 亚洲熟女毛片儿| 成人亚洲欧美一区二区av| 亚洲欧洲日产国产| 涩涩av久久男人的天堂| 又大又爽又粗| 国产片特级美女逼逼视频| 亚洲久久久国产精品| 少妇的丰满在线观看| 啦啦啦啦在线视频资源| 国产精品久久久久久人妻精品电影 | 国产日韩欧美亚洲二区| 亚洲一卡2卡3卡4卡5卡精品中文| 无限看片的www在线观看| 午夜免费观看性视频| 国产免费福利视频在线观看| 成人国产麻豆网| 中文字幕高清在线视频| 亚洲美女搞黄在线观看| 国产一区二区激情短视频 | 久久精品国产a三级三级三级| 久久亚洲国产成人精品v| 电影成人av| 十分钟在线观看高清视频www| 久久毛片免费看一区二区三区| 男女床上黄色一级片免费看| 精品国产乱码久久久久久男人| 如日韩欧美国产精品一区二区三区| 激情五月婷婷亚洲| 丝袜脚勾引网站| 亚洲国产毛片av蜜桃av| 久久精品人人爽人人爽视色| 日韩一卡2卡3卡4卡2021年| 一本久久精品| 波多野结衣av一区二区av| 丝袜美腿诱惑在线| 亚洲免费av在线视频| 国产成人a∨麻豆精品| 午夜精品国产一区二区电影| 看免费成人av毛片| 精品一区二区三区四区五区乱码 | 少妇被粗大猛烈的视频| 国产成人免费无遮挡视频| 黑人巨大精品欧美一区二区蜜桃| 黑丝袜美女国产一区| 国产成人91sexporn| 无限看片的www在线观看| 欧美在线黄色| 在线天堂中文资源库| 亚洲欧洲国产日韩| 国产免费一区二区三区四区乱码| 黑人巨大精品欧美一区二区蜜桃| 看免费成人av毛片| 视频区图区小说| 美国免费a级毛片| 一级爰片在线观看| 欧美在线一区亚洲| 男女国产视频网站| 亚洲熟女毛片儿| www.av在线官网国产| 国产极品粉嫩免费观看在线| 欧美精品av麻豆av| 国产精品国产三级国产专区5o| 久久亚洲国产成人精品v| 成人黄色视频免费在线看| 久久国产亚洲av麻豆专区| 亚洲国产精品国产精品| 中文字幕人妻丝袜制服| 一边亲一边摸免费视频| 曰老女人黄片| 欧美老熟妇乱子伦牲交| 观看av在线不卡| 99久久综合免费| 免费少妇av软件| 最新的欧美精品一区二区| 综合色丁香网| 亚洲少妇的诱惑av| 美女脱内裤让男人舔精品视频| 久久久久视频综合| 欧美人与性动交α欧美软件| 天天影视国产精品| 满18在线观看网站| 成人影院久久| 女人被躁到高潮嗷嗷叫费观| 国产av精品麻豆| 免费在线观看视频国产中文字幕亚洲 | 看免费av毛片| 久久天堂一区二区三区四区| 亚洲av福利一区| 99久久人妻综合| av免费观看日本| 亚洲欧美激情在线| 国产精品久久久久久人妻精品电影 | 国产成人一区二区在线| 成人影院久久| 精品人妻在线不人妻| 爱豆传媒免费全集在线观看| videos熟女内射| 日本一区二区免费在线视频| 女人被躁到高潮嗷嗷叫费观| 天堂中文最新版在线下载| 久久久久精品国产欧美久久久 | 久久久久久久久久久免费av| 一级毛片 在线播放| 日韩欧美精品免费久久| 巨乳人妻的诱惑在线观看| 婷婷色麻豆天堂久久| 在线观看免费高清a一片| 国产精品麻豆人妻色哟哟久久| 国产精品 国内视频| 日韩成人av中文字幕在线观看| 亚洲精品一区蜜桃| 成人毛片60女人毛片免费| 制服人妻中文乱码| 欧美日韩亚洲高清精品| 大陆偷拍与自拍| 国产精品 欧美亚洲| 我要看黄色一级片免费的| 考比视频在线观看| 成人黄色视频免费在线看| 精品久久久精品久久久| 成人午夜精彩视频在线观看| 如日韩欧美国产精品一区二区三区| 天天躁日日躁夜夜躁夜夜| 男人添女人高潮全过程视频| 亚洲美女黄色视频免费看| 欧美乱码精品一区二区三区| 日韩电影二区| 国产 一区精品| 午夜福利影视在线免费观看| 人妻 亚洲 视频| 日本色播在线视频| 日韩免费高清中文字幕av| 欧美变态另类bdsm刘玥| 哪个播放器可以免费观看大片| 国语对白做爰xxxⅹ性视频网站| 久久久精品免费免费高清| 超色免费av| 王馨瑶露胸无遮挡在线观看| 日韩一区二区视频免费看| 大香蕉久久成人网| 精品少妇内射三级| 国产xxxxx性猛交| 国产精品一国产av| 又黄又粗又硬又大视频| 亚洲第一青青草原| 一区在线观看完整版| av电影中文网址| 一个人免费看片子| 亚洲精品aⅴ在线观看| 多毛熟女@视频| 18禁观看日本| 男女下面插进去视频免费观看| 人人妻人人添人人爽欧美一区卜| 国产一区有黄有色的免费视频| 汤姆久久久久久久影院中文字幕| 王馨瑶露胸无遮挡在线观看| 久久天堂一区二区三区四区| 精品久久久久久电影网| 水蜜桃什么品种好| 亚洲中文av在线| 国产亚洲午夜精品一区二区久久| 国产成人欧美| 国产伦人伦偷精品视频| 欧美精品av麻豆av| 女人高潮潮喷娇喘18禁视频| 亚洲精品久久久久久婷婷小说| 91精品伊人久久大香线蕉| 一区二区日韩欧美中文字幕| 又大又黄又爽视频免费| av女优亚洲男人天堂| 国产一区二区激情短视频 | 亚洲成人av在线免费| √禁漫天堂资源中文www| www.自偷自拍.com| 日韩一本色道免费dvd| 午夜日韩欧美国产| 亚洲人成网站在线观看播放| 亚洲伊人久久精品综合| 建设人人有责人人尽责人人享有的| 狠狠婷婷综合久久久久久88av| 黑人欧美特级aaaaaa片| 波多野结衣av一区二区av| 亚洲美女黄色视频免费看| 99久国产av精品国产电影| 国产一区二区三区综合在线观看| 一级片'在线观看视频| 国产深夜福利视频在线观看| 精品国产乱码久久久久久男人| 综合色丁香网| 精品视频人人做人人爽| 视频区图区小说| 好男人视频免费观看在线| 1024香蕉在线观看| 色婷婷av一区二区三区视频| 国产日韩欧美视频二区| 免费观看av网站的网址| 亚洲,一卡二卡三卡| 精品人妻在线不人妻| 亚洲伊人久久精品综合| 青春草国产在线视频| 制服丝袜香蕉在线| 久久97久久精品| 考比视频在线观看| 色吧在线观看| 女人被躁到高潮嗷嗷叫费观| 母亲3免费完整高清在线观看| 王馨瑶露胸无遮挡在线观看| 免费在线观看完整版高清| 亚洲一级一片aⅴ在线观看| 精品国产超薄肉色丝袜足j| 免费女性裸体啪啪无遮挡网站| 啦啦啦中文免费视频观看日本| 日韩一区二区视频免费看| av片东京热男人的天堂| 美女视频免费永久观看网站| 国产精品久久久久久人妻精品电影 | 精品卡一卡二卡四卡免费| 尾随美女入室| 2018国产大陆天天弄谢| 嫩草影视91久久| 中文欧美无线码| 美女国产高潮福利片在线看| 成人免费观看视频高清| 中文字幕最新亚洲高清| 亚洲第一av免费看| 亚洲av成人精品一二三区| 天堂俺去俺来也www色官网| 国产福利在线免费观看视频| 午夜日韩欧美国产| 亚洲久久久国产精品| 多毛熟女@视频| 亚洲欧美色中文字幕在线| 国产欧美亚洲国产| √禁漫天堂资源中文www| 日本91视频免费播放| 99香蕉大伊视频| 欧美成人午夜精品| 国产成人精品久久久久久| 精品少妇久久久久久888优播| 久久精品熟女亚洲av麻豆精品| 精品一区二区免费观看| 黄色 视频免费看| 国产极品天堂在线| 久久久久精品性色| 欧美日韩亚洲综合一区二区三区_| 欧美少妇被猛烈插入视频| 悠悠久久av| 婷婷色麻豆天堂久久| 美国免费a级毛片| 久久精品人人爽人人爽视色| 精品一区二区三区av网在线观看 | 午夜福利,免费看| 免费av中文字幕在线| 精品亚洲成国产av| 日韩伦理黄色片| 色综合欧美亚洲国产小说| 国产精品久久久久久久久免| 亚洲av国产av综合av卡| 丝袜脚勾引网站| 亚洲欧美一区二区三区黑人| 久久精品国产综合久久久| 19禁男女啪啪无遮挡网站| 黑人欧美特级aaaaaa片| 国产又色又爽无遮挡免| 美女扒开内裤让男人捅视频| 精品亚洲成a人片在线观看| 亚洲国产欧美一区二区综合| av一本久久久久| 久久狼人影院| 久久久久精品久久久久真实原创| 最近手机中文字幕大全| 国产在线视频一区二区| 久久综合国产亚洲精品| 久久毛片免费看一区二区三区| 男女国产视频网站| a级片在线免费高清观看视频| 国产男人的电影天堂91| 日韩 欧美 亚洲 中文字幕| 国产一区亚洲一区在线观看| 丁香六月天网| 日本色播在线视频| 精品国产超薄肉色丝袜足j| 亚洲精品日韩在线中文字幕| 欧美日韩精品网址| 国产成人精品无人区| 免费日韩欧美在线观看| 久久久国产精品麻豆| 成人影院久久| 热99久久久久精品小说推荐| √禁漫天堂资源中文www| 男女无遮挡免费网站观看| 中文精品一卡2卡3卡4更新| 国产精品麻豆人妻色哟哟久久| 亚洲av男天堂| 国产乱人偷精品视频| 亚洲国产av影院在线观看| 自线自在国产av| 少妇人妻 视频| 黄色 视频免费看| 亚洲天堂av无毛| 亚洲国产欧美日韩在线播放| 观看av在线不卡| 飞空精品影院首页| 哪个播放器可以免费观看大片| 亚洲精品国产区一区二| 黄片无遮挡物在线观看| 性色av一级| 青草久久国产| 韩国高清视频一区二区三区| 久久精品亚洲av国产电影网| 另类精品久久| 大香蕉久久成人网| 国产精品一二三区在线看| 国产精品偷伦视频观看了| 青春草国产在线视频| 在线观看免费日韩欧美大片| 国产精品一二三区在线看| 国产精品成人在线| 亚洲精品中文字幕在线视频| 中文欧美无线码| 黄色 视频免费看| 看非洲黑人一级黄片| av线在线观看网站| 亚洲av男天堂| tube8黄色片| 国产男人的电影天堂91| 精品国产一区二区三区四区第35| 亚洲国产欧美在线一区| 久久国产精品男人的天堂亚洲| 国产一区亚洲一区在线观看| 青春草视频在线免费观看| 免费久久久久久久精品成人欧美视频| 日韩精品免费视频一区二区三区| 国产激情久久老熟女| 国产av一区二区精品久久| 国产视频首页在线观看| 国产伦理片在线播放av一区| 青春草亚洲视频在线观看| 国产精品二区激情视频| 久久精品久久精品一区二区三区| 不卡视频在线观看欧美| 高清不卡的av网站| 亚洲av电影在线进入| 丰满少妇做爰视频| 国产伦人伦偷精品视频| av女优亚洲男人天堂| 又大又爽又粗| 亚洲成人一二三区av| 国产精品一国产av| 国产爽快片一区二区三区| 国产精品秋霞免费鲁丝片| 亚洲成人免费av在线播放| 777米奇影视久久| 美女中出高潮动态图| 丰满乱子伦码专区| kizo精华| 日本爱情动作片www.在线观看| 久久久国产精品麻豆| 日韩欧美精品免费久久| 制服丝袜香蕉在线| 黄色视频在线播放观看不卡| 亚洲精品久久久久久婷婷小说| 超碰97精品在线观看| 操出白浆在线播放| 97在线人人人人妻| 在线观看三级黄色| 1024香蕉在线观看| 久久青草综合色| 亚洲成色77777| 一本大道久久a久久精品| 亚洲精品aⅴ在线观看| 一边摸一边做爽爽视频免费| 亚洲精品,欧美精品| 纯流量卡能插随身wifi吗| 精品久久久久久电影网| 午夜影院在线不卡| av一本久久久久| 精品人妻熟女毛片av久久网站| 毛片一级片免费看久久久久| 免费观看人在逋| 日韩 亚洲 欧美在线| 国产黄频视频在线观看| 亚洲精品中文字幕在线视频| 亚洲av成人精品一二三区| tube8黄色片| 免费av中文字幕在线| 日本黄色日本黄色录像| 看免费av毛片| 国产av精品麻豆| 亚洲欧美中文字幕日韩二区| 午夜日本视频在线| 欧美成人精品欧美一级黄| 免费不卡黄色视频| 日韩电影二区| 熟女少妇亚洲综合色aaa.| 国产毛片在线视频| 99久久99久久久精品蜜桃| 成年美女黄网站色视频大全免费| 下体分泌物呈黄色| 日本av免费视频播放| 伊人久久国产一区二区| 日本猛色少妇xxxxx猛交久久| 亚洲欧美成人精品一区二区| 久久青草综合色| 叶爱在线成人免费视频播放| 9热在线视频观看99| 如日韩欧美国产精品一区二区三区| 自线自在国产av| 啦啦啦在线观看免费高清www| kizo精华| 嫩草影院入口| 久久99一区二区三区| 黄网站色视频无遮挡免费观看| 女人久久www免费人成看片| av卡一久久| 国产女主播在线喷水免费视频网站| 少妇 在线观看| 日韩伦理黄色片|