• <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 ?

    基于特征選擇和改進(jìn)K-均值聚類的異常用電行為檢測(cè)算法

    2023-12-27 13:05:02楊利辛黃曉波李凱
    關(guān)鍵詞:特征選擇均值用電

    楊利辛,黃曉波,李凱

    (1.南方電網(wǎng)能源發(fā)展研究院有限公司,廣東 廣州 510000; 2.南方電網(wǎng)數(shù)字電網(wǎng)集團(tuán)有限公司, 廣東 廣州 510000;3.廣東電網(wǎng)有限責(zé)任公司,廣東 廣州 510000)

    竊電等異常用電行為是造成電力系統(tǒng)非技術(shù)性損失的主要原因,給電網(wǎng)的安全、穩(wěn)定和可靠運(yùn)行帶來(lái)嚴(yán)重威脅。傳統(tǒng)異常用電行為檢測(cè)采用人工巡檢方式,需要消耗大量的人力物力資源,已不能滿足實(shí)際需求[1]。近年來(lái),隨著我國(guó)智慧電網(wǎng)的建設(shè)和發(fā)展,電力公司在發(fā)電、輸電、配電和用電端安裝和部署了大量的智能電表等數(shù)據(jù)采集傳感器,這些傳感器可以按每天數(shù)十次的頻率采集和記錄電力系統(tǒng)各個(gè)環(huán)節(jié)的相關(guān)數(shù)據(jù),這些數(shù)據(jù)中隱含著不同用戶用電行為信息,也為異常用電行為檢測(cè)提供了間接的“證據(jù)”[2],如何對(duì)這些信息進(jìn)行有效挖掘利用,從而快速、準(zhǔn)確地定位異常用電行為,是電力企業(yè)亟待解決的一個(gè)難題,也是當(dāng)前研究的熱點(diǎn)[3-5]。

    目前基于數(shù)據(jù)驅(qū)動(dòng)的異常用電行為檢測(cè)方法總結(jié)起來(lái)可以分為有監(jiān)督類方法和無(wú)監(jiān)督類方法2類[6],兩者的主要差異在于是否需要帶標(biāo)簽的數(shù)據(jù)集用于模型訓(xùn)練,其中有監(jiān)督類方法以支持向量機(jī)(Support Vector Machine, SVM)、隨機(jī)森林和卷積神經(jīng)網(wǎng)絡(luò)等方法為代表,利用帶標(biāo)簽數(shù)據(jù)集完成最優(yōu)模型參數(shù)的學(xué)習(xí),進(jìn)而利用最優(yōu)模型對(duì)未知用戶用電行為進(jìn)行異常判決[7-9]。文獻(xiàn)[10]提出一種基于SVM的異常用電行為檢測(cè)模型,為了提升檢測(cè)性能,利用決策樹對(duì)SVM核函數(shù)進(jìn)行優(yōu)化,基于某臺(tái)區(qū)電力用戶真實(shí)用電數(shù)據(jù)驗(yàn)證了該方法的有效性;文獻(xiàn)[11]將隨機(jī)森林算法應(yīng)用于異常用電行為檢測(cè)領(lǐng)域,并構(gòu)建Hadoop分布式計(jì)算框架以提升算法實(shí)時(shí)性;文獻(xiàn)[12]利用卷積神經(jīng)網(wǎng)絡(luò)挖掘電力用戶用電量序列中的時(shí)間相關(guān)性信息,并建立分類模型實(shí)現(xiàn)對(duì)正常和異常用電行為的分類判決。上述有監(jiān)督異常用電檢測(cè)模型由于用到了帶標(biāo)簽訓(xùn)練樣本集,通常能夠獲得較高的異常檢測(cè)性能,然而根據(jù)生產(chǎn)生活經(jīng)驗(yàn)可知,海量電力用戶中異常用戶占比很低,通常難以獲得足夠多異常用電行為對(duì)應(yīng)的訓(xùn)練樣本,限制了該類方法在實(shí)際中的應(yīng)用[13]。無(wú)監(jiān)督類方法不需要訓(xùn)練樣本,基于相似性原理對(duì)數(shù)據(jù)進(jìn)行自動(dòng)劃分聚類,大多數(shù)正常用電數(shù)據(jù)會(huì)表現(xiàn)出一定的聚集性,而異常用電數(shù)據(jù)通常會(huì)以離群點(diǎn)的形式存在,無(wú)監(jiān)督類方法以K-均值聚類,基于密度的帶噪聲空間聚類(Density-Based Spatial Clustering of Application with Noise, DBSCAN)等方法為代表,文獻(xiàn)[14]采用K-均值聚類對(duì)電力用戶用電量特征進(jìn)行聚類分析,針對(duì)真實(shí)數(shù)據(jù)獲得了優(yōu)于85%的異常用電行為檢測(cè)查準(zhǔn)率;文獻(xiàn)[15]針對(duì)異常用電行為在線實(shí)時(shí)檢測(cè)需求,利用DBSCAN方法對(duì)用電趨勢(shì)特征進(jìn)行實(shí)時(shí)聚類分析,最終獲得了優(yōu)于87.5%的檢測(cè)正確率。無(wú)監(jiān)督類方法不需要帶標(biāo)簽訓(xùn)練數(shù)據(jù),大大降低了數(shù)據(jù)獲取難度,且具有算法簡(jiǎn)單容易實(shí)現(xiàn)等優(yōu)點(diǎn),缺點(diǎn)是聚類性能對(duì)模型參數(shù)具有較強(qiáng)的依賴性,而參數(shù)選取往往并非易事[16,17]。

    在此基礎(chǔ)上,提出了一種基于特征選擇和改進(jìn)K-均值聚類的無(wú)監(jiān)督異常用電行為檢測(cè)模型,首先從用電量變化,線路損耗和電力參數(shù)三個(gè)維度提取15維特征構(gòu)成特征向量,實(shí)現(xiàn)高維用電數(shù)據(jù)的降維表征,然后利用相關(guān)向量機(jī)(Relevance Vector Machine, RVM)進(jìn)行特征選擇自動(dòng)確定最優(yōu)特征集合,同時(shí)進(jìn)一步實(shí)現(xiàn)數(shù)據(jù)降維,最后提出一種基于信息增益的改進(jìn)K-均值聚類算法對(duì)最優(yōu)特征集合進(jìn)行聚類分析,實(shí)現(xiàn)異常用電檢測(cè)。相對(duì)于傳統(tǒng)K-均值,所提方法能夠自動(dòng)確定聚類個(gè)數(shù)和初始聚類中心,從而提升聚類性能。基于愛(ài)爾蘭智能電表公開(kāi)數(shù)據(jù)集開(kāi)展實(shí)驗(yàn),并從精準(zhǔn)率、召回率和ROC曲線AUC值三方面對(duì)所提方法的性能進(jìn)行定量分析。

    1 用電行為的特征表示

    1.1 特征提取

    智慧電網(wǎng)背景下,電力企業(yè)利用線路參數(shù)采集設(shè)備和智能電表等電能計(jì)量設(shè)備獲得輸電線路側(cè)和用電側(cè)的海量數(shù)據(jù),這些數(shù)據(jù)中隱含著與用電行為相關(guān)的有用信息,同時(shí)也不可避免地會(huì)存在大量噪聲、干擾等無(wú)用信息,要從海量高維數(shù)據(jù)中挖掘出有用信息,實(shí)現(xiàn)去偽存真,特征提取是關(guān)鍵[18]。特征提取是指從原始高維數(shù)據(jù)中抽象凝練出一些能夠表征異常行為的特征參數(shù),這些特征是原始數(shù)據(jù)的一種降維表征,能夠較好地描述不同用電行為之間的差異性,大大降低后續(xù)數(shù)據(jù)處理的難度。

    通過(guò)對(duì)大量正常和異常用電行為數(shù)據(jù)進(jìn)行分析,發(fā)現(xiàn)正常用戶的用電量變化曲線存在一定周期性,并且線路損耗和電壓電流值較為平穩(wěn),而異常用電行為的用電量通常表現(xiàn)出逐漸下降的趨勢(shì),同時(shí)線路損耗值較大,電壓電流也會(huì)出現(xiàn)較大波動(dòng),因此從用電量變化趨勢(shì)、線路損耗和電壓電流波動(dòng)三個(gè)方面提取表1所示15維特征構(gòu)成特征向量。

    表1 特征向量組成

    1.2 基于RVM的特征選擇

    按照傳統(tǒng)的異常檢測(cè)模型,特征提取完成后需要進(jìn)行分類器設(shè)計(jì)從而實(shí)現(xiàn)對(duì)不同用電行為的分類判決。然而,當(dāng)前的特征提取過(guò)程與分類器設(shè)計(jì)過(guò)程是相互獨(dú)立的,特征提取過(guò)程并沒(méi)有考慮所提特征對(duì)于分類器而言是否最優(yōu),并且主觀提取的特征通常含有較多冗余信息,這些信息不僅對(duì)異常用電檢測(cè)沒(méi)有幫助,反而會(huì)誤導(dǎo)分類器訓(xùn)練,因此有必要進(jìn)行特征選擇,從特征向量中確定最優(yōu)特征集合,從而提升分類性能。RVM是在SVM基礎(chǔ)上發(fā)展起來(lái)的一種基于貝葉斯框架的概率模型,相對(duì)于SVM具有更強(qiáng)的稀疏性,能夠?qū)崿F(xiàn)特征選擇與分類器設(shè)計(jì)的聯(lián)合優(yōu)化,因此本文選擇RVM對(duì)上述15維特征進(jìn)行進(jìn)一步分析,以獲得最優(yōu)特征集合。利用RVM進(jìn)行特征選擇的模型可以表示為:

    (1)

    其中,fm為第m個(gè)電力用戶對(duì)應(yīng)的特征向量,K(f,fm)為核函數(shù),w=[w1,w2,…,wm)]T為權(quán)向量,ε為數(shù)據(jù)中的噪聲成分,為了構(gòu)建完整的貝葉斯模型,分別對(duì)權(quán)向量和噪聲成分進(jìn)行概率模型設(shè)計(jì),合理的概率模型為高斯分布[19],即w服從均值為零,協(xié)方差矩陣為α-1I的高斯分布,ε服從均值為零,協(xié)方差矩陣為γ-1I的高斯分布。

    2 異常用電行為檢測(cè)模型

    K-均值聚類是一種經(jīng)典的基于劃分的聚類方法,被廣泛應(yīng)用于異常檢測(cè)領(lǐng)域。然而,傳統(tǒng)K-均值的聚類性能與聚類數(shù)目K和初始聚類中心的設(shè)置密切相關(guān),目前常用的基于專家知識(shí)庫(kù)或先驗(yàn)信息的方法存在主觀性強(qiáng)且適應(yīng)性差的問(wèn)題。為了解決該問(wèn)題,本文提出一種基于信息增益確定最優(yōu)聚類個(gè)數(shù)的方法,同時(shí)考慮到K-均值是以歐式距離遠(yuǎn)近作為聚類劃分準(zhǔn)則的方法,選取空間密度最大的K個(gè)樣本作為初始聚類中心,通過(guò)信息增益和樣本空間密度的方式自動(dòng)確定K-均值聚類的聚類個(gè)數(shù)和初始聚類中心,從而提升聚類性能。

    所提改進(jìn)K-均值聚類涉及的相關(guān)概念為:

    定義1:特征空間的信息熵

    (2)

    定義2:聚類后第k個(gè)子類的信息熵

    根據(jù)式(2)給出的樣本空間信息熵定義,可以進(jìn)一步得到聚類后第k個(gè)子類的信息熵為:

    (3)

    其中,Ck為第k個(gè)子類對(duì)應(yīng)的特征序號(hào)集合。

    定義3:聚類后的信息增益

    假設(shè)聚類后得到K個(gè)子類,則該聚類對(duì)應(yīng)的信息增益定義為:

    定義4:樣本xn的空間密度dist(xn)

    (5)

    其中,‖·‖l2表示求變量的l2范數(shù)。

    在上述定義的基礎(chǔ)上,所提改進(jìn)K-均值聚類的具體算法流程可以總結(jié)為:

    輸出:聚類結(jié)果和異常檢測(cè)結(jié)果。

    算法流程:

    設(shè)置聚類個(gè)數(shù)k=1,

    步驟2:根據(jù)式(3)計(jì)算得到聚類個(gè)數(shù)為k情況下的信息熵Ek;

    步驟3:根據(jù)式(4)計(jì)算得到此時(shí)的信息增益Ik,并將其記錄;

    步驟4:令k=k+1,重復(fù)步驟1~步驟3,指導(dǎo)k=Kmax;

    步驟5:選擇步驟3記錄的所有信息增益的最大值對(duì)應(yīng)的k作為最優(yōu)聚類個(gè)數(shù)K;

    步驟6:選取空間密度最大的K個(gè)特征作為初始聚類中心;

    步驟7:將特征空間中非聚類中心特征按照歐式距離的劃分至與其距離最近的聚類中;

    步驟8:按式(6)計(jì)算得到新的聚類中心

    (6)

    其中,nk為第k個(gè)子集中的特征個(gè)數(shù)。

    步驟9:根據(jù)步驟8得到新聚類中心對(duì)特征空間進(jìn)行重新劃分,若相鄰兩次劃分得到的結(jié)果一致,則認(rèn)為算法收斂,否則重復(fù)步驟7和步驟8。

    3 實(shí)驗(yàn)結(jié)果與分析

    3.1 實(shí)驗(yàn)數(shù)據(jù)

    本部分內(nèi)容中,采用愛(ài)爾蘭智能電表記錄的公開(kāi)數(shù)據(jù)集開(kāi)展驗(yàn)證實(shí)驗(yàn),對(duì)所提方法的異常檢測(cè)性能進(jìn)行驗(yàn)證,該數(shù)據(jù)集來(lái)源于愛(ài)爾蘭Commission for Energy Regulation,本意是為智能電網(wǎng)研究提供相應(yīng)的數(shù)據(jù)支撐,也是目前異常用電行為檢測(cè)領(lǐng)域應(yīng)用最廣的數(shù)據(jù)集,該數(shù)據(jù)集的使用方式和下載地址見(jiàn)[21]。該數(shù)據(jù)集包括534個(gè)電力用戶536天的用電量數(shù)據(jù),其中正常用戶數(shù)量為521,異常用戶數(shù)量為13,數(shù)據(jù)記錄頻率為30 min一次,異常用戶已被提前標(biāo)準(zhǔn),由于本文方法為無(wú)監(jiān)督方法,所以異常用戶標(biāo)簽僅用于模型評(píng)估,不在檢測(cè)過(guò)程中使用。

    采用精準(zhǔn)率(Precision),召回率(Recall)和接收機(jī)工作特性曲線(Receiver Operating Characteristic, ROC)對(duì)應(yīng)的AUC值三項(xiàng)指標(biāo)定量評(píng)估所提模型的異常檢測(cè)性能,其中精準(zhǔn)率和召回率的定義為:

    (7)

    其中,TP表示將異常用戶檢測(cè)為異常用戶的樣本數(shù)量,TN表示將正常用戶檢測(cè)為正常用戶的樣本數(shù)量,FP表示異常用戶檢測(cè)為正常用戶的樣本數(shù)量,FN表示將正常用戶檢測(cè)為異常用戶的樣本數(shù)量。

    ROC曲線是以虛警概率和檢測(cè)概率為橫縱坐標(biāo)繪制而成的一條用于評(píng)估分類模型性能的曲線,通常用ROC曲線與直線y=1之間區(qū)域的面積值A(chǔ)UC作為ROC曲線的量化指標(biāo),AUC值越大,表明分類模型性能越好。

    3.2 實(shí)驗(yàn)結(jié)果與分析

    圖1 RVM特征選擇結(jié)果

    獲得最優(yōu)特征集合后,將其作為改進(jìn)K-均值聚類的輸入進(jìn)行自動(dòng)聚類分析,實(shí)驗(yàn)中設(shè)置最大聚類個(gè)數(shù)Kmax=8,根據(jù)改進(jìn)K-均值聚類步驟進(jìn)行聚類分析得到的信息增益隨聚類個(gè)數(shù)k的變化曲線如圖2所示,可以看出,當(dāng)k=3時(shí),信息增益最大,即最優(yōu)聚類個(gè)數(shù)K=3。圖3(a)給出了所提方法得到的最終聚類結(jié)果,為了對(duì)比圖3(b)給出了傳統(tǒng)K-均值聚類得到聚類結(jié)果,可以看出所提方法獲得的聚類結(jié)果呈現(xiàn)出較好的聚集性,類內(nèi)數(shù)據(jù)分布較為集中,類間數(shù)據(jù)分布較為疏遠(yuǎn),聚類結(jié)果較為理想,同時(shí)類別3即所提方法獲得異常用電行為聚類,而傳統(tǒng)K-均值聚類結(jié)果獲得的最優(yōu)聚類數(shù)為K=4,將圖3(a)中的聚類1又分為了3個(gè)子類,但是將圖3(a)中聚類2和聚類3劃分為同一個(gè)子類,該聚類結(jié)果無(wú)法直接進(jìn)行異常用電行為檢測(cè),需要聯(lián)合其他手段才能實(shí)現(xiàn)對(duì)聚類3中異常用電行為的定位,增加了模型的復(fù)雜度。

    圖2 信息增益隨聚類個(gè)數(shù)變化

    (a)所提改進(jìn)K-均值聚類

    (b)傳統(tǒng)K-均值聚類

    圖4給出了所提方法的ROC曲線,同時(shí)為了對(duì)比,圖4中給出了在相同條件下采用文獻(xiàn)[15]所提方法得到的異常檢測(cè)結(jié)果,可以看出在同一個(gè)坐標(biāo)系內(nèi),所提方法的ROC曲線位于文獻(xiàn)[15]提出方法的左上方,與直線y=1圍成的面積更大、性能更優(yōu)。表3給出了兩種方法的精準(zhǔn)率、召回率和AUC值三項(xiàng)指標(biāo),可以看出,本文所提方法的精準(zhǔn)率,召回率和AUC值三項(xiàng)指標(biāo)均優(yōu)于文獻(xiàn)[15]方法,精準(zhǔn)率提升3.58%,召回率提升2.77%,AUC值提升3.75%,具有更優(yōu)的異常檢測(cè)性能。

    除了上述精準(zhǔn)率、召回率和AUC值三項(xiàng)指標(biāo)外,復(fù)雜度和實(shí)時(shí)性也是評(píng)估異常檢測(cè)算法性能的一個(gè)重要方面,表3中最后一列給出了所提方法和文獻(xiàn)[15]方法完成異常檢測(cè)所需的時(shí)間對(duì)比結(jié)果,可以看出所提方法在獲得更優(yōu)異常檢測(cè)性能的同時(shí),實(shí)時(shí)性也略優(yōu)于文獻(xiàn)[15]方法,究其原因在于,所提方法通過(guò)特征選擇流程實(shí)現(xiàn)了數(shù)據(jù)降維,有效降低了后續(xù)異常檢測(cè)算法的復(fù)雜度,提升了實(shí)時(shí)性。

    表3 不同方法異常檢測(cè)結(jié)果

    圖4 不同方法ROC曲線

    4 結(jié) 論

    K-均值聚類算法具有算法簡(jiǎn)單、容易實(shí)現(xiàn)、不需要訓(xùn)練數(shù)據(jù)集等優(yōu)點(diǎn),被廣泛應(yīng)用于異常用電檢測(cè)領(lǐng)域。K-均值聚類性能受最優(yōu)聚類個(gè)數(shù)和初始聚類中心的選擇影響較大。針對(duì)該問(wèn)題,提出了一種基于RVM特征選擇和改進(jìn)K-均值聚類的異常用電行為檢測(cè)算法。利用RVM對(duì)提取的15維用電量變化、線路損耗和電力參數(shù)特征進(jìn)行自動(dòng)特征選擇,確定2維最優(yōu)特征向量,然后利用改進(jìn)的K-均值聚類進(jìn)行聚類實(shí)現(xiàn)異常檢測(cè),改進(jìn)后的K-均值聚類算法利用信息增益和樣本的空間密度自動(dòng)確定最優(yōu)聚類個(gè)數(shù)和初始聚類中心,能夠有效提升聚類性能。基于愛(ài)爾蘭公開(kāi)數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明,所提方法的精準(zhǔn)率、召回率和AUC值三項(xiàng)指標(biāo)均優(yōu)于對(duì)比方法。

    猜你喜歡
    特征選擇均值用電
    用電安全
    用煤用電用氣保障工作的通知
    安全用電知識(shí)多
    用電安全要注意
    Kmeans 應(yīng)用與特征選擇
    電子制作(2017年23期)2017-02-02 07:17:06
    均值不等式失效時(shí)的解決方法
    均值與方差在生活中的應(yīng)用
    聯(lián)合互信息水下目標(biāo)特征選擇算法
    關(guān)于均值有界變差函數(shù)的重要不等式
    對(duì)偶均值積分的Marcus-Lopes不等式
    激情在线观看视频在线高清| 99热只有精品国产| 天堂动漫精品| 99久久无色码亚洲精品果冻| 国产成人啪精品午夜网站| 色5月婷婷丁香| 日本免费一区二区三区高清不卡| 99在线人妻在线中文字幕| 在线观看午夜福利视频| 级片在线观看| 少妇熟女aⅴ在线视频| 国产av在哪里看| 国产成人福利小说| 国产成人aa在线观看| 怎么达到女性高潮| 国产爱豆传媒在线观看| 久久久久久大精品| 精品人妻熟女av久视频| 精品99又大又爽又粗少妇毛片 | 听说在线观看完整版免费高清| 国产蜜桃级精品一区二区三区| 美女免费视频网站| 亚洲成人久久性| 色哟哟哟哟哟哟| 窝窝影院91人妻| 免费人成在线观看视频色| 99久久精品一区二区三区| 国产在线精品亚洲第一网站| 乱码一卡2卡4卡精品| 免费在线观看亚洲国产| 狂野欧美白嫩少妇大欣赏| 性色avwww在线观看| 免费大片18禁| 午夜两性在线视频| 亚洲 国产 在线| 哪里可以看免费的av片| 午夜激情福利司机影院| 亚洲国产日韩欧美精品在线观看| 亚洲精品日韩av片在线观看| 欧美一区二区亚洲| 99久久精品国产亚洲精品| 人人妻人人看人人澡| 中文字幕av成人在线电影| 长腿黑丝高跟| x7x7x7水蜜桃| 好看av亚洲va欧美ⅴa在| 免费看a级黄色片| 精品久久国产蜜桃| 99热这里只有是精品在线观看 | 嫩草影院新地址| 女人被狂操c到高潮| 亚洲一区二区三区不卡视频| 亚洲成人中文字幕在线播放| 精品久久久久久久末码| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 91av网一区二区| 一个人免费在线观看电影| 女人被狂操c到高潮| 国产免费男女视频| 日韩中字成人| 欧美zozozo另类| 如何舔出高潮| 女同久久另类99精品国产91| 丰满人妻一区二区三区视频av| 18禁裸乳无遮挡免费网站照片| 99国产精品一区二区三区| 大型黄色视频在线免费观看| 舔av片在线| 国产69精品久久久久777片| 欧美+日韩+精品| 日韩欧美精品v在线| 国产伦人伦偷精品视频| 色综合欧美亚洲国产小说| 伊人久久精品亚洲午夜| 国产91精品成人一区二区三区| 桃红色精品国产亚洲av| 精品国内亚洲2022精品成人| 最好的美女福利视频网| 亚洲国产精品成人综合色| 亚洲男人的天堂狠狠| 精品福利观看| 亚洲国产欧洲综合997久久,| 亚洲人成伊人成综合网2020| 免费av观看视频| av中文乱码字幕在线| 亚洲av一区综合| 极品教师在线视频| 动漫黄色视频在线观看| 我要看日韩黄色一级片| 亚洲一区高清亚洲精品| 网址你懂的国产日韩在线| 色综合亚洲欧美另类图片| 午夜老司机福利剧场| 乱码一卡2卡4卡精品| 精品一区二区三区视频在线观看免费| 国产国拍精品亚洲av在线观看| 亚洲成av人片免费观看| 在线观看舔阴道视频| 亚洲乱码一区二区免费版| 免费观看人在逋| 又爽又黄无遮挡网站| 黄色一级大片看看| 亚洲熟妇中文字幕五十中出| 两人在一起打扑克的视频| 熟妇人妻久久中文字幕3abv| 99久久精品热视频| 午夜精品久久久久久毛片777| 色综合婷婷激情| 久久人人精品亚洲av| 国产精品女同一区二区软件 | 内射极品少妇av片p| 国产野战对白在线观看| 欧美xxxx黑人xx丫x性爽| 十八禁国产超污无遮挡网站| 久久欧美精品欧美久久欧美| 性插视频无遮挡在线免费观看| 精品久久久久久久久久久久久| 久久精品91蜜桃| 99在线人妻在线中文字幕| 国产麻豆成人av免费视频| 亚洲国产日韩欧美精品在线观看| 日韩欧美一区二区三区在线观看| 99精品久久久久人妻精品| 久久久久久久久中文| 亚洲成人精品中文字幕电影| 国产成人影院久久av| 亚洲三级黄色毛片| av国产免费在线观看| 精品久久久久久久末码| 人人妻人人看人人澡| 日韩欧美精品v在线| 一个人观看的视频www高清免费观看| 亚洲精品乱码久久久v下载方式| 小说图片视频综合网站| 90打野战视频偷拍视频| 精品福利观看| 黄色女人牲交| 国产亚洲av嫩草精品影院| 亚洲三级黄色毛片| 深夜a级毛片| 99久久无色码亚洲精品果冻| 麻豆一二三区av精品| 亚洲国产精品sss在线观看| 夜夜爽天天搞| 中文字幕av在线有码专区| 日韩成人在线观看一区二区三区| 久久九九热精品免费| 国产在线男女| 国产精品久久久久久精品电影| 欧美乱妇无乱码| 色综合婷婷激情| 国产不卡一卡二| 男插女下体视频免费在线播放| 日日夜夜操网爽| 色在线成人网| 亚洲成av人片免费观看| 91狼人影院| 久久这里只有精品中国| 午夜精品久久久久久毛片777| 一本综合久久免费| 久久精品国产清高在天天线| 日本黄色片子视频| av在线蜜桃| 亚洲性夜色夜夜综合| 成人亚洲精品av一区二区| 成人特级黄色片久久久久久久| 琪琪午夜伦伦电影理论片6080| 男人狂女人下面高潮的视频| 国产视频一区二区在线看| 女生性感内裤真人,穿戴方法视频| 欧美3d第一页| 国产免费一级a男人的天堂| 我要看日韩黄色一级片| 欧美一级a爱片免费观看看| 婷婷精品国产亚洲av在线| 日韩av在线大香蕉| 怎么达到女性高潮| 久久婷婷人人爽人人干人人爱| 亚洲国产色片| 亚洲色图av天堂| АⅤ资源中文在线天堂| 亚洲精品456在线播放app | 国产91精品成人一区二区三区| 18禁黄网站禁片午夜丰满| 亚洲va日本ⅴa欧美va伊人久久| 亚洲精品日韩av片在线观看| 可以在线观看的亚洲视频| 欧美精品啪啪一区二区三区| 麻豆国产97在线/欧美| 久久草成人影院| 全区人妻精品视频| 岛国在线免费视频观看| 国产精品人妻久久久久久| 五月伊人婷婷丁香| 午夜激情福利司机影院| 永久网站在线| av视频在线观看入口| 日韩大尺度精品在线看网址| 国产精品av视频在线免费观看| 日韩有码中文字幕| 亚洲欧美日韩东京热| 亚洲av免费在线观看| 欧美丝袜亚洲另类 | 九九久久精品国产亚洲av麻豆| 亚洲人成电影免费在线| 精品不卡国产一区二区三区| 国产黄色小视频在线观看| 亚洲人成网站高清观看| 久久亚洲精品不卡| 国产美女午夜福利| 国产毛片a区久久久久| 国产一区二区在线av高清观看| 桃色一区二区三区在线观看| 老熟妇仑乱视频hdxx| 女人十人毛片免费观看3o分钟| 午夜精品一区二区三区免费看| 国产真实伦视频高清在线观看 | 国产成人a区在线观看| 日本与韩国留学比较| 亚洲精品久久国产高清桃花| 在线十欧美十亚洲十日本专区| 久久人人爽人人爽人人片va | 最好的美女福利视频网| 青草久久国产| 国语自产精品视频在线第100页| 精品久久国产蜜桃| 99热这里只有是精品50| 久久这里只有精品中国| 亚洲欧美激情综合另类| 久久久久久九九精品二区国产| 毛片一级片免费看久久久久 | 欧美激情久久久久久爽电影| 国产精品三级大全| 国产色爽女视频免费观看| 午夜福利18| 久久性视频一级片| 伊人久久精品亚洲午夜| av在线天堂中文字幕| 国产高清三级在线| 国产午夜精品久久久久久一区二区三区 | 真实男女啪啪啪动态图| 国产主播在线观看一区二区| 一级av片app| 日韩欧美 国产精品| 久久6这里有精品| 国产伦精品一区二区三区四那| 午夜a级毛片| 亚洲人成伊人成综合网2020| 91久久精品电影网| 97热精品久久久久久| 久久久久免费精品人妻一区二区| 国产一区二区在线av高清观看| 国产精品永久免费网站| 日韩成人在线观看一区二区三区| 中文字幕精品亚洲无线码一区| 一级黄色大片毛片| 久久6这里有精品| 色综合婷婷激情| 亚洲自偷自拍三级| 又爽又黄a免费视频| 亚洲美女黄片视频| 少妇人妻精品综合一区二区 | 91久久精品国产一区二区成人| 亚洲中文日韩欧美视频| 久久精品影院6| 别揉我奶头 嗯啊视频| 村上凉子中文字幕在线| 非洲黑人性xxxx精品又粗又长| 成人特级黄色片久久久久久久| av视频在线观看入口| 18+在线观看网站| 国产成年人精品一区二区| 亚洲男人的天堂狠狠| av中文乱码字幕在线| 精品一区二区三区视频在线| 国产一级毛片七仙女欲春2| 亚洲aⅴ乱码一区二区在线播放| 午夜视频国产福利| 床上黄色一级片| 国产在视频线在精品| 2021天堂中文幕一二区在线观| 男人和女人高潮做爰伦理| 国产精品1区2区在线观看.| 黄色视频,在线免费观看| 国产色婷婷99| 亚洲自偷自拍三级| 精品人妻一区二区三区麻豆 | 日韩精品中文字幕看吧| 一个人免费在线观看电影| 看黄色毛片网站| 国产成年人精品一区二区| 别揉我奶头 嗯啊视频| 日韩欧美精品v在线| 午夜激情欧美在线| 久久热精品热| 别揉我奶头~嗯~啊~动态视频| 麻豆成人av在线观看| 搡老妇女老女人老熟妇| 老司机深夜福利视频在线观看| 午夜福利免费观看在线| 国内精品久久久久精免费| 免费av毛片视频| 精品日产1卡2卡| 99国产极品粉嫩在线观看| 一级作爱视频免费观看| 亚洲成人久久性| 桃红色精品国产亚洲av| 亚洲中文字幕日韩| 高清毛片免费观看视频网站| 亚洲人成网站在线播放欧美日韩| 一边摸一边抽搐一进一小说| 在线观看66精品国产| 日韩欧美免费精品| 亚洲一区二区三区不卡视频| 偷拍熟女少妇极品色| 国产av麻豆久久久久久久| 精品午夜福利在线看| 亚洲第一电影网av| 日韩欧美一区二区三区在线观看| 国产av一区在线观看免费| 少妇被粗大猛烈的视频| 亚洲av电影不卡..在线观看| 在线观看一区二区三区| 国产成人啪精品午夜网站| 亚洲成人中文字幕在线播放| 极品教师在线视频| 国产不卡一卡二| 亚洲第一欧美日韩一区二区三区| 亚洲成人中文字幕在线播放| 成人鲁丝片一二三区免费| 午夜福利在线在线| 国产日本99.免费观看| 好男人电影高清在线观看| 久9热在线精品视频| 欧美三级亚洲精品| 亚洲欧美日韩高清专用| 我的老师免费观看完整版| 久久久久九九精品影院| 久久精品91蜜桃| 久久久久九九精品影院| 亚洲精品在线美女| 国产精品嫩草影院av在线观看 | 此物有八面人人有两片| 国内精品久久久久久久电影| av中文乱码字幕在线| 一级黄片播放器| 在线观看av片永久免费下载| 国产中年淑女户外野战色| 成人毛片a级毛片在线播放| 欧美乱妇无乱码| 亚洲 欧美 日韩 在线 免费| 午夜精品在线福利| 91久久精品电影网| 午夜激情福利司机影院| 2021天堂中文幕一二区在线观| 免费在线观看成人毛片| 亚洲真实伦在线观看| 国产成人av教育| 日韩欧美 国产精品| 久久久国产成人免费| 国内精品美女久久久久久| 久久九九热精品免费| 亚洲第一区二区三区不卡| 国产亚洲av嫩草精品影院| 精品国产亚洲在线| 国产真实乱freesex| 免费在线观看影片大全网站| 99精品久久久久人妻精品| 一区二区三区高清视频在线| 午夜激情福利司机影院| 亚洲乱码一区二区免费版| 国产69精品久久久久777片| 久久人人精品亚洲av| 亚洲一区高清亚洲精品| 中文字幕人成人乱码亚洲影| 国产久久久一区二区三区| 国产精品av视频在线免费观看| 欧洲精品卡2卡3卡4卡5卡区| 黄色女人牲交| 精品久久久久久久久久免费视频| 国产一区二区在线av高清观看| 免费一级毛片在线播放高清视频| 亚洲最大成人av| 久久久久久久久中文| 精品福利观看| 亚洲精品久久国产高清桃花| 欧美日韩黄片免| 久9热在线精品视频| 国产高清视频在线播放一区| 免费在线观看成人毛片| 美女免费视频网站| 国内久久婷婷六月综合欲色啪| 久久99热这里只有精品18| 黄色丝袜av网址大全| 亚洲综合色惰| 日韩大尺度精品在线看网址| a级毛片a级免费在线| 韩国av一区二区三区四区| 免费观看人在逋| 757午夜福利合集在线观看| 久久6这里有精品| h日本视频在线播放| 久久午夜福利片| 国产视频一区二区在线看| 国产亚洲精品久久久com| 两个人的视频大全免费| 久久久久性生活片| 婷婷色综合大香蕉| 尤物成人国产欧美一区二区三区| 欧美精品国产亚洲| 赤兔流量卡办理| 亚洲性夜色夜夜综合| 一个人看视频在线观看www免费| 女人十人毛片免费观看3o分钟| 日韩国内少妇激情av| 一区二区三区四区激情视频 | 99精品久久久久人妻精品| 久久热精品热| 又爽又黄无遮挡网站| 在线观看一区二区三区| 国产高清三级在线| a级毛片免费高清观看在线播放| 国产熟女xx| 69人妻影院| 波野结衣二区三区在线| 色精品久久人妻99蜜桃| 三级国产精品欧美在线观看| aaaaa片日本免费| 日韩成人在线观看一区二区三区| 久久精品国产亚洲av天美| 高清日韩中文字幕在线| 啦啦啦韩国在线观看视频| or卡值多少钱| 国产精品乱码一区二三区的特点| 一区二区三区免费毛片| av在线蜜桃| 99热6这里只有精品| 无遮挡黄片免费观看| 亚洲avbb在线观看| 日本精品一区二区三区蜜桃| 小蜜桃在线观看免费完整版高清| 少妇裸体淫交视频免费看高清| 成年版毛片免费区| 欧美乱妇无乱码| 大型黄色视频在线免费观看| 中出人妻视频一区二区| 宅男免费午夜| 免费在线观看日本一区| 我要搜黄色片| 国产老妇女一区| av女优亚洲男人天堂| 精品人妻1区二区| 老司机福利观看| 日韩欧美一区二区三区在线观看| 欧美潮喷喷水| 在线观看美女被高潮喷水网站 | 在线观看美女被高潮喷水网站 | 欧美日韩乱码在线| 欧美激情久久久久久爽电影| 给我免费播放毛片高清在线观看| 91午夜精品亚洲一区二区三区 | 国产精品国产高清国产av| 十八禁人妻一区二区| 国产精品综合久久久久久久免费| av国产免费在线观看| 色综合欧美亚洲国产小说| 国产91精品成人一区二区三区| 成人一区二区视频在线观看| 少妇裸体淫交视频免费看高清| 国语自产精品视频在线第100页| 亚洲成av人片免费观看| 国产男靠女视频免费网站| 中文字幕免费在线视频6| 国产私拍福利视频在线观看| 午夜免费男女啪啪视频观看 | 成年女人永久免费观看视频| 天天一区二区日本电影三级| 青草久久国产| 人人妻人人澡欧美一区二区| 国产久久久一区二区三区| 天堂√8在线中文| 亚洲无线观看免费| 欧美xxxx黑人xx丫x性爽| 一进一出抽搐gif免费好疼| 97超级碰碰碰精品色视频在线观看| 中文字幕人成人乱码亚洲影| 国内精品久久久久精免费| 18禁在线播放成人免费| 国产视频一区二区在线看| 国产美女午夜福利| av欧美777| 国产探花在线观看一区二区| 精品免费久久久久久久清纯| 亚洲国产高清在线一区二区三| 午夜激情福利司机影院| 亚洲美女视频黄频| 国产伦精品一区二区三区四那| 最近中文字幕高清免费大全6 | 亚洲av成人不卡在线观看播放网| 精品久久久久久成人av| 亚洲内射少妇av| 老司机深夜福利视频在线观看| 久久久久九九精品影院| 免费看a级黄色片| 尤物成人国产欧美一区二区三区| 欧美性猛交黑人性爽| 激情在线观看视频在线高清| 别揉我奶头~嗯~啊~动态视频| 亚洲精品日韩av片在线观看| 亚洲在线观看片| 偷拍熟女少妇极品色| 女同久久另类99精品国产91| 亚洲欧美激情综合另类| 丰满的人妻完整版| 波多野结衣巨乳人妻| 啪啪无遮挡十八禁网站| 久久热精品热| 日本三级黄在线观看| 女生性感内裤真人,穿戴方法视频| 欧美日韩瑟瑟在线播放| 午夜精品久久久久久毛片777| 一级a爱片免费观看的视频| 国产高清三级在线| 制服丝袜大香蕉在线| 成年女人看的毛片在线观看| 欧美中文日本在线观看视频| 亚洲av美国av| 搞女人的毛片| 国产亚洲精品久久久com| 亚洲成人精品中文字幕电影| 国产精品一区二区免费欧美| 午夜亚洲福利在线播放| av在线蜜桃| 欧美成人免费av一区二区三区| 免费高清视频大片| 国产精品一区二区三区四区免费观看 | 日本精品一区二区三区蜜桃| 一个人看视频在线观看www免费| 亚洲av免费高清在线观看| 亚洲成人精品中文字幕电影| 久久久精品大字幕| 狠狠狠狠99中文字幕| 免费在线观看影片大全网站| 午夜福利成人在线免费观看| 有码 亚洲区| 伦理电影大哥的女人| 欧美日韩福利视频一区二区| 国内揄拍国产精品人妻在线| 中文字幕av在线有码专区| 中国美女看黄片| 午夜免费成人在线视频| 国产色爽女视频免费观看| 制服丝袜大香蕉在线| 身体一侧抽搐| 欧美日韩亚洲国产一区二区在线观看| 成年女人永久免费观看视频| 亚洲专区国产一区二区| 亚洲人成伊人成综合网2020| 国产精品免费一区二区三区在线| 内射极品少妇av片p| 国产欧美日韩一区二区精品| 久久国产乱子免费精品| 精品国内亚洲2022精品成人| 男女视频在线观看网站免费| 成人国产一区最新在线观看| 天堂影院成人在线观看| 观看美女的网站| 亚洲一区二区三区色噜噜| 午夜福利成人在线免费观看| 亚洲无线在线观看| 国产视频一区二区在线看| 首页视频小说图片口味搜索| 国产欧美日韩精品亚洲av| 伦理电影大哥的女人| 非洲黑人性xxxx精品又粗又长| 我的女老师完整版在线观看| 老司机深夜福利视频在线观看| 亚洲国产色片| 久久精品国产亚洲av香蕉五月| 韩国av一区二区三区四区| 成年人黄色毛片网站| 一a级毛片在线观看| 午夜免费男女啪啪视频观看 | 男女视频在线观看网站免费| 人人妻,人人澡人人爽秒播| 久久国产精品人妻蜜桃| 岛国在线免费视频观看| 国产三级中文精品| 国产色爽女视频免费观看| 岛国在线免费视频观看| 亚洲av成人不卡在线观看播放网| 国产色爽女视频免费观看| 久久6这里有精品| 国产熟女xx| 1024手机看黄色片| 黄色女人牲交| 国产免费男女视频| 日韩 亚洲 欧美在线| 国产精品,欧美在线| 欧美精品啪啪一区二区三区| 美女 人体艺术 gogo| 88av欧美| 网址你懂的国产日韩在线| 色视频www国产| 国产成人福利小说| 九九在线视频观看精品| 婷婷丁香在线五月| 色综合站精品国产| 亚洲中文字幕日韩| 欧美日韩亚洲国产一区二区在线观看| 亚洲最大成人av| 麻豆久久精品国产亚洲av| 亚洲精品乱码久久久v下载方式| 欧美一区二区亚洲| 老熟妇仑乱视频hdxx|