• <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
    免费黄网站久久成人精品| 国产av在哪里看| 最近最新中文字幕大全电影3| 国产中年淑女户外野战色| 少妇人妻精品综合一区二区| 日韩一区二区三区影片| 成人亚洲精品av一区二区| 成人一区二区视频在线观看| 国产精品人妻久久久久久| 国内精品一区二区在线观看| 国产有黄有色有爽视频| 婷婷色麻豆天堂久久| 亚洲欧美精品专区久久| 在线观看免费高清a一片| 一个人免费在线观看电影| 18禁裸乳无遮挡免费网站照片| 乱系列少妇在线播放| 亚洲不卡免费看| 80岁老熟妇乱子伦牲交| 国产精品久久久久久久电影| 3wmmmm亚洲av在线观看| 日韩强制内射视频| 成人午夜高清在线视频| 日本一二三区视频观看| 欧美xxxx性猛交bbbb| 国产精品蜜桃在线观看| 欧美成人精品欧美一级黄| 久久久a久久爽久久v久久| 成年版毛片免费区| 欧美最新免费一区二区三区| 久久久久久九九精品二区国产| 少妇人妻一区二区三区视频| 成人国产麻豆网| 国产成人91sexporn| 国产国拍精品亚洲av在线观看| 亚洲av免费在线观看| 日韩强制内射视频| 亚洲婷婷狠狠爱综合网| 国产人妻一区二区三区在| 午夜福利成人在线免费观看| av在线老鸭窝| 亚洲欧美成人精品一区二区| 网址你懂的国产日韩在线| 身体一侧抽搐| 欧美日韩在线观看h| 最近最新中文字幕免费大全7| 国产精品爽爽va在线观看网站| 一二三四中文在线观看免费高清| 能在线免费观看的黄片| 免费黄网站久久成人精品| a级一级毛片免费在线观看| 欧美日韩一区二区视频在线观看视频在线 | 亚洲自偷自拍三级| 人妻少妇偷人精品九色| 亚洲丝袜综合中文字幕| 久久久久久久久久久免费av| 国产精品一区二区三区四区免费观看| 久久精品国产亚洲网站| 亚洲精品国产av蜜桃| 18禁动态无遮挡网站| 直男gayav资源| 免费人成在线观看视频色| 嘟嘟电影网在线观看| 亚洲熟女精品中文字幕| 97超视频在线观看视频| 少妇的逼好多水| 久久精品夜色国产| 午夜福利高清视频| 神马国产精品三级电影在线观看| 黄片无遮挡物在线观看| 一边亲一边摸免费视频| 国产精品熟女久久久久浪| 欧美成人精品欧美一级黄| 免费av观看视频| 色网站视频免费| 成人国产麻豆网| 亚洲aⅴ乱码一区二区在线播放| 欧美3d第一页| 亚洲国产日韩欧美精品在线观看| 夜夜看夜夜爽夜夜摸| 亚洲精品,欧美精品| 免费黄频网站在线观看国产| 成人亚洲精品av一区二区| 免费观看精品视频网站| 波野结衣二区三区在线| 亚洲真实伦在线观看| 99久久精品热视频| 久久久精品欧美日韩精品| 一本久久精品| 毛片女人毛片| av在线天堂中文字幕| 精品欧美国产一区二区三| 欧美日韩亚洲高清精品| 亚洲在线观看片| 天天一区二区日本电影三级| 中文天堂在线官网| 国产精品国产三级国产av玫瑰| 日本爱情动作片www.在线观看| 欧美xxxx黑人xx丫x性爽| 麻豆乱淫一区二区| 亚洲精品国产av蜜桃| 欧美高清成人免费视频www| 老司机影院毛片| 国产av在哪里看| 国产精品三级大全| av国产久精品久网站免费入址| 国产乱来视频区| 十八禁国产超污无遮挡网站| 久久久久国产网址| 男人舔奶头视频| 亚州av有码| 69人妻影院| 欧美xxxx性猛交bbbb| 天堂网av新在线| 麻豆久久精品国产亚洲av| 久久久久久久午夜电影| 亚洲久久久久久中文字幕| 欧美区成人在线视频| 又粗又硬又长又爽又黄的视频| 三级毛片av免费| 熟妇人妻久久中文字幕3abv| 亚洲av免费在线观看| 国产亚洲精品久久久com| 尤物成人国产欧美一区二区三区| 精品久久久久久久久av| 久久精品综合一区二区三区| 在线观看美女被高潮喷水网站| 久久久久九九精品影院| 最近2019中文字幕mv第一页| 欧美高清性xxxxhd video| 国产探花极品一区二区| 午夜日本视频在线| 五月玫瑰六月丁香| 久久午夜福利片| 啦啦啦啦在线视频资源| 国产淫语在线视频| 精品国产一区二区三区久久久樱花 | 91久久精品电影网| 免费av毛片视频| 国精品久久久久久国模美| 99热6这里只有精品| 亚洲性久久影院| 亚洲av成人精品一二三区| 99久久精品国产国产毛片| 日韩欧美一区视频在线观看 | 精品久久久久久成人av| 国产精品综合久久久久久久免费| 69av精品久久久久久| 国产精品麻豆人妻色哟哟久久 | 中文字幕制服av| 成人亚洲欧美一区二区av| 777米奇影视久久| 韩国av在线不卡| 欧美不卡视频在线免费观看| 精品久久国产蜜桃| 亚洲av在线观看美女高潮| 日本黄大片高清| 日韩强制内射视频| 日日啪夜夜爽| av播播在线观看一区| 在线观看免费高清a一片| 成人综合一区亚洲| 3wmmmm亚洲av在线观看| 国产黄色视频一区二区在线观看| 亚洲经典国产精华液单| 舔av片在线| 亚洲图色成人| 国产精品综合久久久久久久免费| 嫩草影院入口| 日日摸夜夜添夜夜添av毛片| 国产精品人妻久久久影院| 麻豆精品久久久久久蜜桃| 三级经典国产精品| 久久久精品欧美日韩精品| 欧美成人午夜免费资源| 亚洲精品日韩在线中文字幕| 禁无遮挡网站| 91精品一卡2卡3卡4卡| 久久精品夜夜夜夜夜久久蜜豆| 午夜精品在线福利| 成年版毛片免费区| 99九九线精品视频在线观看视频| 黄色欧美视频在线观看| 亚洲欧美成人综合另类久久久| 国产淫片久久久久久久久| 91狼人影院| 美女国产视频在线观看| 又爽又黄无遮挡网站| 美女内射精品一级片tv| 亚洲三级黄色毛片| 亚洲伊人久久精品综合| 麻豆av噜噜一区二区三区| 欧美最新免费一区二区三区| 视频中文字幕在线观看| 啦啦啦韩国在线观看视频| 黄片无遮挡物在线观看| 精品人妻熟女av久视频| 黄色一级大片看看| 亚洲熟妇中文字幕五十中出| 99热这里只有精品一区| freevideosex欧美| 亚洲精品日本国产第一区| 国产成人freesex在线| 爱豆传媒免费全集在线观看| 欧美日韩亚洲高清精品| 成人毛片60女人毛片免费| 一夜夜www| 亚洲在线观看片| 深夜a级毛片| 禁无遮挡网站| 午夜精品一区二区三区免费看| 天堂中文最新版在线下载 | 色哟哟·www| 色播亚洲综合网| 如何舔出高潮| 九草在线视频观看| 少妇被粗大猛烈的视频| 色播亚洲综合网| 中文字幕免费在线视频6| 国产精品.久久久| 又大又黄又爽视频免费| 69av精品久久久久久| 亚洲久久久久久中文字幕| 亚洲成人av在线免费| 亚洲国产精品专区欧美| 大片免费播放器 马上看| 精品人妻一区二区三区麻豆| 国产av码专区亚洲av| 最近最新中文字幕免费大全7| 欧美xxxx黑人xx丫x性爽| 成人一区二区视频在线观看| 国产成人91sexporn| 日韩一区二区三区影片| 午夜福利高清视频| 一本一本综合久久| 欧美区成人在线视频| 国产精品女同一区二区软件| 国产亚洲av片在线观看秒播厂 | 国产人妻一区二区三区在| 久久久久久久久久久免费av| 日本爱情动作片www.在线观看| 日韩电影二区| 国产精品久久久久久精品电影| 麻豆精品久久久久久蜜桃| 国产午夜福利久久久久久| 一区二区三区四区激情视频| 亚洲欧美成人精品一区二区| 麻豆国产97在线/欧美| 亚洲人成网站在线播| 男人舔奶头视频| 日本一二三区视频观看| 国产男女超爽视频在线观看| 日韩av在线大香蕉| 亚洲精华国产精华液的使用体验| 一级片'在线观看视频| 高清毛片免费看| 亚洲精品久久久久久婷婷小说| 亚洲欧美清纯卡通| 亚洲经典国产精华液单| 久久97久久精品| 国产在线男女| av又黄又爽大尺度在线免费看| 亚洲精品国产av蜜桃| 婷婷色麻豆天堂久久| 大香蕉97超碰在线| 熟女电影av网| 91精品伊人久久大香线蕉| 在线播放无遮挡| 中文精品一卡2卡3卡4更新| 狠狠精品人妻久久久久久综合| 男女啪啪激烈高潮av片| 亚洲欧美清纯卡通| 黄色日韩在线| 欧美zozozo另类| 国产又色又爽无遮挡免| 国国产精品蜜臀av免费| 国产探花在线观看一区二区| av又黄又爽大尺度在线免费看| 内地一区二区视频在线| 国产 一区精品| 能在线免费观看的黄片| 边亲边吃奶的免费视频| 老司机影院成人| .国产精品久久| 观看美女的网站| 成人一区二区视频在线观看| 日本色播在线视频| 一级毛片久久久久久久久女| 亚州av有码| 青青草视频在线视频观看| 国产乱来视频区| 大香蕉久久网| 亚洲av成人精品一二三区| 久久久久九九精品影院| 色视频www国产| 伦理电影大哥的女人| 久久久精品94久久精品| 亚洲av不卡在线观看| 亚洲第一区二区三区不卡| 午夜激情久久久久久久| 干丝袜人妻中文字幕| 女人久久www免费人成看片| 自拍偷自拍亚洲精品老妇| 18禁在线播放成人免费| 青春草国产在线视频| 色综合色国产| 美女黄网站色视频| 国产黄色视频一区二区在线观看| 欧美激情国产日韩精品一区| 精品国产三级普通话版| 久久久久网色| 中文字幕av在线有码专区| 岛国毛片在线播放| 人人妻人人澡人人爽人人夜夜 | 亚洲av成人av| 久久99热6这里只有精品| 亚洲经典国产精华液单| 一边亲一边摸免费视频| 国产单亲对白刺激| 国产av码专区亚洲av| 偷拍熟女少妇极品色| 午夜久久久久精精品| 日韩欧美 国产精品| 欧美性猛交╳xxx乱大交人| 丝瓜视频免费看黄片| 三级国产精品欧美在线观看| 久久综合国产亚洲精品| 伊人久久国产一区二区| 国产高潮美女av| 久久精品久久精品一区二区三区| 国产色爽女视频免费观看| 人人妻人人澡欧美一区二区| 性色avwww在线观看| 免费av观看视频| 国产成人91sexporn| 午夜激情福利司机影院| 成年版毛片免费区| 久久久久久国产a免费观看| 高清毛片免费看| 亚洲av二区三区四区| 丰满人妻一区二区三区视频av| 国产乱来视频区| 美女脱内裤让男人舔精品视频| 亚洲最大成人av| 久久精品国产鲁丝片午夜精品| 日韩精品青青久久久久久| av国产久精品久网站免费入址| 亚洲人成网站在线观看播放| 精品国产三级普通话版| 97精品久久久久久久久久精品| 人人妻人人澡人人爽人人夜夜 | 国产单亲对白刺激| 日本黄大片高清| 亚洲欧美日韩卡通动漫| 成人欧美大片| 免费播放大片免费观看视频在线观看| 久久久久精品性色| 白带黄色成豆腐渣| a级毛片免费高清观看在线播放| av线在线观看网站| 自拍偷自拍亚洲精品老妇| 老司机影院成人| 色尼玛亚洲综合影院| 男人狂女人下面高潮的视频| 亚洲电影在线观看av| 精品久久国产蜜桃| 午夜精品在线福利| 麻豆av噜噜一区二区三区| 亚洲第一区二区三区不卡| 91在线精品国自产拍蜜月| a级一级毛片免费在线观看| 亚洲av成人精品一二三区| 国产精品国产三级国产专区5o| 国产午夜福利久久久久久| 91久久精品国产一区二区成人| 国产又色又爽无遮挡免| 亚州av有码| 狠狠精品人妻久久久久久综合| 成人毛片60女人毛片免费| 久久97久久精品| 直男gayav资源| 国产极品天堂在线| 国语对白做爰xxxⅹ性视频网站| 亚洲在久久综合| 久久久久久国产a免费观看| 尤物成人国产欧美一区二区三区| av播播在线观看一区| 国产老妇伦熟女老妇高清| 网址你懂的国产日韩在线| 最近视频中文字幕2019在线8| 国产综合懂色| 美女主播在线视频| 非洲黑人性xxxx精品又粗又长| 夜夜看夜夜爽夜夜摸| 国产av国产精品国产| 中文字幕av在线有码专区| av又黄又爽大尺度在线免费看| 亚洲av电影不卡..在线观看| 日韩精品青青久久久久久| 99久久精品国产国产毛片| 白带黄色成豆腐渣| 亚洲av电影在线观看一区二区三区 | 免费观看性生交大片5| 国产在线男女| 亚洲18禁久久av| 亚洲不卡免费看| 深夜a级毛片| 午夜激情欧美在线| 欧美三级亚洲精品| 男女视频在线观看网站免费| 国产成人一区二区在线| 国产成人精品婷婷| 亚洲av在线观看美女高潮| 精华霜和精华液先用哪个| 青春草国产在线视频| 看十八女毛片水多多多| 日本av手机在线免费观看| 国产亚洲精品av在线| 日韩制服骚丝袜av| 日本黄色片子视频| 日本黄大片高清| 人妻系列 视频| 日韩,欧美,国产一区二区三区| 免费不卡的大黄色大毛片视频在线观看 | 中文在线观看免费www的网站| 日韩欧美精品v在线| 午夜激情福利司机影院| 欧美三级亚洲精品| 欧美激情在线99| 亚洲精华国产精华液的使用体验| 99久久中文字幕三级久久日本| 中文字幕免费在线视频6| av播播在线观看一区| 乱系列少妇在线播放| 国产一级毛片七仙女欲春2| 草草在线视频免费看| 干丝袜人妻中文字幕| 久久久午夜欧美精品| 久久久色成人| 精品不卡国产一区二区三区| 久久久久久国产a免费观看| 久久久久久久亚洲中文字幕| 日本午夜av视频| 狂野欧美白嫩少妇大欣赏| 国产免费福利视频在线观看| 一区二区三区免费毛片| 久久鲁丝午夜福利片| 中国国产av一级| 99久久精品一区二区三区| 亚洲一级一片aⅴ在线观看| 熟妇人妻不卡中文字幕| 亚洲欧美日韩无卡精品| 国产亚洲一区二区精品| 男女啪啪激烈高潮av片| 国产精品嫩草影院av在线观看| 在线a可以看的网站| 色播亚洲综合网| 一个人看视频在线观看www免费| 激情 狠狠 欧美| 国产大屁股一区二区在线视频| 婷婷六月久久综合丁香| 超碰97精品在线观看| 久热久热在线精品观看| 久久久久久久久久人人人人人人| 青春草亚洲视频在线观看| 日韩欧美一区视频在线观看 | 老司机影院成人| 精品国产露脸久久av麻豆 | 亚洲在线观看片| 免费电影在线观看免费观看| 别揉我奶头 嗯啊视频| 五月伊人婷婷丁香| 干丝袜人妻中文字幕| av播播在线观看一区| 青春草国产在线视频| 天天躁夜夜躁狠狠久久av| 男人爽女人下面视频在线观看| 美女脱内裤让男人舔精品视频| 日韩亚洲欧美综合| 最近中文字幕2019免费版| 一个人观看的视频www高清免费观看| 熟妇人妻久久中文字幕3abv| 成人漫画全彩无遮挡| 看黄色毛片网站| 九色成人免费人妻av| 夜夜爽夜夜爽视频| 亚洲国产欧美在线一区| 99热这里只有是精品50| 一级毛片 在线播放| 极品少妇高潮喷水抽搐| 日本wwww免费看| 高清在线视频一区二区三区| 少妇丰满av| 久久久久久久国产电影| 日本色播在线视频| 婷婷色av中文字幕| 亚洲成人精品中文字幕电影| 三级国产精品片| freevideosex欧美| 99热全是精品| 亚洲av国产av综合av卡| 99热6这里只有精品| 国产三级在线视频| 天堂俺去俺来也www色官网 | 视频中文字幕在线观看| 91狼人影院| 观看美女的网站| 久久久久免费精品人妻一区二区| 狂野欧美激情性xxxx在线观看| 80岁老熟妇乱子伦牲交| 国产亚洲最大av| 国产成人午夜福利电影在线观看| 青春草亚洲视频在线观看| 国产伦一二天堂av在线观看| 亚洲欧洲日产国产| 午夜视频国产福利| 日韩av免费高清视频| 成人综合一区亚洲| 少妇的逼好多水| 国产激情偷乱视频一区二区| 床上黄色一级片| 久久久精品免费免费高清| 久久久精品94久久精品| 午夜免费男女啪啪视频观看| 亚洲最大成人av| 亚洲性久久影院| 久久精品久久精品一区二区三区| 亚洲,欧美,日韩| 亚洲av福利一区| 国产激情偷乱视频一区二区| 久久久久久国产a免费观看| 欧美潮喷喷水| 精品一区在线观看国产| 少妇的逼水好多| 国产视频首页在线观看| 97超碰精品成人国产| 国产精品精品国产色婷婷| 久久久久久久久久成人| 一区二区三区四区激情视频| 看十八女毛片水多多多| 成人无遮挡网站| 你懂的网址亚洲精品在线观看| 日本一二三区视频观看| 身体一侧抽搐| 简卡轻食公司| 2022亚洲国产成人精品| 国产亚洲一区二区精品| 精华霜和精华液先用哪个| 亚洲久久久久久中文字幕| 国产精品久久久久久精品电影| 久久久a久久爽久久v久久| 国产成人精品婷婷| 久久久久久久久中文| 18禁在线播放成人免费| 国产成人freesex在线| 午夜福利视频精品| 熟女电影av网| 麻豆成人午夜福利视频| 亚洲激情五月婷婷啪啪| 麻豆精品久久久久久蜜桃| 国产不卡一卡二| 中文在线观看免费www的网站| 国国产精品蜜臀av免费| 少妇熟女aⅴ在线视频| 午夜福利视频1000在线观看| 男人舔奶头视频| 亚洲人成网站在线播| 国产 亚洲一区二区三区 | 国产综合懂色| 久久久久久国产a免费观看| 不卡视频在线观看欧美| 毛片一级片免费看久久久久| 全区人妻精品视频| 亚洲国产精品成人久久小说| freevideosex欧美| 蜜桃亚洲精品一区二区三区| 草草在线视频免费看| 亚洲av成人精品一区久久| 国产精品日韩av在线免费观看| 中国美白少妇内射xxxbb| 欧美zozozo另类| 全区人妻精品视频| 精品人妻熟女av久视频| 2021天堂中文幕一二区在线观| 欧美 日韩 精品 国产| 婷婷六月久久综合丁香| 欧美97在线视频| 欧美性感艳星| www.av在线官网国产| 亚洲婷婷狠狠爱综合网| 免费观看av网站的网址| 午夜激情欧美在线| 欧美日韩精品成人综合77777| 国产91av在线免费观看| 国产 亚洲一区二区三区 | 亚洲在线观看片| 日韩强制内射视频| 欧美激情久久久久久爽电影| 欧美日韩国产mv在线观看视频 | 欧美高清性xxxxhd video| 亚洲国产av新网站| 国产综合懂色| 男女国产视频网站| 国产毛片a区久久久久| 能在线免费看毛片的网站| 国产永久视频网站| 欧美3d第一页| 高清日韩中文字幕在线| 日韩成人伦理影院| 性色avwww在线观看| 日本黄大片高清| 少妇人妻精品综合一区二区| 久久精品久久久久久噜噜老黄| 国产亚洲av片在线观看秒播厂 | 免费黄色在线免费观看|