• <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 ?

    考慮數(shù)據(jù)分布偏移的短期居民凈負(fù)荷預(yù)測(cè)方法

    2024-01-31 03:48:46王瑞臨趙健孫智卿宣羿
    電力建設(shè) 2024年2期
    關(guān)鍵詞:數(shù)據(jù)分布負(fù)荷誤差

    王瑞臨, 趙健, 孫智卿, 宣羿

    (1.上海電力大學(xué)電氣工程學(xué)院, 上海市 200090;2. 國(guó)網(wǎng)浙江省電力有限公司杭州供電公司,杭州市 310007)

    0 引 言

    隨著分布式可再生能源發(fā)電的不斷發(fā)展,凈負(fù)荷,即用戶總負(fù)荷需求與新能源出力之差,日益成為電力系統(tǒng)關(guān)注的問(wèn)題。準(zhǔn)確的居民凈負(fù)荷預(yù)測(cè)可以保證電力系統(tǒng)的可靠性,更重要的是可以促進(jìn)電力系統(tǒng)對(duì)可再生能源發(fā)電的適應(yīng)[1]。新能源發(fā)電的高隨機(jī)性為凈負(fù)荷注入了更多的不確定性,進(jìn)而使得凈負(fù)荷數(shù)據(jù)分布偏移更為頻繁和嚴(yán)重。數(shù)據(jù)分布偏移是指數(shù)據(jù)的概率分布發(fā)生變化,其會(huì)導(dǎo)致模型在歷史數(shù)據(jù)中學(xué)習(xí)到的特征信息不再完全適用于未來(lái)數(shù)據(jù),從而降低了數(shù)據(jù)的可預(yù)測(cè)性。在需求側(cè),如氣溫上升[2]和電價(jià)上漲等[3]導(dǎo)致負(fù)荷需求數(shù)據(jù)分布發(fā)生變化。在供應(yīng)側(cè),輻照水平、風(fēng)速等變化會(huì)影響可再生能源發(fā)電量的數(shù)據(jù)分布。由于凈負(fù)荷的不確定性由負(fù)荷需求的不確定性和新能源發(fā)電的不確定性組成,這些不確定性因素的綜合影響將使凈負(fù)荷數(shù)據(jù)分布的變化更加復(fù)雜和頻繁。

    現(xiàn)有居民凈負(fù)荷預(yù)測(cè)研究可分為間接預(yù)測(cè)和直接預(yù)測(cè)。間接預(yù)測(cè)通過(guò)將凈負(fù)荷數(shù)據(jù)分解為負(fù)荷需求部分和可再生能源發(fā)電部分來(lái)降低凈負(fù)荷的巨大波動(dòng)性。文獻(xiàn)[4]提出了一種滾動(dòng)調(diào)節(jié)優(yōu)化的VMD-SaE-ELM(variational mode decomposition-selfadaptive evolutionary-extreme learning machine)凈負(fù)荷超短期預(yù)測(cè)方法,減小了常規(guī)機(jī)組的調(diào)峰壓力。文獻(xiàn)[5]將數(shù)據(jù)分解后的誤差通過(guò)不同的影響權(quán)重與凈負(fù)荷誤差相聯(lián)系。文獻(xiàn)[6]通過(guò)相關(guān)性分析和網(wǎng)格搜索方法將凈負(fù)荷分解為光伏發(fā)電量、實(shí)際負(fù)荷和殘差。然而,間接預(yù)測(cè)依賴于分解方法和預(yù)測(cè)方法的準(zhǔn)確性,這會(huì)導(dǎo)致誤差累積。

    直接預(yù)測(cè)是直接使用凈負(fù)荷數(shù)據(jù)進(jìn)行預(yù)測(cè),文獻(xiàn)[1]提出了一種概率不確定性模型,通過(guò)貝葉斯深度學(xué)習(xí)模型同時(shí)捕獲凈負(fù)荷的隨機(jī)不確定性和模型不確定性。文獻(xiàn)[7]提出了一種全參數(shù)化序列深度學(xué)習(xí)模型,來(lái)學(xué)習(xí)凈負(fù)荷中的最優(yōu)特征和整個(gè)概率分布。文獻(xiàn)[8]提出了一種基于特征加權(quán)改進(jìn)的Stacking集成學(xué)習(xí)凈負(fù)荷預(yù)測(cè)方法。文獻(xiàn)[9]提出了基于自注意力編碼器和深度神經(jīng)網(wǎng)絡(luò)的凈負(fù)荷預(yù)測(cè)模型,同時(shí)集成了負(fù)荷、風(fēng)光、凈負(fù)荷等多個(gè)不確定量。

    直接預(yù)測(cè)依賴高精度的深度學(xué)習(xí)技術(shù),而深度學(xué)習(xí)技術(shù)默認(rèn)數(shù)據(jù)滿足獨(dú)立同分布,其基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化(experience risk minimization, ERM)的學(xué)習(xí)模式允許模型"不計(jì)后果"地學(xué)習(xí)數(shù)據(jù)中的特征信息。當(dāng)數(shù)據(jù)分布不斷變化時(shí),現(xiàn)有模型在歷史數(shù)據(jù)中學(xué)習(xí)到的特征信息不再適用于未來(lái)數(shù)據(jù),從而使得凈負(fù)荷預(yù)測(cè)精度難以得到保證。

    因此,本文提出了一種基于不變風(fēng)險(xiǎn)最小化(invariant risk minimization-uncertainty, IRM)的短期居民凈負(fù)荷預(yù)測(cè)方法,以提升凈負(fù)荷預(yù)測(cè)的精度。面對(duì)數(shù)據(jù)分布的變化,IRM考慮同時(shí)學(xué)習(xí)最小誤差和不同分布下的不變性[10],并通過(guò)學(xué)習(xí)不同數(shù)據(jù)分布下的不變特征來(lái)實(shí)現(xiàn)對(duì)不可見環(huán)境的魯棒性。首先,對(duì)凈負(fù)荷中的數(shù)據(jù)分布偏移問(wèn)題進(jìn)行了探索。其次,建立了基于不變風(fēng)險(xiǎn)最小化-不確定性加權(quán)-長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(invariant risk minimization-uncertainty weighting-long short-term memory neural network,IRM-UW-LSTM)的凈負(fù)荷預(yù)測(cè)模型。其中,通過(guò)IRM建立了一個(gè)雙目標(biāo)問(wèn)題,包括準(zhǔn)確預(yù)測(cè)和學(xué)習(xí)跨不同數(shù)據(jù)分布的不變特征;通過(guò)長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(long short-term memory neural network,LSTM)處理時(shí)間序列數(shù)據(jù)的非線性特征;通過(guò)基于不確定性加權(quán)(uncertainty weighting,UW)的目標(biāo)平衡機(jī)制避免過(guò)度實(shí)現(xiàn)任一目標(biāo);此外,通過(guò)引入分位數(shù)回歸方法將本文方法擴(kuò)展到概率預(yù)測(cè)。最后,通過(guò)基于澳大利亞Ausgrid公司提供的真實(shí)居民電表數(shù)據(jù)從確定性預(yù)測(cè)結(jié)果、概率預(yù)測(cè)結(jié)果、不同數(shù)據(jù)分布偏移程度和不同光伏滲透率等多個(gè)維度驗(yàn)證了所提方法的有效性。

    1 凈負(fù)荷數(shù)據(jù)分布偏移探索

    本文利用幾種常用數(shù)據(jù)分布比較方法驗(yàn)證了凈負(fù)荷預(yù)測(cè)(net load forecasting,NLF)中的數(shù)據(jù)分布偏移程度高于用電量預(yù)測(cè)(electricity consumption forecasting,ECF)。用于比較的數(shù)據(jù)是澳大利亞Ausgrid公司提供的悉尼地區(qū)從2010年7月到2013年6月數(shù)百戶包含居民凈負(fù)荷和居民總用電量的數(shù)據(jù)[11]。

    為了避免季節(jié)對(duì)數(shù)據(jù)分布比較的影響,選擇了四個(gè)季節(jié)中每個(gè)典型月份的數(shù)據(jù)(南半球春、夏、秋、冬分別使用10月、1月、4月和7月的數(shù)據(jù)),分別比較不同年份同一季節(jié)的數(shù)據(jù)分布偏移程度,如圖1所示。此外,為反映不同月份下的數(shù)據(jù)分布偏移情況,還將重點(diǎn)關(guān)注同一季節(jié)下相鄰月份的數(shù)據(jù)分布偏移程度,如圖2所示。

    圖1 不同年份同一季節(jié)數(shù)據(jù)分布偏移比較Fig.1 The compare of the degree of the data distribution shift under the same season for different years

    圖2 同一季節(jié)相鄰月份數(shù)據(jù)分布偏移比較Fig.2 The compare of the degree of data distribution shift adjacent months under the same season

    本文采用Kolmogorov-Smirnov(KS)檢驗(yàn)[12]、Kullback-Leible(KL)散度[13]和最大平均差異法(maximum mean difference,MMD)[14]進(jìn)行數(shù)據(jù)分布偏移評(píng)估。從圖1可以看出,在不同年份的四個(gè)季節(jié)中,NLF的KL值和MMD值均明顯大于ECF。在KS值方面,除4月份ECF值與NLF值相差不大之外,其余年份NLF值均大于ECF值。這可能是由于KS檢驗(yàn)對(duì)數(shù)據(jù)分布的中間部分更敏感,而對(duì)兩端不夠敏感。值得注意的是,由于冬季晝短夜長(zhǎng),光伏發(fā)電量最少,因此南半球7月份的數(shù)據(jù)分布偏移較小。從圖2中可以看出,在所有相鄰月份的數(shù)據(jù)分布偏移比較中,NLF的數(shù)據(jù)分布偏移程度大于ECF。另一個(gè)有趣的發(fā)現(xiàn)是,KL散度對(duì)數(shù)據(jù)分布偏移最為敏感,而MMD由于比較的是多維數(shù)據(jù)分布,敏感度較低。

    通過(guò)三種統(tǒng)計(jì)方法,可以發(fā)現(xiàn)凈負(fù)荷的數(shù)據(jù)分布偏移程度大于傳統(tǒng)用電量數(shù)據(jù)。這表明居民凈負(fù)荷數(shù)據(jù)面臨更嚴(yán)重的數(shù)據(jù)分布偏移問(wèn)題,歷史數(shù)據(jù)與未來(lái)數(shù)據(jù)的相關(guān)性將降低。此時(shí),原有模型訓(xùn)練集與測(cè)試集數(shù)據(jù)獨(dú)立同分布的前提也將被削弱,從而影響現(xiàn)有模型對(duì)凈負(fù)荷預(yù)測(cè)的有效性。因此,解決凈負(fù)荷預(yù)測(cè)中的數(shù)據(jù)分布偏移問(wèn)題具有現(xiàn)實(shí)意義和挑戰(zhàn)性。

    2 基于IRM的凈負(fù)荷預(yù)測(cè)理論和建模

    2.1 IRM與數(shù)據(jù)分布偏移的關(guān)系

    基于深度學(xué)習(xí)的方法在計(jì)算機(jī)視覺(jué)、語(yǔ)音識(shí)別和文本識(shí)別等許多應(yīng)用領(lǐng)域取得了巨大成功[15]。然而,大多數(shù)方法依賴于使用ERM進(jìn)行優(yōu)化,當(dāng)測(cè)試數(shù)據(jù)的分布與訓(xùn)練數(shù)據(jù)的分布發(fā)生變化時(shí),基于ERM的模型的性能會(huì)下降。IRM能夠通過(guò)學(xué)習(xí)數(shù)據(jù)跨分布的不變性來(lái)克服數(shù)據(jù)分布偏移,對(duì)未來(lái)數(shù)據(jù)具有魯棒性。需要關(guān)注以下兩個(gè)問(wèn)題:1)IRM如何克服數(shù)據(jù)分布偏移;2)IRM學(xué)習(xí)的凈負(fù)荷數(shù)據(jù)中的不變特征信息是什么。

    對(duì)于問(wèn)題1),ERM合并來(lái)自所有訓(xùn)練環(huán)境的數(shù)據(jù),并利用訓(xùn)練數(shù)據(jù)中的所有特征訓(xùn)練一個(gè)模型,以最小化數(shù)據(jù)的訓(xùn)練誤差。而在最小化訓(xùn)練誤差的過(guò)程中,基于ERM的模型會(huì)導(dǎo)致模型不計(jì)后果地吸收訓(xùn)練數(shù)據(jù)中發(fā)現(xiàn)的所有相關(guān)性[10]。此時(shí),面對(duì)未來(lái)分布變化的數(shù)據(jù),模型的預(yù)測(cè)精度會(huì)下降。對(duì)于IRM,以本文的凈負(fù)荷預(yù)測(cè)為例,首先將所有的凈負(fù)荷訓(xùn)練數(shù)據(jù)進(jìn)行合理的劃分,形成多個(gè)訓(xùn)練環(huán)境。這些訓(xùn)練環(huán)境下的凈負(fù)荷數(shù)據(jù)分布本身是不同的。面對(duì)未來(lái)的數(shù)據(jù),IRM保持了部分ERM的性能,即對(duì)同一分布下的數(shù)據(jù)尋求最小訓(xùn)練誤差;同時(shí),對(duì)不同分布下的數(shù)據(jù)可以學(xué)習(xí)跨不同數(shù)據(jù)分布的不變性。

    對(duì)于問(wèn)題2),在數(shù)學(xué)上,本文的目的是找到式(1)所示的變化環(huán)境e中的不變信息E[Ye|(Φ(Xe)=y]:

    E[Ye1|(Φ(Xe1)=y)]=
    E[Ye2|(Φ(Xe2)=y)]=···=
    E[YeN|(Φ(XeN)=y)]

    (1)

    式中:E為條件期望值;Φ:X→y為一個(gè)數(shù)據(jù)表示;e為環(huán)境;N為環(huán)境總數(shù)量;y為數(shù)據(jù)表示Φ下因變量的數(shù)值。圖3列舉了影響凈負(fù)荷數(shù)據(jù)分布的幾個(gè)主要因素。環(huán)境因素(溫度、輻照度)主要通過(guò)影響光伏出力來(lái)影響凈負(fù)荷,而經(jīng)濟(jì)因素和社會(huì)因素主要通過(guò)影響居民用電需求來(lái)影響凈負(fù)荷。所有箭頭表示兩個(gè)因素之間的函數(shù)關(guān)系。圖3(a)、(b)、(c)和(d)分別表示4個(gè)時(shí)間段各因素對(duì)凈負(fù)荷的影響關(guān)系。紅色部分代表發(fā)生變化的影響因素。圖3(a)顯示了第1個(gè)時(shí)間段的所有影響關(guān)系。圖3(b)表示第2個(gè)時(shí)間段與第1個(gè)時(shí)段相比輻照度發(fā)生了變化,進(jìn)而導(dǎo)致了凈負(fù)荷的數(shù)據(jù)分布發(fā)生偏移。圖3(c)中表示了溫度的變化,同時(shí)紅色箭頭表示經(jīng)濟(jì)因素與用戶行為之間非線性關(guān)系的變化(例如,用戶的整體經(jīng)濟(jì)水平?jīng)]有變化,但售電政策發(fā)生了變化)。圖3(a)、(b)、(c)中顏色不變的部分即為3個(gè)時(shí)間段內(nèi)的不變特征信息。學(xué)習(xí)不變特征信息可以充分利用凈負(fù)荷歷史信息,更好地應(yīng)對(duì)圖3(d)中第4年未知的凈負(fù)荷數(shù)據(jù)分布變化。

    圖3 凈負(fù)荷預(yù)測(cè)中的不變特征信息示例Fig.3 Invariant feature information in the net load forecasting

    2.2 IRM-LSTM模型建立

    LSTM神經(jīng)網(wǎng)絡(luò)是基于時(shí)間序列的模型,可以在歷史信息和未來(lái)信息之間建立時(shí)間關(guān)聯(lián)性。此外,LSTM網(wǎng)絡(luò)還可以克服循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)中的梯度消失和梯度爆炸問(wèn)題。首先描述LSTM網(wǎng)絡(luò)的結(jié)構(gòu),如圖4所示。

    圖4 LSTM結(jié)構(gòu)Fig.4 A unit of LSTM

    如圖4所示,LSTM在某一特定時(shí)間步長(zhǎng)t的輸入是前一狀態(tài)ht-1和當(dāng)前輸入xt。三個(gè)門(輸入門、遺忘門和輸出門)通過(guò)4個(gè)全連接的神經(jīng)元Ft、It、Ot和Gt來(lái)實(shí)現(xiàn)記憶信息或遺忘功能。具體來(lái)說(shuō),遺忘門決定有多少t之前的信息可以向前傳遞,輸入門控制新的輸入信息,輸出門決定在這一時(shí)間步輸出的信息。對(duì)于輸出,ht是作為下一時(shí)間步輸入的短期狀態(tài),而ct決定長(zhǎng)期依賴性。具體計(jì)算公式如式(2)-(5)所示。

    Ft=σ(Wfx·xt+Wfh·ht-1+bf)

    (2)

    It=σ(Wix·xt+Wih·ht-1+bi)

    (3)

    Ot=σ(Wox·xt+Woh·ht-1+bo)

    (4)

    Gt=tanh(Wgx·xt+Wgh·ht-1+bg)

    (5)

    式中:Ft、It、Ot、Gt為全連接神經(jīng)元;xt為輸入向量;ht-1為前一個(gè)短期狀態(tài);Wfx、Wix、Wox和Wgx分別為矢量xt的權(quán)重;Wfh、Wih、Woh和Wgh分別為ht-1的權(quán)重;bf、bi、bo和bg為偏置。根據(jù)式(6)-(7)計(jì)算下一個(gè)時(shí)間步的輸入值ct和ht。

    ct=Ft·ct-1+It·Gt

    (6)

    ht=Ot·tanh(ct)

    (7)

    根據(jù)上述LSTM的結(jié)構(gòu),LSTM通過(guò)將重要的輸入信息存儲(chǔ)在長(zhǎng)期狀態(tài)中來(lái)處理時(shí)間序列問(wèn)題,并根據(jù)需要長(zhǎng)期保存,在需要時(shí)進(jìn)行使用。

    為了克服凈負(fù)荷預(yù)測(cè)中數(shù)據(jù)分布偏移對(duì)模型的影響,引入了IRM。IRM從多個(gè)不同數(shù)據(jù)分布的訓(xùn)練環(huán)境中學(xué)習(xí)不變特征預(yù)測(cè)因子。由于環(huán)境的概念對(duì)框架至關(guān)重要,引入了文獻(xiàn)[16]中提出的訓(xùn)練環(huán)境的概念:在所有訓(xùn)練環(huán)境e∈εtr中,有不同的實(shí)驗(yàn)條件,并且在每個(gè)環(huán)境中都有一個(gè)獨(dú)立同分布的樣本(Xe,Ye)。Xe是在環(huán)境e下的預(yù)測(cè)變量;Ye是目標(biāo)變量。本文中e= [e1,e2,…,eN]為訓(xùn)練環(huán)境,N為訓(xùn)練環(huán)境數(shù)目,etest為測(cè)試環(huán)境。本文對(duì)風(fēng)險(xiǎn)定義為:

    R(f)=mine∈εtrRe(f)

    (8)

    任一環(huán)境e的風(fēng)險(xiǎn)定義為:

    Re(f)=E(Xe,Ye){L[f(Xe),Ye]}

    (9)

    數(shù)據(jù)表示Φ有兩個(gè)目標(biāo):

    1)該數(shù)據(jù)表示能在相同訓(xùn)練環(huán)境下保持準(zhǔn)確的預(yù)測(cè)。

    2)在所有e∈εtr中學(xué)習(xí)一個(gè)跨環(huán)境預(yù)測(cè)器,以學(xué)習(xí)不同數(shù)據(jù)分布下的不變特征信息。

    在數(shù)學(xué)上,這兩個(gè)目標(biāo)被表述為約束優(yōu)化問(wèn)題,如式(10):

    (10)

    式中:w代表分類器;Y、Z表示函數(shù)映射的輸入或輸出;其余符號(hào)同上文的定義。

    式(10)是一個(gè)具有挑戰(zhàn)性的雙層優(yōu)化問(wèn)題,包含優(yōu)化項(xiàng)Φ和w。根據(jù)文獻(xiàn)[10]中的詳細(xì)介紹,得到近似可解的式(11):

    (11)

    式中:λ∈[0,∞)為保持同分布下精確預(yù)測(cè)和不同分布下不變預(yù)測(cè)之間的正則化平衡。在居民凈負(fù)荷預(yù)測(cè)問(wèn)題中,設(shè)模型的輸入訓(xùn)練集的輸入數(shù)據(jù)和輸出標(biāo)簽為:

    Xtrain=[x1,x2,…,xn]T∈Rn×dx

    (12)

    Ytrain=[y1,y2,…,yn]T∈Rn×dy

    (13)

    (14)

    式中:LIRM是為實(shí)現(xiàn)IRM的優(yōu)化目標(biāo)而簡(jiǎn)化得到的損失函數(shù)。第一項(xiàng)是LSTM網(wǎng)絡(luò)中的ERM項(xiàng),對(duì)應(yīng)目標(biāo)1),第二項(xiàng)是不變預(yù)測(cè)項(xiàng),對(duì)應(yīng)目標(biāo)2)。

    3 基于IRM-UW-LSTM模型的凈負(fù)荷預(yù)測(cè)方法

    基于上述IRM理論與模型,本節(jié)將對(duì)所提出的住宅凈負(fù)荷預(yù)測(cè)方法的其余部分進(jìn)行描述。具體來(lái)說(shuō),包括3個(gè)主要過(guò)程:1)數(shù)據(jù)輸入;2)目標(biāo)平衡;3)擴(kuò)展到概率預(yù)測(cè)。

    3.1 數(shù)據(jù)輸入:特征和環(huán)境建立

    1)特征建立。

    表1 特征建立Table 1 Feature establishment

    2)環(huán)境建立。

    本文提出的方法旨在學(xué)習(xí)凈負(fù)荷數(shù)據(jù)不同分布下的不變特征信息。為了使學(xué)習(xí)到的不變特征信息有意義,需要盡可能學(xué)習(xí)具有一致性的數(shù)據(jù)。盡管可以通過(guò)精確的實(shí)驗(yàn)設(shè)計(jì)為Xe創(chuàng)建環(huán)境e∈εtr(例如,通過(guò)隨機(jī)化Xe的某些元素),但對(duì)于凈負(fù)荷數(shù)據(jù),其環(huán)境應(yīng)盡可能使用原始?xì)v史數(shù)據(jù)創(chuàng)建,而不宜采用人工干預(yù)的方式創(chuàng)建環(huán)境,以使預(yù)測(cè)中歷史數(shù)據(jù)與未來(lái)數(shù)據(jù)的相關(guān)性盡量不被削弱。同時(shí),對(duì)于凈負(fù)荷預(yù)測(cè),很難快速獲得數(shù)據(jù)分布開始偏移的具體時(shí)刻,這也是今后工作的主要方向。

    RNN的輸入原則在于未來(lái)數(shù)據(jù)的輸入要在歷史數(shù)據(jù)之后。本文采用了基于并行輸入數(shù)據(jù)集的環(huán)境構(gòu)建方法。以月份作為環(huán)境單位為例,首先僅針對(duì)第1年的數(shù)據(jù)(first year data,FYD)使用ERM訓(xùn)練網(wǎng)絡(luò),然后針對(duì)第2年的數(shù)據(jù)(second year data,SYD)使用{(1月FYD,1月SYD),(2月FYD,2月SYD),…,12月FYD, 12月SYD)}作為IRM訓(xùn)練的兩個(gè)環(huán)境輸入網(wǎng)絡(luò)。此外,對(duì)于第3年的數(shù)據(jù)(third year data,TYD),使用{(1月FYD,1月SYD,1月TYD),(2月FYD,2月SYD,2月TYD),…,(12月FYD,12月SYD,12月TYD)}作為IRM訓(xùn)練的三個(gè)環(huán)境輸入網(wǎng)絡(luò)。

    3.2 目標(biāo)平衡機(jī)制:不確定性加權(quán)

    通常需要花費(fèi)大量精力選擇合適的模型參數(shù),如IRM中的平衡項(xiàng)λ∈[0,∞),即預(yù)測(cè)能力和不變性預(yù)測(cè)因子之間的目標(biāo)平衡。否則,方程式(11)可能無(wú)法執(zhí)行式(10)中的約束條件,導(dǎo)致性能不理想。對(duì)于式(14)中的λ∈[0,∞),可以采用多任務(wù)學(xué)習(xí)的方法對(duì)式(15)進(jìn)行調(diào)整,以更好地分配目標(biāo)1)和目標(biāo)2)的學(xué)習(xí)權(quán)重。在多任務(wù)損失函數(shù)式(15)中,計(jì)算每個(gè)任務(wù)的權(quán)重是一項(xiàng)計(jì)算量極大的工作。如果模型將這些權(quán)重作為參數(shù)之一進(jìn)行學(xué)習(xí),將大大減少計(jì)算量。

    L=LERM+λLIRM

    (15)

    式中:LERM、LIRM分別為ERM和IRM訓(xùn)練結(jié)構(gòu)下的損失函數(shù)。

    為了實(shí)現(xiàn)自動(dòng)選擇權(quán)重,按照Kendall等人在文獻(xiàn)[17]中提出的策略,將式(15)中的損失函數(shù)改寫為式(16)形式:

    (16)

    3.3 拓展至概率預(yù)測(cè):分位數(shù)回歸

    模型中通過(guò)凈負(fù)荷預(yù)測(cè)得到的輸出是一個(gè)條件期望函數(shù),通過(guò)函數(shù)找到當(dāng)輸入確定時(shí)的輸出期望。分位數(shù)回歸不僅是研究輸出的期望值,而是希望探索輸出的完整數(shù)據(jù)分布[9]。分位數(shù)回歸可以直接將確定性預(yù)測(cè)模型重構(gòu)為區(qū)間預(yù)測(cè)形式,以將本文策略擴(kuò)展到概率預(yù)測(cè)。設(shè)原始損失函數(shù)為L(zhǎng)(yreal,ypred),結(jié)合分位數(shù)回歸得到式(17),其中q為介于(0,1)之間的分位數(shù)因子,通過(guò)控制q的取值可以得到不同分位數(shù)的上下限。

    (17)

    式中:LQR(q)為結(jié)合分位數(shù)后的損失函數(shù);i和j為第i和j個(gè)數(shù)據(jù);yreal為真實(shí)值;ypred為預(yù)測(cè)值。圖5描述了基于IRM-UW-LSTM的凈負(fù)荷預(yù)測(cè)方法的總體框架。

    圖5 基于IRM-UW-LSTM的凈負(fù)荷預(yù)測(cè)整體框架Fig.5 The process of the net load forecasting method based on IRM-UW-LSTM

    4 案例分析

    4.1 數(shù)據(jù)集描述

    本文使用澳大利亞Ausgrid公司提供的真實(shí)居民電表數(shù)據(jù),這些數(shù)據(jù)來(lái)自悉尼數(shù)百個(gè)安裝了光伏電表的用電客戶,提供了2010年7月至2013年6月的半小時(shí)粒度的凈負(fù)荷數(shù)據(jù)和光伏發(fā)電數(shù)據(jù)。數(shù)據(jù)的詳細(xì)信息參見文獻(xiàn)[11]。

    4.2 實(shí)驗(yàn)細(xì)節(jié)描述

    為了驗(yàn)證本文所提方法的有效性,本文引入了多種常用的確定性和概率預(yù)測(cè)方法作為對(duì)比。其中確定性方法采用隨機(jī)森林(random forest,RF)[18-19]、LSTM[20-21]、時(shí)間卷積網(wǎng)絡(luò)(temporal convolutional network,TCN)[22]、卷積長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(convolutional long short-term memory neural network,CNNLSTM)[23]。概率預(yù)測(cè)比較方法采用分位數(shù)RF(quantiles-RF, QRF)[19]、分位數(shù)LSTM(quantiles-LSTM, QLSTM)[21]、分位數(shù)CNNLSTM(quantiles-CNNLSTM, QCNNLSTM)[23]。通過(guò)網(wǎng)格搜索和交叉驗(yàn)證確定的模型超參數(shù)如表2所示。所有測(cè)試算法均用Python實(shí)現(xiàn),主要使用的軟件包有Scikit-learn、Keras和PyTorch。

    表2 超參數(shù)值Table 2 Hyperparameter value

    4.3 結(jié)果評(píng)估方法

    本文使用了6個(gè)評(píng)估指標(biāo)來(lái)評(píng)估所研究方法的預(yù)測(cè)性能。平均絕對(duì)百分比誤差(mean absolute percentage error,MAPE)、均方根誤差(root mean square error,RMSE)和歸一化均方根偏差(normalized root mean square deviation,NRMSD)作為確定性預(yù)測(cè)評(píng)估方法。此外,由于在光伏滲透率較高時(shí),凈負(fù)荷數(shù)據(jù)可能出現(xiàn)接近0的值,此時(shí)MAPE的可靠性會(huì)受到影響。為了更好地克服這一問(wèn)題,引入了平均反正百分誤差(mean arctangent absolute percentage error,MAAPE)[24]。將Pinball和Winkler score[1]作為概率預(yù)測(cè)評(píng)估方法。評(píng)價(jià)指標(biāo)的表述如下詳述。

    1)確定性預(yù)測(cè)指標(biāo)。

    計(jì)算MAPE和MAAPE的目的是量化實(shí)際凈負(fù)荷與預(yù)測(cè)凈負(fù)荷數(shù)據(jù)之間的絕對(duì)差異,同時(shí)全面衡量模型預(yù)測(cè)結(jié)果的好壞[25]。計(jì)算公式如下:

    (18)

    (19)

    式中:ytest,i為實(shí)際凈負(fù)荷;ypred,i為預(yù)測(cè)凈負(fù)荷。

    RMSE用來(lái)評(píng)估預(yù)測(cè)結(jié)果中極大或極小誤差的敏感性,表示如下:

    (20)

    NRMSE提供了歸一化的預(yù)報(bào)精度,其解釋性更強(qiáng),可以對(duì)不同尺度的預(yù)測(cè)結(jié)果進(jìn)行比較,表示如下:

    (21)

    式中:D為數(shù)據(jù)的最大值和最小值之差。MAE、MAPE、MAAPE、RMSE和NRMSD值越小,預(yù)測(cè)結(jié)果越準(zhǔn)確。

    2)概率預(yù)測(cè)的指標(biāo)。

    Winkler score在關(guān)注區(qū)間寬度的同時(shí),可以很好地衡量無(wú)條件覆蓋率,是概率預(yù)測(cè)中的一個(gè)綜合評(píng)價(jià)指標(biāo)。它可以表示為:

    (22)

    式中:yup和ydown為預(yù)測(cè)區(qū)間的上限和下限;δ=yup-ydown為預(yù)測(cè)區(qū)間的寬度;1-α為置信水平。Winkler score的值越小越好。

    Pinball是另一種綜合概率預(yù)測(cè)評(píng)估指標(biāo),可表示如下:

    (23)

    4.4 確定性預(yù)測(cè)結(jié)果

    本節(jié)的目標(biāo)是將本文提出的方法與常用的確定性預(yù)測(cè)方法的預(yù)測(cè)結(jié)果進(jìn)行比較。證明本文方法具有更高的確定性預(yù)測(cè)精度。不同方法下評(píng)估指標(biāo)如表3所示。本文提出的IRM-UW-LSTM方法的各項(xiàng)評(píng)估指標(biāo)MAE、MAPE、MAAPE、NRMSD和RMSE值都是最低的,說(shuō)明本文提出的方法具有最高的預(yù)測(cè)精度。4項(xiàng)指標(biāo)的誤差分別比次優(yōu)方法CNNLSTM降低了9.36%、7.36%、11.74%和11.81%。同時(shí),從表3還可以看出,傳統(tǒng)人工智能方法RF的誤差較大,而基于深度學(xué)習(xí)技術(shù)的LSTM、TCN方法以及組合預(yù)測(cè)方法CNNLSTM的誤差次之,這說(shuō)明了數(shù)據(jù)分布偏移對(duì)現(xiàn)有各種類型人工智能的預(yù)測(cè)方法都有一定的影響。圖6給出了不同方法的確定性預(yù)測(cè)結(jié)果,可以觀察到本文提出的方法更接近實(shí)際值。這表明本文所提方法具有更高的凈負(fù)荷預(yù)測(cè)精度。

    表3 確定性凈負(fù)荷預(yù)測(cè)結(jié)果Table 3 Deterministic net load forecasting results

    圖6 不同方法下確定性凈負(fù)荷預(yù)測(cè)結(jié)果Fig.6 Deterministic net load forecasting results under different methods

    4.5 概率預(yù)測(cè)結(jié)果

    本節(jié)的目標(biāo)是將本文提出的方法與常用的概率預(yù)測(cè)方法的預(yù)測(cè)結(jié)果進(jìn)行比較,以證明本文方法具有更高的概率預(yù)測(cè)精度,如圖7所示。圖7中,紅線代表實(shí)際凈負(fù)荷,藍(lán)色由淺到深分別代表50%和90%的置信區(qū)間。通過(guò)比較圖7(a)、(b)、(c)、(d)可以直觀地看出,本文提出的方法在90%置信區(qū)間具有更緊密的預(yù)測(cè)覆蓋區(qū)間,在50%置信區(qū)間也有一定的精度提升幅度。不同方法下的概率預(yù)測(cè)評(píng)估指標(biāo)如表4所示,本文所提方法的Winkler score和Pinball值最低。對(duì)于更關(guān)注無(wú)條件覆蓋率和區(qū)間寬度的指標(biāo)Winkler score,與次優(yōu)方法CNNLSTM相比,所提方法的誤差在置信水平50%和90%下分別減少了15.74%和9.34%。而對(duì)于指標(biāo)Pinball,所提方法的誤差降低了10.69%。這表明本文所提方法具備更高的概率凈負(fù)荷預(yù)測(cè)精度,證明了將本文方法擴(kuò)展到概率預(yù)測(cè)的可能性。

    表4 不同方法下概率凈負(fù)荷預(yù)測(cè)評(píng)估結(jié)果Table 4 Probabilistic net load forecast evaluation results under different methods

    表5 不同RNN網(wǎng)絡(luò)的凈負(fù)荷預(yù)測(cè)結(jié)果Table 5 Net load forecasting results for different RNN networks

    圖7 凈負(fù)荷概率預(yù)測(cè)結(jié)果Fig.7 Probabilistic net load forecasting results

    4.6 不同程度數(shù)據(jù)分布偏移預(yù)測(cè)結(jié)果

    為了更好地體現(xiàn)本文所提方法在凈負(fù)荷預(yù)測(cè)過(guò)程中應(yīng)對(duì)數(shù)據(jù)分布偏移的能力,本節(jié)驗(yàn)證在面對(duì)不同程度的數(shù)據(jù)分布偏移時(shí)所提方法的有效性。以2013年1月至6月的數(shù)據(jù)作為測(cè)試集。圖8給出了在不同數(shù)據(jù)分布偏移程度下本文所提方法與次優(yōu)方法CNNLSTM的MAAPE和RMSE。本文提出的方法在各個(gè)月份下的誤差總體上低于次優(yōu)方法。所提方法相比次優(yōu)方法誤差指標(biāo)提升程度如圖9所示。分別觀察2013年1-6月數(shù)據(jù)分布偏移程度以及各月份精度的提高程度。兩種方法下指標(biāo)的變化趨勢(shì)一致,這表明,數(shù)據(jù)分布偏移程度由小到大的順序,也就是準(zhǔn)確度相對(duì)提高程度由小到大的順序,反映出本文提出的方法在面對(duì)較大的數(shù)據(jù)分布偏移時(shí)具有較好的改進(jìn)潛力。相比之下,數(shù)據(jù)分布偏移程度越小,本文所提方法精度提高的程度也越小。

    圖9 不同數(shù)據(jù)分布偏移程度下所提方法與次優(yōu)方法相比MAAPE、RMSE的提升程度Fig.9 Relative improvement of proposed method compared to the second-best method under different degrees of data distribution shift

    4.7 不同光伏滲透率預(yù)測(cè)結(jié)果

    可再生能源發(fā)電的間歇性和不確定性是凈負(fù)荷數(shù)據(jù)分布偏移的主要原因之一??稍偕茉礉B透率越高,數(shù)據(jù)不確定性越大,數(shù)據(jù)分布偏移程度越高。所有用戶的總用電量、光伏發(fā)電量和凈負(fù)荷數(shù)據(jù)已知,可以通過(guò)控制無(wú)光伏發(fā)電量客戶的數(shù)量來(lái)控制光伏滲透率。假設(shè)一些客戶的光伏發(fā)電量為0(即這些客戶的用電量全部由凈負(fù)荷提供)。本文以300個(gè)客戶為固定值,構(gòu)建(0,300)、(50,250)、(100,200)、(150,150)、(200,100)、(250,50)、(300,0)的實(shí)驗(yàn)組,其中前者為無(wú)光伏發(fā)電出力的用戶數(shù)量,后者為有光伏發(fā)電的用戶數(shù)量。圖10給出了不同光伏滲透率下所提方法與次優(yōu)方法的MAAPE和RSME。從圖10可以看出,光伏用戶越多,即光伏滲透率越高,評(píng)價(jià)指標(biāo)MAAPE和RMSE的值越大。這與數(shù)據(jù)分布偏移越明顯,預(yù)測(cè)難度越大、精度越差的結(jié)論一致。此外,光伏滲透率越高,本文所提方法的精度提升程度越大,當(dāng)滲透率最高時(shí),改進(jìn)幅度分別為16.062%和13.452%。本節(jié)仿真結(jié)果說(shuō)明,光伏滲透率越高,數(shù)據(jù)分布偏移程度越高,本文所提方法的精度提升程度越大。這與第4.6節(jié)的結(jié)論是一致的,也反映出隨著未來(lái)光伏等新能源在電力系統(tǒng)中滲透率的提高,本文方法具有較大的應(yīng)用潛力。

    圖10 不同光伏滲透率下所提方法與次優(yōu)方法的MAAPE、RMSE結(jié)果Fig.10 MAAPE and RMSE results of the proposed method and the suboptimal method under different photovoltaic permeability

    4.8 不同RNN網(wǎng)絡(luò)結(jié)構(gòu)預(yù)測(cè)結(jié)果

    RNN因其處理連續(xù)數(shù)據(jù)的能力而廣泛應(yīng)用于負(fù)荷預(yù)測(cè)。RNN的網(wǎng)絡(luò)機(jī)制使模型能夠?qū)⑸弦粫r(shí)間步產(chǎn)生的結(jié)果作為當(dāng)前時(shí)間步輸入的一部分,從而影響當(dāng)前時(shí)間步的輸出。在負(fù)荷預(yù)測(cè)領(lǐng)域幾種常見的RNN變體如:LSTM[21]、門控循環(huán)單元(gate recurrent unit,GRU)[26],它們除了繼承了RNN的優(yōu)良預(yù)測(cè)特性外,還能更好地處理更長(zhǎng)的時(shí)間序列數(shù)據(jù),同時(shí)克服梯度爆炸等問(wèn)題[27]。本節(jié)比較了IRM-RNN、IRM-LSTM和IRM-GRU的預(yù)測(cè)結(jié)果,結(jié)果表明在利用本文所提方法克服凈負(fù)荷數(shù)據(jù)分布偏移時(shí),LSTM是更優(yōu)的選擇。表5給出了不同RNN網(wǎng)絡(luò)的凈負(fù)荷預(yù)測(cè)結(jié)果,可知,IRM-LSTM具有更好的預(yù)測(cè)精度,與IRM-RNN和IRM-GRU相比,MAAPE分別提高了31.6%和7.96%。由于張量運(yùn)算較少,GRU的計(jì)算速度更具優(yōu)勢(shì)。表6給出了不同RNN網(wǎng)絡(luò)計(jì)算時(shí)間,從表6可以看出,IRM-GRU在訓(xùn)練時(shí)間方面更占優(yōu)勢(shì)。結(jié)果表明,IRM并沒(méi)有改變RNN網(wǎng)絡(luò)本身的優(yōu)勢(shì),這進(jìn)一步說(shuō)明了本文方法的合理性,同時(shí),未來(lái)可以根據(jù)預(yù)測(cè)需要選擇更快或更準(zhǔn)確的方法。

    表6 不同RNN網(wǎng)絡(luò)的計(jì)算時(shí)間Table 6 Computational time for different RNN network

    5 結(jié) 論

    由于更多不確定性的注入,分布式能源的廣泛部署大大降低了凈負(fù)荷的可預(yù)測(cè)性。更高的不確定性使得凈負(fù)荷數(shù)據(jù)分布偏移更為頻繁和嚴(yán)重。針對(duì)此問(wèn)題,本文通過(guò)學(xué)習(xí)不同凈負(fù)荷數(shù)據(jù)分布下的不變特征信息,提出了一種基于IRM-UW-LSTM的短期居民凈負(fù)荷預(yù)測(cè)方法。該方法不同于現(xiàn)有方法,減少了模型對(duì)測(cè)試集與訓(xùn)練集數(shù)據(jù)獨(dú)立同分布的依賴。通過(guò)Ausgrid公司提供的真實(shí)凈負(fù)荷數(shù)據(jù)驗(yàn)證了本文方法可以通過(guò)克服數(shù)據(jù)分布偏移問(wèn)題提高確定性和概率凈負(fù)荷預(yù)測(cè)精度。而且,結(jié)果表明,分布偏移程度越高,該方法與其他方法相比改進(jìn)潛力越大。此外,隨著可再生能源在電力系統(tǒng)中滲透率的提高,本文方法具有更高的應(yīng)用潛力。

    猜你喜歡
    數(shù)據(jù)分布負(fù)荷誤差
    改進(jìn)的云存儲(chǔ)系統(tǒng)數(shù)據(jù)分布策略
    角接觸球軸承接觸角誤差控制
    哈爾濱軸承(2020年2期)2020-11-06 09:22:26
    Beidou, le système de navigation par satellite compatible et interopérable
    壓力容器制造誤差探究
    一種基于給定標(biāo)準(zhǔn)對(duì)數(shù)據(jù)進(jìn)行正態(tài)修正的算法
    防止過(guò)負(fù)荷時(shí)距離保護(hù)誤動(dòng)新判據(jù)
    主動(dòng)降負(fù)荷才是正經(jīng)事
    試論大數(shù)據(jù)之“大”
    九十億分之一的“生死”誤差
    山東青年(2016年2期)2016-02-28 14:25:41
    負(fù)荷跟蹤運(yùn)行下反應(yīng)堆一回路控制系統(tǒng)仿真與驗(yàn)證
    亚洲精品一区av在线观看| 麻豆国产av国片精品| 国产免费av片在线观看野外av| 99久久九九国产精品国产免费| 99热这里只有是精品在线观看| 国产精品一区二区三区四区久久| 午夜福利在线观看免费完整高清在 | 免费av毛片视频| 精品福利观看| 久久人妻av系列| 午夜精品在线福利| 亚洲av日韩精品久久久久久密| 91av网一区二区| 亚洲中文字幕日韩| 亚洲国产精品合色在线| 精品国内亚洲2022精品成人| 亚洲成a人片在线一区二区| 免费搜索国产男女视频| 国产成人福利小说| 免费av毛片视频| 亚洲真实伦在线观看| 欧美区成人在线视频| 色综合婷婷激情| 久久精品国产鲁丝片午夜精品 | 国产白丝娇喘喷水9色精品| 欧美一级a爱片免费观看看| 极品教师在线视频| 性色avwww在线观看| 嫩草影院精品99| 日韩欧美一区二区三区在线观看| 夜夜看夜夜爽夜夜摸| 国产精品亚洲美女久久久| 久久精品国产鲁丝片午夜精品 | 亚洲国产高清在线一区二区三| 亚洲午夜理论影院| 日本在线视频免费播放| 女人被狂操c到高潮| 男女视频在线观看网站免费| 欧美精品国产亚洲| 亚洲精品亚洲一区二区| av天堂中文字幕网| 欧美人与善性xxx| 亚洲人成网站高清观看| 国产日本99.免费观看| 欧美zozozo另类| 深夜精品福利| 亚洲欧美日韩无卡精品| 小说图片视频综合网站| 精品久久久久久久人妻蜜臀av| 别揉我奶头 嗯啊视频| 日韩 亚洲 欧美在线| 久久亚洲真实| 亚洲内射少妇av| 91麻豆精品激情在线观看国产| 日韩一本色道免费dvd| 又紧又爽又黄一区二区| 小蜜桃在线观看免费完整版高清| av黄色大香蕉| 国产精品野战在线观看| 啦啦啦韩国在线观看视频| 中出人妻视频一区二区| 禁无遮挡网站| 亚洲aⅴ乱码一区二区在线播放| 亚洲熟妇熟女久久| 可以在线观看毛片的网站| 亚洲在线观看片| 在线免费十八禁| 中亚洲国语对白在线视频| 精品久久久久久,| 网址你懂的国产日韩在线| 人妻久久中文字幕网| 嫁个100分男人电影在线观看| 九九热线精品视视频播放| 天堂动漫精品| 久久这里只有精品中国| 91av网一区二区| 人人妻人人澡欧美一区二区| 中文字幕av成人在线电影| 国产午夜福利久久久久久| 熟妇人妻久久中文字幕3abv| 大又大粗又爽又黄少妇毛片口| 免费黄网站久久成人精品| 夜夜夜夜夜久久久久| 亚洲欧美日韩高清专用| 欧美zozozo另类| 97超视频在线观看视频| 精品人妻视频免费看| 男女啪啪激烈高潮av片| 动漫黄色视频在线观看| 国产探花极品一区二区| netflix在线观看网站| 又黄又爽又刺激的免费视频.| 午夜久久久久精精品| 欧美极品一区二区三区四区| 午夜激情欧美在线| 久久久色成人| av视频在线观看入口| 嫩草影院精品99| 99在线人妻在线中文字幕| 久久久成人免费电影| 婷婷色综合大香蕉| 国产男靠女视频免费网站| 麻豆久久精品国产亚洲av| 免费无遮挡裸体视频| 国产伦一二天堂av在线观看| 精品久久久噜噜| 欧洲精品卡2卡3卡4卡5卡区| 麻豆成人午夜福利视频| 一边摸一边抽搐一进一小说| 97超视频在线观看视频| 美女大奶头视频| 悠悠久久av| 黄色配什么色好看| 午夜日韩欧美国产| 国内精品久久久久精免费| 精品午夜福利视频在线观看一区| 午夜爱爱视频在线播放| 欧美成人a在线观看| 国产精品精品国产色婷婷| 久久人人爽人人爽人人片va| 99热网站在线观看| 色噜噜av男人的天堂激情| 国产精品无大码| 大型黄色视频在线免费观看| 人妻夜夜爽99麻豆av| 白带黄色成豆腐渣| 国产精品一区二区三区四区免费观看 | 黄色视频,在线免费观看| 久久精品综合一区二区三区| 九色成人免费人妻av| 免费高清视频大片| 男女做爰动态图高潮gif福利片| 在线观看av片永久免费下载| 午夜福利高清视频| 大型黄色视频在线免费观看| 精品人妻偷拍中文字幕| 男女啪啪激烈高潮av片| 成人国产一区最新在线观看| 国内少妇人妻偷人精品xxx网站| 久久精品91蜜桃| 亚洲国产高清在线一区二区三| 午夜福利在线观看免费完整高清在 | 亚洲成人免费电影在线观看| 亚洲最大成人中文| 少妇高潮的动态图| 老熟妇仑乱视频hdxx| 身体一侧抽搐| 久久久午夜欧美精品| 国产av在哪里看| 午夜影院日韩av| 2021天堂中文幕一二区在线观| 在线观看av片永久免费下载| 97碰自拍视频| 亚洲中文字幕一区二区三区有码在线看| 国产极品精品免费视频能看的| 国产亚洲精品久久久久久毛片| 久久香蕉精品热| 三级国产精品欧美在线观看| 欧美一区二区精品小视频在线| 一进一出抽搐gif免费好疼| 精品人妻偷拍中文字幕| 国产午夜精品久久久久久一区二区三区 | 波多野结衣巨乳人妻| 人妻丰满熟妇av一区二区三区| 啦啦啦观看免费观看视频高清| 99久久成人亚洲精品观看| 国产av一区在线观看免费| 国产 一区 欧美 日韩| 久久久精品大字幕| 日日摸夜夜添夜夜添小说| 乱码一卡2卡4卡精品| 人妻丰满熟妇av一区二区三区| 日日夜夜操网爽| 91狼人影院| 日本熟妇午夜| 中文亚洲av片在线观看爽| 99久久九九国产精品国产免费| 国产伦一二天堂av在线观看| 国产精品国产高清国产av| h日本视频在线播放| 国产高清不卡午夜福利| 亚洲国产高清在线一区二区三| 亚洲一区二区三区色噜噜| 亚洲精品在线观看二区| 亚洲精品一区av在线观看| 亚洲精品一区av在线观看| 国产精品无大码| 成人国产麻豆网| 一进一出好大好爽视频| 亚洲精品色激情综合| 变态另类丝袜制服| 日本免费a在线| 亚洲国产精品成人综合色| 亚洲黑人精品在线| 18禁裸乳无遮挡免费网站照片| 成年人黄色毛片网站| 人妻少妇偷人精品九色| 成人二区视频| 精品日产1卡2卡| 老女人水多毛片| 啦啦啦观看免费观看视频高清| 国产在线男女| 国产伦在线观看视频一区| 日本熟妇午夜| 成人国产综合亚洲| 亚洲成人免费电影在线观看| 国内少妇人妻偷人精品xxx网站| 色在线成人网| 热99在线观看视频| 波多野结衣高清作品| 少妇裸体淫交视频免费看高清| 午夜福利在线观看吧| 午夜精品久久久久久毛片777| 亚洲精品456在线播放app | 亚洲自拍偷在线| 色吧在线观看| 久久久久久大精品| 最近最新免费中文字幕在线| 1024手机看黄色片| 如何舔出高潮| 99热精品在线国产| 国产精品乱码一区二三区的特点| 中文亚洲av片在线观看爽| 日本免费一区二区三区高清不卡| av国产免费在线观看| 长腿黑丝高跟| 两个人视频免费观看高清| 久久久色成人| 成熟少妇高潮喷水视频| 午夜精品一区二区三区免费看| 小蜜桃在线观看免费完整版高清| 国产精品1区2区在线观看.| 免费在线观看影片大全网站| 成人三级黄色视频| 久久精品影院6| 99国产精品一区二区蜜桃av| 别揉我奶头~嗯~啊~动态视频| 两人在一起打扑克的视频| 黄色丝袜av网址大全| 国内精品一区二区在线观看| av.在线天堂| 此物有八面人人有两片| 久久精品国产自在天天线| 亚洲av美国av| 日本爱情动作片www.在线观看 | 久久久久久久午夜电影| 超碰av人人做人人爽久久| 国产精华一区二区三区| 男女那种视频在线观看| 亚洲成人免费电影在线观看| 国产三级在线视频| 十八禁网站免费在线| 夜夜爽天天搞| 乱系列少妇在线播放| 啦啦啦啦在线视频资源| 九色国产91popny在线| 欧美人与善性xxx| 动漫黄色视频在线观看| 欧美bdsm另类| 亚洲av免费在线观看| 观看美女的网站| 在线免费十八禁| 午夜福利成人在线免费观看| 天堂av国产一区二区熟女人妻| 天天一区二区日本电影三级| 午夜福利高清视频| 婷婷色综合大香蕉| av在线天堂中文字幕| 成人美女网站在线观看视频| 波多野结衣巨乳人妻| 麻豆成人av在线观看| 悠悠久久av| 我的女老师完整版在线观看| 最近中文字幕高清免费大全6 | 亚洲欧美日韩高清在线视频| 特级一级黄色大片| 国产高潮美女av| 久久精品国产清高在天天线| 日日干狠狠操夜夜爽| 亚洲人成伊人成综合网2020| 亚洲在线观看片| 国产熟女欧美一区二区| 18禁黄网站禁片免费观看直播| 国产一区二区三区在线臀色熟女| 99久久精品国产国产毛片| 99久国产av精品| 在线播放无遮挡| 三级国产精品欧美在线观看| 丰满人妻一区二区三区视频av| 啪啪无遮挡十八禁网站| 欧美色视频一区免费| 日本三级黄在线观看| 国产伦在线观看视频一区| 又粗又爽又猛毛片免费看| 国产成年人精品一区二区| 免费人成视频x8x8入口观看| 亚洲成a人片在线一区二区| 国产精品野战在线观看| 久久香蕉精品热| 国产蜜桃级精品一区二区三区| 精品免费久久久久久久清纯| 在线免费观看不下载黄p国产 | 香蕉av资源在线| 欧美zozozo另类| 91精品国产九色| 搡老熟女国产l中国老女人| av天堂中文字幕网| 日韩精品中文字幕看吧| 精品免费久久久久久久清纯| 国产精品电影一区二区三区| 亚洲精品成人久久久久久| 小蜜桃在线观看免费完整版高清| 成人欧美大片| 亚洲,欧美,日韩| 波多野结衣高清无吗| 我的女老师完整版在线观看| 日本a在线网址| 18禁黄网站禁片午夜丰满| 午夜精品一区二区三区免费看| 亚洲色图av天堂| 91午夜精品亚洲一区二区三区 | 亚洲成a人片在线一区二区| 亚洲图色成人| 欧美激情国产日韩精品一区| 国产免费一级a男人的天堂| 亚洲av.av天堂| 岛国在线免费视频观看| 麻豆精品久久久久久蜜桃| 淫妇啪啪啪对白视频| 国产精品一区二区三区四区免费观看 | 国产精品永久免费网站| 欧美人与善性xxx| av天堂在线播放| 久久精品影院6| 男人的好看免费观看在线视频| 99热这里只有是精品在线观看| 日韩一区二区视频免费看| 日本-黄色视频高清免费观看| 色综合亚洲欧美另类图片| 成人午夜高清在线视频| 少妇人妻精品综合一区二区 | 黄色一级大片看看| 日本色播在线视频| 免费看美女性在线毛片视频| 亚洲人成伊人成综合网2020| 在线国产一区二区在线| 国内少妇人妻偷人精品xxx网站| 精品久久久久久久久av| 成人性生交大片免费视频hd| 国产成人a区在线观看| 夜夜看夜夜爽夜夜摸| 婷婷六月久久综合丁香| 欧美成人a在线观看| 中文字幕人妻熟人妻熟丝袜美| 婷婷精品国产亚洲av| 男女做爰动态图高潮gif福利片| 欧美激情在线99| 精品久久久久久成人av| 日本熟妇午夜| 午夜福利欧美成人| 久久久国产成人免费| 中文字幕高清在线视频| 又粗又爽又猛毛片免费看| 成年女人永久免费观看视频| 国产淫片久久久久久久久| 天堂网av新在线| 亚洲电影在线观看av| 亚洲18禁久久av| 人妻少妇偷人精品九色| 中文字幕高清在线视频| 国产精品久久久久久亚洲av鲁大| 淫秽高清视频在线观看| 欧美xxxx性猛交bbbb| 午夜日韩欧美国产| 日本与韩国留学比较| 欧美一区二区亚洲| 亚洲一区高清亚洲精品| 欧美精品啪啪一区二区三区| 一级a爱片免费观看的视频| 国产精品精品国产色婷婷| 干丝袜人妻中文字幕| 少妇熟女aⅴ在线视频| 热99在线观看视频| 丝袜美腿在线中文| 久久午夜亚洲精品久久| 中文字幕高清在线视频| av中文乱码字幕在线| 在线观看美女被高潮喷水网站| 99热这里只有是精品在线观看| 国产伦在线观看视频一区| 少妇人妻一区二区三区视频| 免费看美女性在线毛片视频| 免费看日本二区| 久久精品国产亚洲av涩爱 | 亚洲欧美日韩高清专用| 国内精品久久久久精免费| 国产精品综合久久久久久久免费| 91久久精品国产一区二区三区| 韩国av在线不卡| 在线播放无遮挡| 欧美日韩精品成人综合77777| 中国美女看黄片| 日本一本二区三区精品| 三级国产精品欧美在线观看| 综合色av麻豆| 成人亚洲精品av一区二区| 国产老妇女一区| 长腿黑丝高跟| aaaaa片日本免费| 欧美激情久久久久久爽电影| 久久精品国产清高在天天线| 国产淫片久久久久久久久| 韩国av一区二区三区四区| 亚洲国产精品sss在线观看| 中亚洲国语对白在线视频| 国产高清三级在线| 成人毛片a级毛片在线播放| 制服丝袜大香蕉在线| 久久精品国产亚洲av天美| 少妇高潮的动态图| 亚洲自偷自拍三级| 久久久久性生活片| 又黄又爽又免费观看的视频| 久久中文看片网| 一进一出抽搐动态| 老司机深夜福利视频在线观看| 日韩中字成人| 麻豆成人午夜福利视频| 国产午夜精品论理片| 久久久成人免费电影| 久9热在线精品视频| 搡老熟女国产l中国老女人| 久久99热这里只有精品18| 亚洲人与动物交配视频| 亚洲av五月六月丁香网| 在线免费观看的www视频| 国产日本99.免费观看| 久久久久国产精品人妻aⅴ院| 亚洲av免费在线观看| 亚洲一区高清亚洲精品| 国产老妇女一区| 亚洲性夜色夜夜综合| 直男gayav资源| 国产高清视频在线播放一区| 99久久九九国产精品国产免费| av.在线天堂| 亚洲性夜色夜夜综合| 黄色丝袜av网址大全| 成人国产一区最新在线观看| 夜夜爽天天搞| 午夜视频国产福利| www日本黄色视频网| 日本一二三区视频观看| 亚洲无线观看免费| 91麻豆精品激情在线观看国产| 少妇人妻精品综合一区二区 | 少妇被粗大猛烈的视频| 99精品久久久久人妻精品| 成年版毛片免费区| 国产黄a三级三级三级人| 国产精品美女特级片免费视频播放器| 国产毛片a区久久久久| 亚洲熟妇熟女久久| 色av中文字幕| 两个人的视频大全免费| 91在线精品国自产拍蜜月| 黄色欧美视频在线观看| 亚洲乱码一区二区免费版| 色精品久久人妻99蜜桃| 日韩在线高清观看一区二区三区 | 精品免费久久久久久久清纯| 亚洲在线自拍视频| 亚洲精品日韩av片在线观看| 国产淫片久久久久久久久| 亚洲国产精品合色在线| 精品久久久久久久久av| 色尼玛亚洲综合影院| 午夜影院日韩av| 欧美色视频一区免费| 国产毛片a区久久久久| 亚洲国产欧美人成| 久久精品国产亚洲av天美| 日韩欧美国产一区二区入口| 欧美xxxx黑人xx丫x性爽| 亚洲中文日韩欧美视频| 亚洲内射少妇av| 久久人妻av系列| 最新中文字幕久久久久| 很黄的视频免费| 午夜福利在线观看免费完整高清在 | 99在线视频只有这里精品首页| 亚洲欧美日韩东京热| 少妇的逼好多水| 成熟少妇高潮喷水视频| 在线观看av片永久免费下载| 久久午夜福利片| 91狼人影院| 变态另类丝袜制服| 久久久久久久久久久丰满 | 欧美精品国产亚洲| 九九爱精品视频在线观看| 男人舔奶头视频| 亚洲四区av| 久久香蕉精品热| 91久久精品国产一区二区成人| 亚洲中文日韩欧美视频| 久久久久久久久久黄片| 特大巨黑吊av在线直播| 日韩欧美 国产精品| www.www免费av| 听说在线观看完整版免费高清| 观看免费一级毛片| 日韩精品有码人妻一区| 欧美丝袜亚洲另类 | 欧美zozozo另类| 中文资源天堂在线| 亚洲熟妇熟女久久| 观看免费一级毛片| 午夜a级毛片| 最新在线观看一区二区三区| 久久精品人妻少妇| 国产欧美日韩一区二区精品| 日本成人三级电影网站| 欧美激情在线99| 欧美+日韩+精品| 亚洲精品国产成人久久av| 午夜精品一区二区三区免费看| 日韩欧美一区二区三区在线观看| 蜜桃亚洲精品一区二区三区| 男人舔奶头视频| 国产精品一区www在线观看 | 日本 欧美在线| 国产精品乱码一区二三区的特点| 国国产精品蜜臀av免费| 久久久精品大字幕| 久久久久久久久久黄片| 国产精品永久免费网站| 国产一区二区在线观看日韩| 成人二区视频| 久久人人精品亚洲av| 国产人妻一区二区三区在| 欧美日韩综合久久久久久 | 极品教师在线视频| av天堂在线播放| 无人区码免费观看不卡| 精品一区二区三区视频在线观看免费| 久久午夜福利片| 婷婷亚洲欧美| 国产一区二区三区在线臀色熟女| 看片在线看免费视频| 国产av不卡久久| 久久久精品大字幕| 欧美黑人欧美精品刺激| 观看免费一级毛片| 丰满人妻一区二区三区视频av| 亚洲第一电影网av| 国产精品av视频在线免费观看| 99久国产av精品| 亚洲精品成人久久久久久| 麻豆av噜噜一区二区三区| 婷婷精品国产亚洲av在线| 人妻少妇偷人精品九色| 两个人的视频大全免费| 国产精品嫩草影院av在线观看 | 国产一区二区在线观看日韩| 国产单亲对白刺激| 日本色播在线视频| 亚洲精品456在线播放app | 三级毛片av免费| 男女啪啪激烈高潮av片| 狂野欧美白嫩少妇大欣赏| 22中文网久久字幕| 国产麻豆成人av免费视频| 男女啪啪激烈高潮av片| 亚洲人与动物交配视频| 嫩草影视91久久| 99热6这里只有精品| 亚洲 国产 在线| 国产精品美女特级片免费视频播放器| 麻豆久久精品国产亚洲av| 亚洲国产色片| 亚洲专区中文字幕在线| 美女 人体艺术 gogo| 大型黄色视频在线免费观看| 51国产日韩欧美| 又粗又爽又猛毛片免费看| 在线免费观看不下载黄p国产 | 简卡轻食公司| 日韩一本色道免费dvd| 99热6这里只有精品| 2021天堂中文幕一二区在线观| 成人二区视频| 欧美日韩精品成人综合77777| 亚洲av电影不卡..在线观看| 一a级毛片在线观看| 欧美国产日韩亚洲一区| 国产精品久久久久久精品电影| 欧美国产日韩亚洲一区| 久久久久久久久大av| av在线老鸭窝| 99在线人妻在线中文字幕| 国产精品野战在线观看| 久久久精品欧美日韩精品| 欧美人与善性xxx| 成人午夜高清在线视频| 国产高清不卡午夜福利| 一本久久中文字幕| 国产极品精品免费视频能看的| 久9热在线精品视频| 国产精品久久久久久亚洲av鲁大| 两人在一起打扑克的视频| 18禁黄网站禁片免费观看直播| 亚洲国产精品久久男人天堂| 国产精品,欧美在线| 亚洲在线自拍视频|