• <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 ?

    基于特征構(gòu)造和改進(jìn)PSO算法的分布式光伏功率預(yù)測

    2024-03-10 03:34:24孟令哲曾新華龐成鑫
    電源技術(shù) 2024年2期
    關(guān)鍵詞:輸出功率聚類粒子

    孟令哲,周 翔,曾新華,龐成鑫

    (1.上海電力大學(xué)電子與信息工程學(xué)院,上海 200090;2.復(fù)旦大學(xué)工程與應(yīng)用技術(shù)研究院,上海200433)

    大多數(shù)分布式光伏并沒有完善的天氣數(shù)值測量、衛(wèi)星云圖以及預(yù)報系統(tǒng)[1-2],相比集中式光伏電站,功率預(yù)測難度較大。文獻(xiàn)[3]利用聚類方法進(jìn)行天氣分類,文獻(xiàn)[4]采用多種天氣融合進(jìn)行預(yù)測。相比集中式光伏電站,分布式光伏歷史數(shù)據(jù)量較少,天氣分類進(jìn)一步縮減可用數(shù)據(jù),導(dǎo)致預(yù)測精度不高。

    針對以上問題,建立了基于聚類算法的特征工程,聚類的指標(biāo)以及結(jié)果作為新的特征,以擴(kuò)大分布式光伏數(shù)據(jù)集的樣本規(guī)模;提出改進(jìn)粒子群優(yōu)化算法(PSO),該改進(jìn)算法基于一種跳出循環(huán)策略,確保PSO 算法避免局部最優(yōu)情況發(fā)生,向全局最優(yōu)方向迭代,并應(yīng)用于模型超參數(shù)優(yōu)化中。

    1 分布式光伏數(shù)據(jù)預(yù)處理

    采用拉依達(dá)(3-Sigma)準(zhǔn)則[5]來判斷異常數(shù)據(jù),并對異常數(shù)據(jù)進(jìn)行插值處理。分布式光伏輸出功率數(shù)據(jù)一般服從Beta 分布或者正態(tài)分布[6],認(rèn)為測量數(shù)據(jù)x和平均數(shù)據(jù)μ之差若超過3 倍的標(biāo)準(zhǔn)差δ,則判定為異常數(shù)據(jù),如式(1)所示,將原始數(shù)據(jù)壓縮到[0,1]范圍內(nèi),最后預(yù)測時反歸一化處理。

    2 相關(guān)性分析及特征構(gòu)造

    只考慮光伏出力不為0 時刻的點(diǎn),由于各個環(huán)境變量對分布式光伏輸出功率各不相同,應(yīng)對整個數(shù)據(jù)相關(guān)性進(jìn)行分析,以便于模型的降維處理,減少計算時間。每個環(huán)境變量序列與光伏輸出功率相關(guān)性計算公式如式(2)所示:

    式中:R(Xj,Xk)為相關(guān)性系數(shù);Cov(Xj,Xk)是兩個向量的協(xié)方差;Var(Xj)和Var(Xk)是兩個向量各自的方差。

    引入二分聚類算法對原始數(shù)據(jù)進(jìn)行聚類,相比于傳統(tǒng)k-means 聚類算法[7]能克服陷入局部極小值的情況。聚類后的每個數(shù)據(jù)都會有一個歐氏距離的數(shù)據(jù)特征,該數(shù)據(jù)點(diǎn)是每個時間點(diǎn)的所有歐氏距離,歐氏距離計算公式如式(3)所示:

    式中:d(x,y)是歐氏距離;xi是歸一化后特征;yi是歸一化后的光伏出力。該公式描述了與集群中心點(diǎn)的距離,中心點(diǎn)指的是典型天氣情況下的輸出功率和氣象因素之間的關(guān)系。每個時間點(diǎn)計算的歐氏距離作為獨(dú)立輸入特征,引入到數(shù)據(jù)集訓(xùn)練,其機(jī)理相當(dāng)于先于模型訓(xùn)練前,分析輸入和輸出的相關(guān)性,該相關(guān)性指標(biāo)納入到訓(xùn)練模型中,再引入聚類結(jié)果的特征。由于分布式光伏的數(shù)據(jù)可能沒有明確天氣的特征,所以無法進(jìn)行傳統(tǒng)的典型天氣如晴天、陰天、雨天的劃分,若采用聚類算法劃分,則無法說明該類別是否屬于某種典型天氣,而只能說明歸類結(jié)果。擴(kuò)充后的數(shù)據(jù)集再進(jìn)行監(jiān)督學(xué)習(xí),因此,本構(gòu)造方法的訓(xùn)練特征增加二維,分別為聚類結(jié)果及歐氏距離,可用數(shù)據(jù)增加,能夠解決分布式光伏測量系統(tǒng)測量數(shù)據(jù)少的問題。

    3 網(wǎng)絡(luò)模型

    為了保留數(shù)據(jù)時序性,所提出的單步預(yù)測模型以長短時記憶網(wǎng)絡(luò)(LSTM)為基礎(chǔ),引入注意力機(jī)制在LSTM 之后分配權(quán)重,提出改進(jìn)后的PSO 算法作為網(wǎng)絡(luò)超參數(shù)的優(yōu)化,并采用由序列到監(jiān)督的學(xué)習(xí)方法。

    3.1 LSTM 循環(huán)神經(jīng)網(wǎng)絡(luò)

    LSTM 在1997 年由Hochreiter 和Schmidhuber 所提出,是一種適合處理時間序列連續(xù)性的網(wǎng)絡(luò),相比于循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)會出現(xiàn)陷入梯度消失和爆炸的情況,LSTM 網(wǎng)絡(luò)能夠解決長期依賴的問題[8]。LSTM 網(wǎng)絡(luò)的一個單元結(jié)構(gòu)如圖1 所示。

    圖1 LSTM單細(xì)胞結(jié)構(gòu)

    3.2 引入注意力機(jī)制的網(wǎng)絡(luò)模型

    注意力機(jī)制是一種人類視覺反映到大腦而產(chǎn)生不同關(guān)注點(diǎn)的機(jī)制。現(xiàn)有如LSTM 模型之類的模型雖能學(xué)習(xí)輸入與輸出相關(guān)性,但無法準(zhǔn)確關(guān)注到各個輸入對輸出的影響程度大小,而注意力機(jī)制相當(dāng)于對輸入值進(jìn)行一個權(quán)重的分配,其它模型如BP 神經(jīng)網(wǎng)絡(luò)與注意力機(jī)制的結(jié)合在處理長序列的任務(wù)時表現(xiàn)并沒有LSTM 結(jié)合注意力機(jī)制好。因此,將注意力機(jī)制與LSTM 模型相結(jié)合進(jìn)行分布式光伏預(yù)測,所提模型的框圖如圖2 所示。

    圖2 網(wǎng)絡(luò)模型框圖

    X0~Xn為輸入網(wǎng)絡(luò)模型的歷史數(shù)據(jù),包括氣象數(shù)據(jù)、歷史輸出功率,稱為輸入層。該數(shù)據(jù)流過LSTM層進(jìn)行特征提取學(xué)習(xí),其中,利用改進(jìn)的PSO 算法優(yōu)化整個LSTM 網(wǎng)絡(luò)的超參數(shù),優(yōu)化的參數(shù)結(jié)果返回到LSTM 層中。在注意力層中,h1~hn為輸入序列的狀態(tài)值,進(jìn)行相似性判斷后求兩者向量點(diǎn)積,按概率賦予各部分之間的權(quán)重a1~an,賦予較強(qiáng)特征較大的權(quán)重,反之同理,根據(jù)權(quán)重系數(shù),對h1~hn加權(quán)求和,使得模型對強(qiáng)特征的表達(dá)能力更強(qiáng),最后,數(shù)據(jù)通過全連接層輸出預(yù)測結(jié)果。

    3.3 改進(jìn)PSO 的超參數(shù)優(yōu)化

    使用粒子群算法進(jìn)行超參數(shù)優(yōu)化,共進(jìn)行維度為3 的超參數(shù)優(yōu)化,控制變量為抓包數(shù)大小,LSTM隱藏層神經(jīng)元大小,正則化率。目標(biāo)函數(shù)如式(4)所示,該公式反映了預(yù)測值與真實(shí)值的差值比之和,數(shù)值越小,說明模型擬合程度越高。

    式中:predict為光伏輸出功率預(yù)測值;true為真實(shí)值。

    針對標(biāo)準(zhǔn)粒子群算法存在容易陷入局部最優(yōu)的問題[9],本文提出一種改進(jìn)的PSO 算法,用于在循環(huán)中跳出局部最優(yōu)點(diǎn),并進(jìn)行下次迭代。標(biāo)準(zhǔn)PSO 算法出現(xiàn)局部最優(yōu)的原因主要有以下兩點(diǎn):(1)粒子速度衰減較快,導(dǎo)致粒子在迭代到一定代數(shù)的過程中,速度太小,無法進(jìn)行搜索更新;(2)對于某些復(fù)雜問題,雖然粒子速度沒有明顯衰減,但是被更新到最優(yōu)位置的概率大大減小。

    為了解決陷入局部最優(yōu)的問題,提出以下策略:每次迭代時,當(dāng)獲得一個局部最優(yōu)位置,則對所有粒子的位置進(jìn)行編碼成一個向量,對此時的粒子進(jìn)行聚類,聚類中心點(diǎn)隨迭代次數(shù)增加而減少,防止迭代剛開始時,粒子最優(yōu)位置不清晰,錯誤選擇最優(yōu)位置,但必須選擇以每次迭代的局部最優(yōu)位置作為一個中心點(diǎn),也即加入先驗知識,如果局部最優(yōu)聚類簇數(shù)小于某一個中心點(diǎn)聚類簇數(shù),則保存全局最優(yōu)到一個數(shù)組當(dāng)中,引入變異策略,按照一定概率,當(dāng)變異值大于0 且數(shù)組不為空集,則自行隨機(jī)選擇數(shù)組中的元素作為全局最優(yōu),否則就初始化粒子和種群。由于數(shù)組中的粒子都是歷史的最優(yōu)值,再次選擇時可以提高粒子速度,同時,初始化會重新生成最優(yōu)值,避免一直在局部最優(yōu)值下迭代。為了實(shí)現(xiàn)快速優(yōu)化,獲得全局最優(yōu)和局部最優(yōu)之間最佳平衡,引入自適應(yīng)慣性權(quán)重ω,公式為:

    式中:ωmax和ωmin是慣性權(quán)重的最大值和最小值;f為目標(biāo)函數(shù)值;favg為平均值;fmin為最小值。

    ω用來控制粒子的速度大小,ω大時,由基本PSO 更新公式知,全局搜索能力強(qiáng);ω小時,粒子速度減小,局部搜索能力強(qiáng)。當(dāng)每個粒子測量到的光伏輸出功率誤差基本一致時,粒子速度變小,則陷入了局部最優(yōu),此時優(yōu)化得到的優(yōu)選變量為非最優(yōu)值,導(dǎo)致LSTM 網(wǎng)絡(luò)參數(shù)設(shè)置不合適,最終使得預(yù)測質(zhì)量降低。由式(5)可知,引入的自適應(yīng)慣性權(quán)重ω增大,增大了全局搜索能力,避免了繼續(xù)朝著局部最優(yōu)處更新粒子,粒子全局最優(yōu)得到更新。

    3.4 評價指標(biāo)

    本文采用的評價指標(biāo)共有三種:均方根誤差(RMSE)、平均絕對誤差(MAE)、擬合度[10]。RMSE與MAE均反映了預(yù)測值與真實(shí)值的偏差程度,擬合度的值越接近1,說明模型擬合效果越好。三種評價指標(biāo)的公式如下:

    式中:RMSE、MAE、R2均為模型評價指標(biāo);Pi為第i時刻光伏發(fā)電功率的真實(shí)值;P'i為第i時刻光伏發(fā)電功率的預(yù)測值;Piav為發(fā)電真實(shí)值的平均值;n為測試集的總時刻。

    3.5 總流程

    圖3 為神經(jīng)網(wǎng)絡(luò)預(yù)測光伏功率流程圖,數(shù)據(jù)預(yù)處理包含了數(shù)據(jù)的清洗。利用聚類算法,生成聚類結(jié)果及歐氏距離作為新特征擴(kuò)充數(shù)據(jù)集。特征工程構(gòu)造完畢后,歸一化數(shù)據(jù)進(jìn)行監(jiān)督學(xué)習(xí),劃分為訓(xùn)練集、測試集以及預(yù)測集三類。在訓(xùn)練集中,經(jīng)過3.3節(jié)的算法,在該算法循環(huán)中初次訓(xùn)練網(wǎng)絡(luò)模型,根據(jù)適應(yīng)度函數(shù)得到最優(yōu)超參數(shù),在測試集應(yīng)用最優(yōu)超參數(shù)進(jìn)行訓(xùn)練,輸出評價指標(biāo)來判斷該模型的性能。預(yù)測集用于輸出歸一化的預(yù)測值,反歸一化預(yù)測值后,最終輸出預(yù)測結(jié)果。

    圖3 神經(jīng)網(wǎng)絡(luò)預(yù)測光伏功率流程圖

    4 實(shí)驗分析

    本研究的目的是在數(shù)據(jù)量少的情況下,預(yù)測分布式光伏電站的發(fā)電量,所用數(shù)據(jù)集為澳大利亞公開光伏數(shù)據(jù)集(DKASC),包含了分布式光伏的輸出功率以及各類氣象因素,原始數(shù)據(jù)有全局輻射水平、溫度、相對濕度、漫反射水平、風(fēng)速、降雨量、相位。采用平臺為python3.8 版本。將數(shù)據(jù)進(jìn)行異常數(shù)據(jù)的檢測和歸一化處理后,構(gòu)造特征工程并融合數(shù)據(jù)集。測試集選取了一天內(nèi)150 個輸出功率不為0 的時間點(diǎn),用于直觀反映預(yù)測效果。訓(xùn)練集與測試集之比為7∶3。

    由式(2)計算得各因素相關(guān)系數(shù)為:全局輻射水平0.903、溫度0.423、相對濕度0.556、擴(kuò)散水平輻射0.117、風(fēng)向0.001、降雨量0.362 2、電流0.996,歐氏距離特征相關(guān)系數(shù)為0.574 6,聚類結(jié)果特征相關(guān)系數(shù)為0.481 1,與輸出功率有較高相關(guān)性,證明了所提特征構(gòu)造方法有效。由以上分析可知,風(fēng)向及擴(kuò)散水平輻照度與光伏輸出功率的相關(guān)性最小,該類特征不應(yīng)作為模型的訓(xùn)練特征。

    改進(jìn)PSO 的初始化參數(shù),設(shè)置為迭代次數(shù)90 次,加速因子C1為2,C2為3,慣性權(quán)重最大、最小值分別為0.7 和0.3,粒子數(shù)50 個,搜索維度為3 維。目標(biāo)函數(shù)如式(4)所示,優(yōu)化迭代曲線與未優(yōu)化迭代曲線如圖4 所示,標(biāo)準(zhǔn)算法在迭代至16 代時,算法開始有一個較長時間的收斂,而改進(jìn)后的算法在第78 代后才收斂,這是由于收斂速度與收斂計算時間存在矛盾。改進(jìn)后的算法由于其粒子初始化的原因,導(dǎo)致在經(jīng)過局部最優(yōu)時重新迭代,算法收斂速度下降。改進(jìn)后的迭代曲線上有兩次適應(yīng)度函數(shù)迅速增加,這是由于跳出循環(huán)策略的引入,選擇了歷史最優(yōu)值或者粒子初始化,從而跳過局部最優(yōu),經(jīng)過兩次突變后,目標(biāo)函數(shù)繼續(xù)下降,并最終收斂,而標(biāo)準(zhǔn)的PSO算法,??吭诰植孔顑?yōu)處不再收斂。改進(jìn)的PSO 算法從初始目標(biāo)函數(shù)值的2.4×1010降至1.4×1010。標(biāo)準(zhǔn)PSO 算法從初始目標(biāo)函數(shù)值的2.6×1010降至2.2×1010。

    圖4 粒子群算法優(yōu)化曲線對比圖

    優(yōu)化超參數(shù)的初始值和尋優(yōu)范圍如表1 所示。最終的優(yōu)化結(jié)果是神經(jīng)元數(shù)量為57,dropout 比率為0.015 64,Batch size 為34。在此超參數(shù)下,固定模型的訓(xùn)練效果最好。

    表1 超參數(shù)優(yōu)化值

    表2 展示的是不同超參數(shù)的取值,進(jìn)而形成的評價指標(biāo)。初始超參數(shù)均取表1 中的初始值。由表2可以看到,改進(jìn)后的PSO 算法相比標(biāo)準(zhǔn)PSO 算法優(yōu)化LSTM 網(wǎng)絡(luò)超參數(shù)后,RMSE、MAE均下降,而預(yù)測精度提升。說明與標(biāo)準(zhǔn)算法相比,改進(jìn)算法的收斂性更好,找到了更能滿足目標(biāo)函數(shù)最小值的控制變量,而結(jié)合圖4,標(biāo)準(zhǔn)算法的適應(yīng)度函數(shù)已經(jīng)在第15代趨于穩(wěn)定不再收斂,因此可以說明該算法陷入了局部最優(yōu),而改進(jìn)后的算法無論在適應(yīng)度函數(shù)曲線上下降方面,還是在優(yōu)化超參數(shù)使得模型性能得到提升方面,均證明了所提改進(jìn)效果的有效性。

    表2 不同超參數(shù)對性能指標(biāo)的影響

    網(wǎng)絡(luò)模型共有4 層,包括2 個LSTM 層,一個注意力層以及一個全連接層。較高的學(xué)習(xí)率會增加丟失先驗知識的風(fēng)險,因此引入了學(xué)習(xí)率自適應(yīng)調(diào)整策略,每經(jīng)過10 次迭代,學(xué)習(xí)率降低為原來的1/10,初始學(xué)習(xí)率為0.01,采用Adam 優(yōu)化器。

    圖5 展示了預(yù)測結(jié)果的對比,所提模型采用注意力機(jī)制與LSTM 網(wǎng)絡(luò)結(jié)合,且采用改進(jìn)的PSO算法進(jìn)行超參數(shù)的優(yōu)化,LSTM 模型是指去除超參數(shù)優(yōu)化及注意力機(jī)制預(yù)測的結(jié)果??傮w來看,相對于LSTM 模型,所提模型的預(yù)測值與真實(shí)值更接近,曲線較為平滑,預(yù)測效果良好。在光伏出力較高的時間點(diǎn),與真實(shí)值貼合更緊密,表明模型可以準(zhǔn)確預(yù)測高出力點(diǎn)的值。在光伏出力趨勢波動較大時,LSTM 模型預(yù)測極端變化點(diǎn)的輸出功率結(jié)果相比實(shí)際值會偏高,而所提模型在極端點(diǎn)的預(yù)測與真實(shí)值幾乎一致。

    圖5 分布式光伏總預(yù)測曲線

    表3 是不同方法評價指標(biāo)的數(shù)據(jù)。每次實(shí)驗和迭代由于尋優(yōu)各有差異以及模型的學(xué)習(xí)效果不同,數(shù)據(jù)均有變化,最大變化率不足5%,各種方法和模型下的實(shí)驗均進(jìn)行5 次,取平均值。

    表3 預(yù)測方法評價指標(biāo)對比

    方法一是簡單LSTM 監(jiān)督模型,其中超參數(shù)為初始參數(shù);方法二引入聚類算法構(gòu)造特征,擴(kuò)充數(shù)據(jù)集;方法三引入了注意力層;方法四引入改進(jìn)PSO 算法優(yōu)化超參數(shù)。隨著模型深度增加,RMSE與MAE評價指標(biāo)均依次降低,R2指標(biāo)均依次升高,說明模型的擬合效果較好。構(gòu)造特征后,RMSE及MAE均有較大幅度降低,這是由于原始數(shù)據(jù)被擴(kuò)充后,網(wǎng)絡(luò)模型提取了更多有用信息,同時,各個特征的相關(guān)性信息也被充分提取。相比于方法三,方法四的評價指標(biāo)改善情況顯著,這是由于超參數(shù)的選擇可以改善模型性能,而優(yōu)化超參數(shù)會讓固定結(jié)構(gòu)的模型把性能發(fā)揮到極致。

    表4 對比了不同神經(jīng)網(wǎng)絡(luò)對評價指標(biāo)的最終影響,均采用特征工程以及使用優(yōu)化算法進(jìn)行超參數(shù)自動調(diào)優(yōu)。從表中可以看出,LSTM 的評價指標(biāo)優(yōu)于其他三類神經(jīng)網(wǎng)絡(luò),而Bi-LSTM 網(wǎng)絡(luò)與LSTM 網(wǎng)絡(luò)的評價指標(biāo)接近,且只有對于MAE,Bi-LSTM 低于LSTM,因此選用LSTM,而不選用Bi-LSTM 網(wǎng)絡(luò)是合理的??梢钥吹剑啾扔贐P 神經(jīng)網(wǎng)絡(luò),RNN 性能有較大的提升,這是由于RNN 神經(jīng)網(wǎng)絡(luò)具有時序性,相比BP 神經(jīng)網(wǎng)絡(luò)能夠更好處理時間序列。

    表4 預(yù)測模型評價指標(biāo)對比

    5 結(jié)論

    本文提出了一種基于數(shù)據(jù)分析和挖掘的神經(jīng)網(wǎng)絡(luò)模型,應(yīng)用于分布式光伏歷史數(shù)據(jù)有限輸出功率的短期預(yù)測場景?;跉W式距離的特征工程的構(gòu)造方法,新特征與輸出功率之間存在較強(qiáng)聯(lián)系,最終在預(yù)測評價指標(biāo)上表現(xiàn)較好。同時,為了讓模型更加關(guān)注到與輸出功率存在強(qiáng)聯(lián)系的數(shù)據(jù),引入了注意力機(jī)制到LSTM 模型當(dāng)中。實(shí)驗證明,模型評價指標(biāo)R2相比于簡單模型進(jìn)一步提高,最終擬合度接近98%。提出了一種避免PSO 算法陷入局部最優(yōu)的策略并應(yīng)用于神經(jīng)網(wǎng)絡(luò)的超參數(shù)自動尋優(yōu),該策略是經(jīng)過一個局部最優(yōu)的判據(jù)后,選擇初始化粒子或者更新粒子跳過局部最優(yōu)點(diǎn),實(shí)驗證明,相比標(biāo)準(zhǔn)的PSO 算法,適應(yīng)度曲線突起后大幅度下降,避免出現(xiàn)局部最優(yōu)不再收斂的情況。

    猜你喜歡
    輸出功率聚類粒子
    基于粒子群優(yōu)化的橋式起重機(jī)模糊PID控制
    基于粒子群優(yōu)化極點(diǎn)配置的空燃比輸出反饋控制
    基于DBSACN聚類算法的XML文檔聚類
    電子測試(2017年15期)2017-12-18 07:19:27
    基于改進(jìn)的遺傳算法的模糊聚類算法
    適用于智能電網(wǎng)的任意波形輸出功率源
    基于雙層BP神經(jīng)網(wǎng)絡(luò)的光伏電站輸出功率預(yù)測
    一種層次初始的聚類個數(shù)自適應(yīng)的聚類方法研究
    分布式發(fā)電系統(tǒng)并網(wǎng)逆變器輸出功率的自適應(yīng)控制
    自適應(yīng)確定K-means算法的聚類數(shù):以遙感圖像聚類為例
    基于Matlab的α粒子的散射實(shí)驗?zāi)M
    物理與工程(2014年4期)2014-02-27 11:23:08
    av在线老鸭窝| 国产国拍精品亚洲av在线观看| av在线播放精品| 在线免费十八禁| 国产av一区在线观看免费| 国产探花极品一区二区| av在线观看视频网站免费| 美女黄网站色视频| 国模一区二区三区四区视频| 午夜久久久久精精品| 不卡视频在线观看欧美| 亚洲自拍偷在线| 淫秽高清视频在线观看| 国产精品国产三级国产专区5o | 亚洲av.av天堂| 亚洲最大成人av| 在线免费十八禁| 欧美一级a爱片免费观看看| 小说图片视频综合网站| 丰满人妻一区二区三区视频av| 国产免费视频播放在线视频 | 国产午夜精品论理片| 日韩一本色道免费dvd| 国产高清视频在线观看网站| 麻豆成人午夜福利视频| 国产激情偷乱视频一区二区| 久久欧美精品欧美久久欧美| 我要看日韩黄色一级片| 国产69精品久久久久777片| 人人妻人人看人人澡| 一区二区三区高清视频在线| 国产亚洲午夜精品一区二区久久 | 久久午夜福利片| 中文字幕制服av| 内射极品少妇av片p| 久久久午夜欧美精品| 国产男人的电影天堂91| 久久久成人免费电影| 91在线精品国自产拍蜜月| 韩国高清视频一区二区三区| 亚洲无线观看免费| 人人妻人人澡欧美一区二区| 日本免费a在线| 美女高潮的动态| 中文字幕久久专区| 国产免费男女视频| 搞女人的毛片| 黄色配什么色好看| 波野结衣二区三区在线| 亚洲成人av在线免费| 亚洲电影在线观看av| 久久久亚洲精品成人影院| 久久精品国产自在天天线| 亚洲av男天堂| 有码 亚洲区| 久久久久久大精品| av在线播放精品| 欧美成人a在线观看| 国产成人a∨麻豆精品| 午夜爱爱视频在线播放| 亚洲一区高清亚洲精品| 亚洲av中文字字幕乱码综合| 久久99蜜桃精品久久| 97在线视频观看| 国产美女午夜福利| 天堂网av新在线| 国产一级毛片七仙女欲春2| 我的女老师完整版在线观看| 1024手机看黄色片| 一级毛片aaaaaa免费看小| 国产免费福利视频在线观看| 丰满乱子伦码专区| 久久精品国产99精品国产亚洲性色| 熟妇人妻久久中文字幕3abv| 亚洲美女视频黄频| 亚洲欧美清纯卡通| 亚洲av中文字字幕乱码综合| 亚洲精品成人久久久久久| 久久精品久久精品一区二区三区| 国产av一区在线观看免费| 在线天堂最新版资源| 美女国产视频在线观看| 日韩亚洲欧美综合| 国产淫语在线视频| 2021天堂中文幕一二区在线观| av在线天堂中文字幕| 麻豆av噜噜一区二区三区| 国产精品不卡视频一区二区| 少妇丰满av| 国产成人a∨麻豆精品| 别揉我奶头 嗯啊视频| 人妻制服诱惑在线中文字幕| 成年版毛片免费区| 国产乱来视频区| 美女高潮的动态| 观看免费一级毛片| 欧美日韩一区二区视频在线观看视频在线 | 69av精品久久久久久| 99久国产av精品| 麻豆成人av视频| 亚洲自拍偷在线| 一夜夜www| 欧美极品一区二区三区四区| 夫妻性生交免费视频一级片| 久久精品影院6| 国产成人aa在线观看| 人人妻人人看人人澡| 汤姆久久久久久久影院中文字幕 | 性插视频无遮挡在线免费观看| 亚洲图色成人| 国产老妇女一区| 免费电影在线观看免费观看| 国产精品久久久久久精品电影小说 | 婷婷色麻豆天堂久久 | 免费av不卡在线播放| 国产精品国产三级国产av玫瑰| 2021少妇久久久久久久久久久| 成人综合一区亚洲| 午夜福利在线在线| 女人十人毛片免费观看3o分钟| 欧美高清性xxxxhd video| 老司机影院毛片| 国产精品国产三级国产av玫瑰| 麻豆成人午夜福利视频| 国产精品99久久久久久久久| 久久99热这里只有精品18| 亚洲精品国产av成人精品| 国产色婷婷99| 国产真实伦视频高清在线观看| 久久6这里有精品| 中文在线观看免费www的网站| 天堂中文最新版在线下载 | 成人毛片a级毛片在线播放| 欧美性猛交黑人性爽| 久久草成人影院| 亚洲经典国产精华液单| 久久久久久伊人网av| 久久久色成人| 精品少妇黑人巨大在线播放 | 久久草成人影院| 三级男女做爰猛烈吃奶摸视频| 我的女老师完整版在线观看| 国产精品一二三区在线看| 少妇熟女aⅴ在线视频| 国产私拍福利视频在线观看| 最近的中文字幕免费完整| 一个人看的www免费观看视频| 黄片无遮挡物在线观看| 午夜免费激情av| 夜夜爽夜夜爽视频| 国产精品无大码| 国产成人a∨麻豆精品| 天堂网av新在线| 久久久亚洲精品成人影院| 69人妻影院| 最近最新中文字幕大全电影3| 纵有疾风起免费观看全集完整版 | 国产黄a三级三级三级人| 欧美激情在线99| 亚洲人成网站在线播| 高清午夜精品一区二区三区| or卡值多少钱| 丝袜喷水一区| 亚洲精品日韩av片在线观看| 麻豆成人午夜福利视频| 国语自产精品视频在线第100页| 免费不卡的大黄色大毛片视频在线观看 | 午夜免费激情av| 久久久久性生活片| 久久精品夜夜夜夜夜久久蜜豆| av免费在线看不卡| 青青草视频在线视频观看| 男插女下体视频免费在线播放| 一级av片app| 久久久欧美国产精品| 色网站视频免费| 免费看a级黄色片| 我的女老师完整版在线观看| 日日摸夜夜添夜夜爱| 一级黄片播放器| 国产高清三级在线| 一级黄色大片毛片| 哪个播放器可以免费观看大片| 亚洲精品国产成人久久av| 成人av在线播放网站| 午夜激情福利司机影院| 午夜免费男女啪啪视频观看| 2021天堂中文幕一二区在线观| 97在线视频观看| 91精品国产九色| 国产成人精品久久久久久| 听说在线观看完整版免费高清| 在线播放国产精品三级| 欧美日本亚洲视频在线播放| 欧美成人a在线观看| 秋霞伦理黄片| 我的女老师完整版在线观看| 老司机福利观看| 精品熟女少妇av免费看| 狠狠狠狠99中文字幕| 国产精品麻豆人妻色哟哟久久 | 亚洲综合色惰| 如何舔出高潮| 天堂中文最新版在线下载 | 哪个播放器可以免费观看大片| 国产精华一区二区三区| 欧美不卡视频在线免费观看| 99九九线精品视频在线观看视频| 国产免费又黄又爽又色| 少妇被粗大猛烈的视频| 国内精品宾馆在线| 色综合色国产| 中文字幕熟女人妻在线| 久久精品国产亚洲av天美| 麻豆久久精品国产亚洲av| 日日干狠狠操夜夜爽| 国产精品电影一区二区三区| 汤姆久久久久久久影院中文字幕 | 免费大片18禁| 校园人妻丝袜中文字幕| 午夜久久久久精精品| 2022亚洲国产成人精品| 亚洲va在线va天堂va国产| 日韩在线高清观看一区二区三区| 中文精品一卡2卡3卡4更新| 老司机福利观看| 22中文网久久字幕| 亚洲国产最新在线播放| 欧美不卡视频在线免费观看| 久久综合国产亚洲精品| 久久这里有精品视频免费| 国产伦精品一区二区三区视频9| 秋霞在线观看毛片| 麻豆久久精品国产亚洲av| 成人午夜高清在线视频| 中文资源天堂在线| 国国产精品蜜臀av免费| 99热这里只有是精品50| 99热网站在线观看| 中文字幕免费在线视频6| 22中文网久久字幕| 精品欧美国产一区二区三| 亚洲最大成人中文| 免费看美女性在线毛片视频| 国产一区有黄有色的免费视频 | 国产精品国产三级国产av玫瑰| 成人二区视频| 日产精品乱码卡一卡2卡三| 久久国内精品自在自线图片| 成人亚洲欧美一区二区av| 最近视频中文字幕2019在线8| 级片在线观看| 国产精品av视频在线免费观看| 三级国产精品片| 日本黄大片高清| 99久久无色码亚洲精品果冻| 国产精品乱码一区二三区的特点| 中文字幕熟女人妻在线| 天堂av国产一区二区熟女人妻| 99久久精品热视频| 免费看av在线观看网站| 欧美又色又爽又黄视频| 免费观看的影片在线观看| 伊人久久精品亚洲午夜| 国产视频首页在线观看| 啦啦啦韩国在线观看视频| 久久久成人免费电影| 男人狂女人下面高潮的视频| 亚洲精品乱码久久久久久按摩| 亚洲欧美清纯卡通| 人体艺术视频欧美日本| 一二三四中文在线观看免费高清| av在线亚洲专区| 亚洲国产欧洲综合997久久,| 国产高清三级在线| av免费在线看不卡| 国产在视频线在精品| 国产一区二区三区av在线| 国产成人aa在线观看| 夜夜看夜夜爽夜夜摸| 少妇猛男粗大的猛烈进出视频 | 成人午夜精彩视频在线观看| 国产精品,欧美在线| 91精品国产九色| 亚洲精品日韩在线中文字幕| 国内精品宾馆在线| 日本-黄色视频高清免费观看| 国产高清有码在线观看视频| 精品少妇黑人巨大在线播放 | 亚洲经典国产精华液单| 免费搜索国产男女视频| 国产精品一区二区三区四区免费观看| 久久精品久久精品一区二区三区| 亚洲性久久影院| 97在线视频观看| 99热这里只有是精品50| 日韩三级伦理在线观看| 午夜久久久久精精品| 午夜a级毛片| 成年免费大片在线观看| 亚洲乱码一区二区免费版| 久久久久网色| 亚洲欧美精品自产自拍| 男插女下体视频免费在线播放| 国语自产精品视频在线第100页| 日韩成人av中文字幕在线观看| 人人妻人人看人人澡| АⅤ资源中文在线天堂| 国产成人a区在线观看| 少妇熟女aⅴ在线视频| АⅤ资源中文在线天堂| 久久精品熟女亚洲av麻豆精品 | 欧美性猛交╳xxx乱大交人| 国产精品野战在线观看| 久久精品综合一区二区三区| 成人欧美大片| 久久精品综合一区二区三区| 久久久精品大字幕| 久久久午夜欧美精品| 一区二区三区免费毛片| 天美传媒精品一区二区| av女优亚洲男人天堂| 国产精品不卡视频一区二区| 亚洲国产精品专区欧美| 老司机影院成人| 色综合色国产| 男女视频在线观看网站免费| 波野结衣二区三区在线| 成人无遮挡网站| 亚洲成色77777| 亚洲国产精品成人综合色| 国产精品乱码一区二三区的特点| 成人午夜高清在线视频| 色综合色国产| 美女内射精品一级片tv| 网址你懂的国产日韩在线| 精品免费久久久久久久清纯| 欧美激情国产日韩精品一区| 久久综合国产亚洲精品| 两性午夜刺激爽爽歪歪视频在线观看| 最近中文字幕高清免费大全6| 在线播放无遮挡| 久久久久久大精品| 中国美白少妇内射xxxbb| 一级毛片电影观看 | 亚洲精品久久久久久婷婷小说 | 夜夜看夜夜爽夜夜摸| 亚洲国产最新在线播放| 精品不卡国产一区二区三区| 一级毛片我不卡| 亚洲av二区三区四区| 99久久无色码亚洲精品果冻| 三级男女做爰猛烈吃奶摸视频| 性插视频无遮挡在线免费观看| 国产精品.久久久| 日韩av在线大香蕉| 三级男女做爰猛烈吃奶摸视频| 亚洲五月天丁香| 亚洲av二区三区四区| 丝袜美腿在线中文| 国产高清不卡午夜福利| 日本一二三区视频观看| 午夜福利网站1000一区二区三区| 国产美女午夜福利| 日本五十路高清| 少妇人妻精品综合一区二区| 日本与韩国留学比较| 美女高潮的动态| 91aial.com中文字幕在线观看| 久久久久性生活片| 亚洲精品日韩av片在线观看| 亚洲人成网站在线播| 亚洲欧美成人综合另类久久久 | 久久人人爽人人爽人人片va| 精品久久久久久久人妻蜜臀av| 国产精品日韩av在线免费观看| 久久这里有精品视频免费| 国国产精品蜜臀av免费| 少妇的逼水好多| 一级毛片电影观看 | 一边亲一边摸免费视频| 看黄色毛片网站| or卡值多少钱| 免费看光身美女| 欧美激情在线99| 亚洲色图av天堂| 观看美女的网站| 久久久精品大字幕| 日本免费在线观看一区| 欧美一区二区精品小视频在线| 免费大片18禁| 成年av动漫网址| eeuss影院久久| 中文字幕免费在线视频6| 亚洲美女视频黄频| 亚洲在线自拍视频| 国产一区二区在线av高清观看| 国产欧美日韩精品一区二区| 成人漫画全彩无遮挡| 亚洲在久久综合| 丝袜美腿在线中文| 高清午夜精品一区二区三区| 国产精品一区www在线观看| 国产精品综合久久久久久久免费| a级毛色黄片| 国产精品无大码| 非洲黑人性xxxx精品又粗又长| av在线观看视频网站免费| 一级av片app| 日韩精品有码人妻一区| 国产在视频线在精品| 久久久久精品久久久久真实原创| 尤物成人国产欧美一区二区三区| 国产欧美另类精品又又久久亚洲欧美| 亚洲av中文字字幕乱码综合| 午夜亚洲福利在线播放| 人人妻人人澡人人爽人人夜夜 | 一级毛片电影观看 | 国产精品一区二区三区四区久久| 亚洲三级黄色毛片| 国产亚洲最大av| 中国美白少妇内射xxxbb| 搡老妇女老女人老熟妇| 国产高清不卡午夜福利| 国产淫片久久久久久久久| 亚洲精品亚洲一区二区| 超碰97精品在线观看| www日本黄色视频网| 国产精品永久免费网站| 又粗又硬又长又爽又黄的视频| 精品久久久久久久人妻蜜臀av| av在线天堂中文字幕| 成人高潮视频无遮挡免费网站| 日韩av在线大香蕉| 亚洲欧美精品自产自拍| 国产乱来视频区| 欧美日韩精品成人综合77777| 久久精品国产鲁丝片午夜精品| 国产欧美另类精品又又久久亚洲欧美| 看黄色毛片网站| 免费大片18禁| 伦理电影大哥的女人| 最近手机中文字幕大全| 亚洲av中文av极速乱| 国产精品伦人一区二区| 日日撸夜夜添| 波多野结衣巨乳人妻| 综合色丁香网| .国产精品久久| 久久国内精品自在自线图片| 亚洲精品久久久久久婷婷小说 | 国产亚洲5aaaaa淫片| 成人二区视频| 我的女老师完整版在线观看| 亚洲av中文字字幕乱码综合| 日本猛色少妇xxxxx猛交久久| 视频中文字幕在线观看| 国产精品.久久久| 大香蕉97超碰在线| 亚洲激情五月婷婷啪啪| 午夜福利成人在线免费观看| 国产成年人精品一区二区| 久久久久久久久中文| 两个人视频免费观看高清| 精品国产露脸久久av麻豆 | 极品教师在线视频| 丰满人妻一区二区三区视频av| 亚洲av中文字字幕乱码综合| 岛国在线免费视频观看| 国产免费福利视频在线观看| 美女高潮的动态| 精品一区二区免费观看| 大又大粗又爽又黄少妇毛片口| 欧美性猛交╳xxx乱大交人| 国产精品.久久久| 一本一本综合久久| 国产极品天堂在线| 亚洲久久久久久中文字幕| 中文精品一卡2卡3卡4更新| 日韩成人伦理影院| 丰满少妇做爰视频| 日韩精品青青久久久久久| 嘟嘟电影网在线观看| 色吧在线观看| 欧美日本视频| 最后的刺客免费高清国语| 久久热精品热| 久热久热在线精品观看| 亚洲自偷自拍三级| 久久久久久久久久成人| 日韩高清综合在线| 五月玫瑰六月丁香| 国产伦理片在线播放av一区| 91在线精品国自产拍蜜月| 日本免费在线观看一区| 色视频www国产| 热99在线观看视频| 天堂av国产一区二区熟女人妻| av在线播放精品| 国产极品精品免费视频能看的| 非洲黑人性xxxx精品又粗又长| 男人舔女人下体高潮全视频| 日韩欧美国产在线观看| 最近视频中文字幕2019在线8| 亚洲经典国产精华液单| 国产麻豆成人av免费视频| 26uuu在线亚洲综合色| 亚洲人成网站高清观看| 日本免费a在线| 亚洲国产高清在线一区二区三| 国产精品国产三级国产专区5o | 国产成人a区在线观看| 欧美性感艳星| 欧美区成人在线视频| 99热全是精品| 菩萨蛮人人尽说江南好唐韦庄 | 国产高清视频在线观看网站| 久久精品国产亚洲av涩爱| 久久国内精品自在自线图片| 国产真实伦视频高清在线观看| 十八禁国产超污无遮挡网站| 听说在线观看完整版免费高清| 色网站视频免费| 韩国av在线不卡| 日日撸夜夜添| 色5月婷婷丁香| 午夜免费激情av| 亚洲乱码一区二区免费版| 国产 一区 欧美 日韩| 听说在线观看完整版免费高清| 亚洲成人av在线免费| 秋霞在线观看毛片| 我的女老师完整版在线观看| 91狼人影院| 一区二区三区乱码不卡18| 免费看a级黄色片| 观看免费一级毛片| 一个人免费在线观看电影| 高清午夜精品一区二区三区| 成人鲁丝片一二三区免费| 国产欧美另类精品又又久久亚洲欧美| 内射极品少妇av片p| 精品欧美国产一区二区三| 五月伊人婷婷丁香| 国产欧美日韩精品一区二区| 毛片一级片免费看久久久久| 天天躁夜夜躁狠狠久久av| 99久久人妻综合| 久久久久久久午夜电影| 色网站视频免费| 桃色一区二区三区在线观看| 最近最新中文字幕免费大全7| 国产伦一二天堂av在线观看| 国产精品熟女久久久久浪| 欧美日韩精品成人综合77777| 久久精品熟女亚洲av麻豆精品 | 简卡轻食公司| 久久这里只有精品中国| 91精品一卡2卡3卡4卡| 性色avwww在线观看| 村上凉子中文字幕在线| 夜夜爽夜夜爽视频| 99久久无色码亚洲精品果冻| 午夜日本视频在线| 级片在线观看| 观看美女的网站| 边亲边吃奶的免费视频| 国产久久久一区二区三区| 欧美性猛交黑人性爽| 美女脱内裤让男人舔精品视频| 干丝袜人妻中文字幕| 黑人高潮一二区| 日韩国内少妇激情av| 欧美色视频一区免费| 日韩精品有码人妻一区| 免费av观看视频| 亚洲va在线va天堂va国产| 美女大奶头视频| 久久这里有精品视频免费| 成人无遮挡网站| 精品人妻视频免费看| 成人欧美大片| 国模一区二区三区四区视频| 深夜a级毛片| 青春草视频在线免费观看| 亚洲aⅴ乱码一区二区在线播放| 91午夜精品亚洲一区二区三区| 直男gayav资源| 青青草视频在线视频观看| 日韩欧美 国产精品| 内地一区二区视频在线| 欧美性感艳星| 亚洲精品aⅴ在线观看| 国产av一区在线观看免费| 视频中文字幕在线观看| ponron亚洲| 国产大屁股一区二区在线视频| 69人妻影院| 午夜日本视频在线| 一级爰片在线观看| 毛片一级片免费看久久久久| 国产亚洲5aaaaa淫片| 中文字幕久久专区| videossex国产| 日本色播在线视频| 久久这里有精品视频免费| 插阴视频在线观看视频| 少妇被粗大猛烈的视频| 在线播放无遮挡| 精品一区二区三区视频在线| 久久99热这里只有精品18| 精品少妇黑人巨大在线播放 | 亚洲欧洲国产日韩| 欧美日韩国产亚洲二区| 国产精品一区www在线观看|