亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于CEEMD和機(jī)器學(xué)習(xí)算法的短期風(fēng)速組合預(yù)測

        2021-12-14 07:16:28常雨芳段群龍李金榜
        實驗室研究與探索 2021年10期
        關(guān)鍵詞:分量風(fēng)速神經(jīng)網(wǎng)絡(luò)

        常雨芳,段群龍,陳 潤,李金榜,吳 鋒

        (湖北工業(yè)大學(xué)太陽能高效利用及儲能運(yùn)行控制湖北省重點實驗室,武漢 430068)

        0 引言

        全球經(jīng)濟(jì)與社會的快速發(fā)展,使石油等一次性能源供應(yīng)與環(huán)境保護(hù)之間的矛盾日益突出,同時也加速了傳統(tǒng)能源危機(jī)的爆發(fā)[1]。風(fēng)能作為一種清潔環(huán)保的可再生能源,越來越受到世界各國青睞[2-3]。隨著科學(xué)技術(shù)的提高,國家能源戰(zhàn)略也越來越多地向水能、風(fēng)能等清潔能源方向調(diào)整,“三型兩網(wǎng),世界一流”建設(shè)戰(zhàn)略的提出,將大力推動我國能源產(chǎn)業(yè)的高質(zhì)量和可持續(xù)發(fā)展。伴隨風(fēng)電并網(wǎng)規(guī)模的不斷增加,風(fēng)速的不確定性及非線性等特征對電力系統(tǒng)的穩(wěn)定運(yùn)行造成很大壓力,風(fēng)速的提前準(zhǔn)確預(yù)測是解決這一問題的重要手段,可為風(fēng)電場的運(yùn)行、自動發(fā)電控制(AGC)和智能電網(wǎng)控制(AVC)提供必要信息,提高風(fēng)電競價上網(wǎng)能力[4-5]。

        國內(nèi)外學(xué)者為提高風(fēng)速預(yù)測的準(zhǔn)確性和有效性,進(jìn)行了大量研究。按照預(yù)測模型的不同,風(fēng)電場的風(fēng)速預(yù)測方法可大致分為物理方法、統(tǒng)計方法和智能學(xué)習(xí)方法[6-8]。物理方法需要依靠詳細(xì)的天氣預(yù)報、環(huán)境因素信息,如溫度、濕度、壓強(qiáng)等數(shù)據(jù)進(jìn)行預(yù)測,需要大量且復(fù)雜的計算過程;統(tǒng)計方法基于歷史風(fēng)速時間序列建立統(tǒng)計數(shù)學(xué)模型進(jìn)行外推預(yù)測,以獲得較好預(yù)測效果;智能學(xué)習(xí)方法是近年來在風(fēng)速預(yù)測上應(yīng)用較多的技術(shù),如人工神經(jīng)網(wǎng)絡(luò)及優(yōu)化算法在內(nèi)的先進(jìn)方法在許多領(lǐng)域引起廣泛關(guān)注[9]。

        為進(jìn)一步提高預(yù)測精度,優(yōu)化預(yù)測模型,常常輔助數(shù)據(jù)分解技術(shù)降低風(fēng)速序列復(fù)雜度與非平穩(wěn)性。常見的數(shù)據(jù)分解方法,如小波變換(Wavelet Transform,WT)、經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)、集合經(jīng)驗?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition,EEMD)等,都可以從原始數(shù)據(jù)中獲取信息趨勢。Zhang等[11]運(yùn)用WT對風(fēng)速時間序列進(jìn)行分解,使用布谷鳥搜索算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)對各子序列進(jìn)行擬合,通過重構(gòu)數(shù)據(jù)獲得不錯的預(yù)測結(jié)果。朱亞等[12]將風(fēng)速數(shù)據(jù)經(jīng)EMD 分解獲得基本模態(tài)分量,利用廣義回歸神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測,對各分量預(yù)測數(shù)據(jù)進(jìn)行概率統(tǒng)計,輸出最佳預(yù)測結(jié)果。章國勇等[13]運(yùn)用EEMD技術(shù)對風(fēng)速數(shù)據(jù)分解,并用細(xì)菌覓食算法優(yōu)化最小二乘支持向量機(jī)模型建立預(yù)測模型,得到較高的風(fēng)速預(yù)測結(jié)果。但WT分解技術(shù)對小波基函數(shù)的選擇較為困難,EMD存在端點效應(yīng)和模態(tài)混淆現(xiàn)象,EEMD通過向序列中加入多組高斯白噪聲,消減模態(tài)混疊問題,也會殘留噪聲,使序列存在虛假成分信息[14-16]。完備總體經(jīng)驗?zāi)B(tài)分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)由Yeh等[17]在EMD和EEMD的基礎(chǔ)上得到的一種改進(jìn)型數(shù)據(jù)預(yù)處理方式,該方法在待分解信號中加入若干組成對的正負(fù)白噪聲信號,具有良好自適應(yīng)性,有效抑制EMD 方法中模態(tài)混疊現(xiàn)象,同時也降低了EEMD方法中輔助噪聲殘余,對于非線性和非平穩(wěn)性風(fēng)速數(shù)據(jù),是一種較好的預(yù)處理方式。

        基于風(fēng)速數(shù)據(jù)的特征出發(fā),提出一種適用于短期風(fēng)速預(yù)測的先進(jìn)組合模型(CEEMD-ANNs-LSSVM)。通過CEEMD數(shù)據(jù)分解技術(shù)把原始風(fēng)速數(shù)據(jù)分解成幾個本征分量(Intrinsic Mode Function,IMF);針對IMF1分量頻率高、非線性強(qiáng)的特點,利用組合神經(jīng)網(wǎng)絡(luò)(BPNN、GRNN、ENN、WNN)處理非線性數(shù)據(jù)、進(jìn)行自適應(yīng)調(diào)整,建立預(yù)測模型,其他分量(IMF2~I(xiàn)MFn 和Res)使用LSSVM進(jìn)行預(yù)測;使用灰狼優(yōu)化算法對組合模型的權(quán)系數(shù)進(jìn)行優(yōu)化,使組合模型輸出高精度、高穩(wěn)定性的仿真結(jié)果。

        1 原始風(fēng)速時間序列分解

        采用時頻域分析方法對原始數(shù)據(jù)進(jìn)行預(yù)處理,較好地解決非線性、非平穩(wěn)性數(shù)據(jù)對預(yù)測結(jié)果的影響,但對原始信號數(shù)據(jù)進(jìn)行時頻域分析時,往往會出現(xiàn)方法不穩(wěn)定、結(jié)果不完備等問題。通過對EMD 和EEMD信號分解方法的改進(jìn),使CEEMD 技術(shù)在原始數(shù)據(jù)預(yù)處理階段得到優(yōu)秀表現(xiàn)。CEEMD 方法的結(jié)構(gòu)圖如圖1 所示。

        圖1 CEEMD結(jié)構(gòu)圖

        CEEMD的基本步驟:

        步驟1在原始時間序列Y(t)中加入正輔助噪聲信號(t),得到正噪聲的合成信號:

        步驟2在原始時間序列Y(t)中加入負(fù)輔助噪聲信號(t),得到負(fù)噪聲的合成信號:

        步驟3對式(1)、(2)處理后得到的合成信號通過EMD進(jìn)行分解,得:

        步驟4重復(fù)步驟1~3,得到n組IMF分量和和。其中,要求每次加入的輔助白噪聲序列不同。

        步驟5計算每次分解結(jié)果的平均值,得到最終的重組分量和殘余分量:

        2 短期風(fēng)速預(yù)測模型構(gòu)建

        原始風(fēng)速數(shù)據(jù)的預(yù)處理包括剔除異常數(shù)據(jù)和修正錯誤數(shù)據(jù)等,擯除數(shù)據(jù)采集時產(chǎn)生的誤差。對經(jīng)預(yù)處理后的數(shù)據(jù)進(jìn)行CEEMD分解,得到IMF1~I(xiàn)MFn及剩余分量Res,有效避免端點效應(yīng)和殘留噪聲對實驗結(jié)果的影響。分解得到的高頻分量使用非線性神經(jīng)網(wǎng)絡(luò)預(yù)測,其余分量則采用灰狼算法優(yōu)化的最小二乘支持向量機(jī)進(jìn)行預(yù)測。為使實驗結(jié)果更加準(zhǔn)確,引用交叉驗證、灰狼優(yōu)化算法,提高預(yù)測精度。本文中,采用10次實驗取平均值的方法驗證模型的性能。組合預(yù)測模型的流程如圖2 所示。

        圖2 組合預(yù)測模型流程圖

        2.1 非線性組合神經(jīng)網(wǎng)絡(luò)

        人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)是一種模擬人腦神經(jīng)網(wǎng)絡(luò)而建立的一種信息處理系統(tǒng),以期望實現(xiàn)類人工智能的機(jī)器學(xué)習(xí)技術(shù)。在ANN中,神經(jīng)元是ANN的基本組成單元,各神經(jīng)元之間的連接稱為權(quán)重,通過調(diào)節(jié)權(quán)重的方法,達(dá)到處理信息的目的。ANN廣泛應(yīng)用風(fēng)速數(shù)據(jù)預(yù)測、功率預(yù)測等領(lǐng)域,善于執(zhí)行數(shù)據(jù)的非線性特性[18]。

        因單一的神經(jīng)網(wǎng)絡(luò)預(yù)測模型存在各種固有缺點,難以捕捉非線性較強(qiáng),波動較大的信號趨勢,為能達(dá)到更高的精度和更廣的預(yù)測范圍,組合單一預(yù)測模型的優(yōu)點,使用4 種非線性神經(jīng)網(wǎng)絡(luò)對IMF1進(jìn)行組合預(yù)測。各神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層節(jié)點個數(shù)都設(shè)置為5和1,隱藏層數(shù)經(jīng)多次試驗確定,其他試驗參數(shù)如表1 所示。

        表1 不同神經(jīng)網(wǎng)絡(luò)的試驗參數(shù)

        反向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network,BPNN)是一種多層前饋神經(jīng)網(wǎng)絡(luò),也是最基礎(chǔ)的全局逼近網(wǎng)絡(luò)。BPNN使用梯度下降算法對網(wǎng)絡(luò)中的各權(quán)值進(jìn)行更新,實現(xiàn)輸入、輸出的非線性映射。BPNN由圖3(a)所示的輸入層、隱含層和輸出層構(gòu)成。

        廣義回歸神經(jīng)網(wǎng)絡(luò)(General Regression Neural Network,GRNN)是一種前向傳播且不需要反向傳播求模型參數(shù)的新型網(wǎng)絡(luò),具有良好的非線性逼近性能。網(wǎng)絡(luò)結(jié)構(gòu)與RBF 神經(jīng)網(wǎng)絡(luò)相似,是RBF 神經(jīng)網(wǎng)絡(luò)的一種變形形式。GRNN由圖3(b)所示的輸入層、模式層、求和層和輸出層構(gòu)成。

        Elman神經(jīng)網(wǎng)絡(luò)(Elman Neural Network,ENN)是一種動態(tài)反饋神經(jīng)網(wǎng)絡(luò),連接值權(quán)可以進(jìn)行學(xué)習(xí)修正。ENN結(jié)構(gòu)的主要特點是有一個上下文層響應(yīng)隱藏層的輸出,稱為承接層或關(guān)聯(lián)層。作用是通過連接記憶,將上一個時刻的隱藏層狀態(tài)連同當(dāng)前時刻的網(wǎng)絡(luò)輸入一起作為隱藏層的輸入,增強(qiáng)了網(wǎng)絡(luò)的全局穩(wěn)定性。ENN由圖3(c)所示的輸入層、隱藏層、承接層和輸出層構(gòu)成。

        圖3 4種神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)

        小波神經(jīng)網(wǎng)絡(luò)(Wavelet Neural Network,WNN)是由小波變換和神經(jīng)網(wǎng)絡(luò)相結(jié)合的松散型神經(jīng)網(wǎng)絡(luò)。激活函數(shù)是一個神經(jīng)元及網(wǎng)絡(luò)的核心,WNN將神經(jīng)網(wǎng)絡(luò)中隱藏層的激活函數(shù)(Sigmod函數(shù)),替換成小波基函數(shù),使WNN中輸入層到隱藏層的權(quán)值及激活閾值,相應(yīng)地由小波函數(shù)中尺度伸縮因子和時間平移因子代替,使WNN 收斂速度快、不易陷入局部最優(yōu)。WNN的基本結(jié)構(gòu)如圖3(d)所示。

        2.2 最小二乘支持向量機(jī)

        最小二乘支持向量機(jī)(Least Squares Support Vector Machines,LSSVM)以二次損失函數(shù)為經(jīng)驗風(fēng)險,代替了支持向量機(jī)(Support Vector Machine,SVM)中采用的二次規(guī)劃方法,把SVM中非等式約束條件轉(zhuǎn)化為等式約束。與SVM 相比,LSSVM 簡化了模型復(fù)雜性,提高了計算效率與預(yù)測精度。

        式中:ω為特征空間中權(quán)系數(shù)向量;b為偏差。依據(jù)結(jié)構(gòu)風(fēng)險最小化原則,LSSVM 用于回歸任務(wù)時,優(yōu)化目標(biāo)表示為:

        式中:ξ≥0 為正則化參數(shù);ei為誤差變量。

        利用Lagrange 乘子法和KKT 條件求解上述優(yōu)化問題:

        式中:αi為對應(yīng)xi的Lagrange 乘子,對式(7)中ω,b,ei,αi變量別分進(jìn)行求偏導(dǎo),并使導(dǎo)數(shù)為零:

        通過如下等式求解α和b:

        式中:E=[1,1,…,1]T為單位矩陣;y=[y1,y2,…,yN]T為樣本的輸出向量;Kij=K(xi,yi)為LSSVM核函數(shù)對稱矩陣。

        對于新樣本x,可得LSSVM最終的回歸函數(shù):

        2.3 非等權(quán)疊加綜合優(yōu)化

        傳統(tǒng)的疊加方式是以相等的權(quán)重進(jìn)行計算,獲得疊加信號,稱為等權(quán)疊加。

        式中:ki(j)為第i個信號;Y1(j)為等權(quán)疊加信號;j=1,2,…,m為采樣總數(shù)。

        為獲得更精確的疊加結(jié)果,提高疊加的信噪比,在每個輸入信號中添加各自的權(quán)值,稱為非等權(quán)疊加或加權(quán)疊加[19]。

        式中,βi為權(quán)值系數(shù),

        本文利用灰狼優(yōu)化算法(Grey Wolf Optimizer,GWO)尋找組合預(yù)測模型的最優(yōu)權(quán)系數(shù),建立基于GWO的風(fēng)速預(yù)測變權(quán)組合預(yù)測模型。灰狼優(yōu)化算法相比傳統(tǒng)粒子群優(yōu)化算法(Particle Swarm Optimization,PSO)、遺傳算法(Genetic Algorithm,GA)等智能優(yōu)化算法,具有收斂速度快、參數(shù)少且尋優(yōu)精度高等優(yōu)點。

        3 算例分析

        3.1 數(shù)據(jù)處理與預(yù)測

        以山西某風(fēng)電場的工業(yè)數(shù)據(jù)為研究案例。以每10 min為一個測量單元,收集了2016-07-01~2016-07-10 該風(fēng)電場的實時風(fēng)速,共1 440 組數(shù)據(jù)。原始風(fēng)速時間序列如圖4 所示。

        圖4 原始風(fēng)速時間序列

        由圖4 中可知,收集的風(fēng)速變化范圍較大,最大風(fēng)速達(dá)到11.48 m/s,最小風(fēng)速僅為1.01 m/s,原始風(fēng)速數(shù)據(jù)存在較強(qiáng)的波動性,序列可預(yù)測性比較低。對采樣得到的前9 天(共1 296 組)歷史風(fēng)速數(shù)據(jù)作為訓(xùn)練集,第10 天(共144 組)風(fēng)速數(shù)據(jù)作為預(yù)測集,并與當(dāng)天實測風(fēng)速數(shù)據(jù)作對比,檢測預(yù)測效果。為驗證本文所提模型的可行性,單一模型和組合模型分別進(jìn)行10次運(yùn)算,最后取平均值對預(yù)測結(jié)果作對比分析。

        本文CEEMD 中輔助噪聲的偏差值設(shè)置為0.2,LSSVM中的正則化參數(shù)和核參數(shù)的取值范圍分別為1~1 000 和0.01~100,設(shè)置各優(yōu)化算法中迭代次數(shù)均為500。

        圖5 為CEEMD 分解圖,由圖可觀察到子序列IMFn波動明顯低于原始序列,其中,IMF1頻率波動最大,IMF2和IMF3次之,隨著序號的升高波動頻率逐步降低。對于其余序列的預(yù)測,LSSVM 選用不同的核函數(shù),IMF2和IMF3序列波動較大且非線性較高,LSSVM的核函數(shù)采用徑向基(RBF)核函數(shù)。IMF4~I(xiàn)MF10序列和剩余分量Res 波動較緩、頻率較低,LSSVM 的核函數(shù)采用多項式(PK)核函數(shù)。

        圖5 原始風(fēng)速時間序列的CEEMD分解

        徑向基(RBF)函數(shù)具有較好的泛化能力和較寬的收斂域,核函數(shù)的具體表達(dá)式為:

        式中,σ為一個自由參數(shù),表示核寬度。

        多項式(PK)函數(shù)內(nèi)核適合數(shù)據(jù)規(guī)范化問題,核函數(shù)的具體表達(dá)式為:

        式中:ɑ為可調(diào)參斜率;c為常數(shù)項;d為多項式指數(shù)。

        在使用LSSVM進(jìn)行預(yù)測過程中,正則化參數(shù)和核函數(shù)參數(shù)的大小對算法的性能起到非常大的影響,本文使用灰狼優(yōu)化算法對LSSVM 中的這兩個參數(shù)進(jìn)行選擇,以避免其參數(shù)選擇的盲目性與不確定性。

        如圖6 所示為幾種單一預(yù)測模型的預(yù)測結(jié)果。由圖6 可見,單一模型容易存在延遲滯后現(xiàn)象,雖然能大致表達(dá)風(fēng)速變化,但預(yù)測效果不夠理想。

        圖6 單一模型預(yù)測圖

        如圖7 所示為不同分解法的組合模型預(yù)測結(jié)果圖。由圖可知,組合模型預(yù)測結(jié)果明顯優(yōu)于單一模型的預(yù)測,ANNs-LSSVM 能夠很好地跟蹤風(fēng)速的變化趨勢,具有很高的擬合度。

        圖7 組合模型預(yù)測圖

        3.2 評估標(biāo)準(zhǔn)

        為更加全面分析模型的預(yù)測效果,利用均方根誤差(RMSE)、平均絕對誤差(MAE)和平均絕對百分比誤差(MAPE)為評估標(biāo)準(zhǔn)對各模型預(yù)測精度進(jìn)行評價:

        其中:RMSE為樣本的離散程度;MAE 為誤差的實際情況;MAPE為誤差的總體水平,即預(yù)測數(shù)據(jù)整體上與實際數(shù)據(jù)較接近。式中:Acti為實際風(fēng)速值;Prdi為預(yù)測風(fēng)速值,本文中l(wèi)=144。

        7.46、9.13、10.04 和19.38 s。單一BPNN模型運(yùn)算時間最短,本文所提組合模型計算時間最長,但每個模型的計算時間都在可接受的范圍內(nèi),可進(jìn)行項目應(yīng)用。

        表2 為每個模型在進(jìn)行風(fēng)速預(yù)測時的仿真時間,由表中可知,BPNN、GRNN、ENN、WNN、SVM、LSSVM和ANNs-LSSVM的運(yùn)算時間分別為6.77、8.10、7.79、

        表2 各模型的運(yùn)算時間

        表3、4 為預(yù)測模型的預(yù)測誤差,由對比結(jié)果可見,單一預(yù)測模型的誤差值高于組合預(yù)測模型?;贓MD、EEMD和CEEMD分解的模型誤差值逐漸減小,說明不同分解方式、對預(yù)測結(jié)果有影響,EEMD分解優(yōu)于EMD分解,CEEMD分解更好,有助于預(yù)測精度的提高。圖8 表示本文所提CEEMD-ANNs-LSSVM 模型預(yù)測結(jié)果的相對誤差圖,由圖8 可見,在風(fēng)速突變點上誤差值有所增加,但整體上在每一個預(yù)測點上的誤差值相對較小。結(jié)合上文分析可得,CEEMD-ANNs-LSSVM誤差值最小,在風(fēng)速預(yù)測中具有更高的精度,預(yù)測結(jié)果更貼近實際值。

        表3 單一模型的預(yù)測誤差

        表4 組合模型的預(yù)測誤差

        圖8 CEEMD-ANNS-LSSVM模型相對誤差

        4 結(jié)語

        本文利用CEEMD分解技術(shù)處理風(fēng)速時間序列的非平穩(wěn)性,并給出一種基于非線性組合神經(jīng)網(wǎng)絡(luò)與灰狼優(yōu)化LSSVM相結(jié)合的預(yù)測模型,對各子序列的預(yù)測值進(jìn)行疊加重構(gòu),得到最終的風(fēng)功率預(yù)測結(jié)果。通過對模型的仿真分析,結(jié)果表明:

        (1)CEEMD能夠較好地解決EMD具有的模態(tài)混疊現(xiàn)象和消除EEMD的重構(gòu)誤差,使非線性和非平穩(wěn)性原始時間序列分解成幾個平穩(wěn)性相對較好的本征分量。

        (2)預(yù)測模型中,波動較大且非線性比較高的IMF1分量經(jīng)幾種非線性神經(jīng)網(wǎng)絡(luò)組合預(yù)測后,預(yù)測精度明顯提高。灰狼優(yōu)化算法對LSSVM 中參數(shù)具有比較好的尋優(yōu)效果。單一預(yù)測模型預(yù)測精度較差,在拐點及峰值尤其突出。

        (3)通過與幾種模型比較,預(yù)測模型能夠得到較準(zhǔn)確的值,是一種比較好的短期風(fēng)速預(yù)測方法,可提高風(fēng)速預(yù)測精度。風(fēng)速數(shù)據(jù)所固有的不穩(wěn)定性及波動性,目前還沒有一種預(yù)測模型能完美無誤地對風(fēng)功率進(jìn)行預(yù)測,有待學(xué)者和研究人員不斷探索,繼續(xù)研究。

        堅持傳授知識、培養(yǎng)能力、提高素質(zhì)協(xié)調(diào)發(fā)展、注重對學(xué)生探索精神、科學(xué)思維、實踐能力和創(chuàng)新能力的培養(yǎng)。

        ——摘自教高[2005]8 號文件

        猜你喜歡
        分量風(fēng)速神經(jīng)網(wǎng)絡(luò)
        帽子的分量
        基于Kmeans-VMD-LSTM的短期風(fēng)速預(yù)測
        基于最優(yōu)TS評分和頻率匹配的江蘇近海風(fēng)速訂正
        海洋通報(2020年5期)2021-01-14 09:26:54
        神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
        電子制作(2019年19期)2019-11-23 08:42:00
        一物千斤
        智族GQ(2019年9期)2019-10-28 08:16:21
        論《哈姆雷特》中良心的分量
        分量
        基于GARCH的短時風(fēng)速預(yù)測方法
        基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立
        復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
        精品无码人妻一区二区三区品| 山外人精品影院| 免费国产成人肉肉视频大全| 国产成人精品一区二区三区视频| 草草久久久无码国产专区| 97精品伊人久久大香线蕉| 国产真实露脸4p视频| 97伦伦午夜电影理伦片| 国内少妇偷人精品视频免费| 麻豆国产巨作AV剧情老师| 久久精品国产亚洲AⅤ无码剧情| 日本女优中文字幕四季视频网站| 精品婷婷国产综合久久| 精品人妻av区乱码色片| 国产激情无码一区二区| 粉嫩虎白女毛片人体| 亚洲中文久久精品无码ww16 | 国产a√无码专区亚洲av| 日日摸夜夜添无码无码av| 久久午夜无码鲁丝片直播午夜精品| 亚洲图文一区二区三区四区| 亚洲精品98中文字幕| 亚洲va中文字幕无码一二三区| 边喂奶边中出的人妻| 国产精品污www一区二区三区| 亚州精品无码人妻久久| 亚洲最新中文字幕一区| 国产诱惑人的视频在线观看| 亚洲精品国产一二三区| 欧美成人在线视频| 免费AV一区二区三区无码| 人妻少妇精品一区二区三区| 日本女优五十路中文字幕| 国产精选自拍视频网站| 色综合久久久久久久久久| 四虎影视亚洲精品| 亚洲va中文字幕欧美不卡| 国产91在线播放九色快色| 97se亚洲国产综合自在线观看 | 国产女人高潮的av毛片| 亚洲中文字幕九色日本|