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

        ?

        基于生成對抗網(wǎng)絡(luò)的太陽輻照度預(yù)測模型

        2024-01-15 05:44:38鹿晨東許英朝沈亞鋒
        關(guān)鍵詞:輻照度太陽混合

        鹿晨東,許英朝*,張 帆,沈亞鋒

        (1. 廈門理工學(xué)院光電與通信工程學(xué)院,福建 廈門 361024;2. 福建省光電技術(shù)與器件重點(diǎn)實(shí)驗(yàn)室,福建 廈門 361024;3. 廈門華聯(lián)電子股份有限公司,福建 廈門 361101)

        可再生能源取之不盡用之不竭,且?guī)缀醪粫Νh(huán)境或氣候造成破壞,如太陽能量大且易于獲取,被視為最有前景的可再生能源[1-2]。地球表面接收的平均太陽輻照度為1 367 W·m-2,全年約為1.8×1017W[3],如此巨大的能源能滿足全球?qū)﹄娏Φ乃行枨蟆H欢?,太陽能發(fā)電受太陽光照、濕度、氣溶膠等多種自然特征因素的影響具有很強(qiáng)的波動性,這對維持電網(wǎng)的穩(wěn)定安全造成了極大的影響[4]。因此,為了保障電網(wǎng)的安全經(jīng)濟(jì)運(yùn)行水平,需要進(jìn)一步進(jìn)行光伏精確預(yù)測[5]。太陽輻照度是光伏發(fā)電中最具影響力的因素,準(zhǔn)確預(yù)測太陽輻照量變化對光伏電力預(yù)測、光伏電網(wǎng)整合、供應(yīng)平衡和實(shí)時調(diào)度至關(guān)重要[6]。

        目前,太陽輻照度預(yù)測的主流模型可以分為物理模型、經(jīng)典統(tǒng)計(jì)模型和現(xiàn)代預(yù)測模型3類。物理模型模擬大氣的耦合物理方程,利用數(shù)值天氣預(yù)報(bào)來預(yù)測太陽輻照度[7],它利用當(dāng)前的天氣信息建立數(shù)學(xué)模型,用于建立太陽輻照度與物理?xiàng)l件(如與大氣有關(guān)的物理因素)之間的關(guān)系。然而,由于數(shù)值天氣預(yù)報(bào)模型過于復(fù)雜,計(jì)算資源消耗巨大,在用于短期預(yù)測時可能會造成較大的延遲[8]。統(tǒng)計(jì)模型根據(jù)太陽輻照度的歷史趨勢預(yù)測未來的太陽輻照度,經(jīng)典的統(tǒng)計(jì)模型有自回歸移動平均[9]、多元線性回歸[10]、自回歸綜合移動平均[11],這些模型結(jié)構(gòu)簡單,通常采用只有少量隱藏層的淺網(wǎng)絡(luò),難以擬合短期內(nèi)外部環(huán)境變化引起的輻照度波動。

        近年來,越來越多的現(xiàn)代預(yù)測模型正在被開發(fā)出來,其中最為流行的就是深度學(xué)習(xí)模型。深度學(xué)習(xí)模型具有足夠的信息提取能力和非線性表示能力,因此被用于預(yù)測太陽輻照度。文獻(xiàn)[12]總結(jié)了近20 a 來基于機(jī)器學(xué)習(xí)方法的輻照度預(yù)測的研究成果,并討論了現(xiàn)有的機(jī)器和深度學(xué)習(xí)模型,結(jié)果表明,基于深度學(xué)習(xí)模型的特征提取概念在現(xiàn)有的太陽輻射預(yù)測研究中已經(jīng)普遍存在。當(dāng)前最流行的深度學(xué)習(xí)模型主要包括卷積神經(jīng)網(wǎng)絡(luò)(convolution neural network,CNN)、BP 神經(jīng)網(wǎng)絡(luò)、門控循環(huán)單元(gate recurrent unit,GRU)、生成對抗網(wǎng)絡(luò)(generation adversarial networks,GAN)等。楊春熙等[13]將GRU應(yīng)用在短期輻照度進(jìn)行預(yù)測。Wen等[14]采用LSTM模型來預(yù)測太陽能負(fù)荷,預(yù)測結(jié)果存在一定的滯后問題。馬景奕等[15]研究了基于RNN 及其變體對短期太陽輻照度的預(yù)測性能。黃棋悅等[16]將GAN 應(yīng)用在風(fēng)電爬坡功率的預(yù)測中,并驗(yàn)證了所提方法的可行性??紤]到前人使用的單一模型通常采用包含少量隱藏層的淺網(wǎng)絡(luò),其處理復(fù)雜非線性的能力有限,因此越來越多的學(xué)者開始使用綜合不同預(yù)測技術(shù)的混合方法,通過組合多個單結(jié)構(gòu)模型應(yīng)用于時序預(yù)測來提高測量精度。Zhou 等[17]提出了一種結(jié)合注意力機(jī)制的LSTM 模型來預(yù)測光伏發(fā)電量,考慮到溫度數(shù)據(jù)對光伏發(fā)電的影響,關(guān)注機(jī)制自適應(yīng)地關(guān)注更重要的輸入特征,預(yù)測效果優(yōu)于每個時間場的比較模型。Wang等[18]提出了一種基于GAN 和CNN 的天氣分類模型,由原始和生成的太陽輻照度數(shù)據(jù)組成的增強(qiáng)數(shù)據(jù)集訓(xùn)練基于CNN 的天氣分類模型,結(jié)果表明,模型性能有所改進(jìn)。牛宇童等[19]將WGAN和LSTM相結(jié)合應(yīng)用于光伏發(fā)電預(yù)測研究中,將其預(yù)測準(zhǔn)確性提升了33.4%。因此,多個模型組合可以發(fā)揮各自的能力,從而極大地提升預(yù)測精度。

        本文延續(xù)多模型組合的預(yù)測研究,但區(qū)別于前人的組合方式,提出一種新的深度學(xué)習(xí)混合模型,將自編碼器(auto encoder,AE)與條件深度卷積生成對抗網(wǎng)絡(luò)(conditional-depth convolution generation adversarial networks,C-DCGAN)相結(jié)合,構(gòu)成AE-C-DCGAN 模型。一方面,將AE 應(yīng)用在太陽輻照度的預(yù)處理步驟中,通過降噪AE 提取原始數(shù)據(jù)有效特征,降低其存在的噪聲,保證數(shù)據(jù)的真實(shí)度并提高魯棒性;另一方面,將C-DCGAN 應(yīng)用在輻照度的預(yù)測過程,將卷積網(wǎng)絡(luò)引入GAN 的結(jié)構(gòu)中,在更好地學(xué)到輻照度數(shù)據(jù)的特征規(guī)律的同時,自主構(gòu)造短期的歷史測量數(shù)據(jù)與預(yù)測數(shù)值間的映射關(guān)系,以更準(zhǔn)確地生成接近真實(shí)場景的輻照度數(shù)據(jù)。

        1 模型構(gòu)建

        本文所提出的短期太陽輻照度預(yù)測模型整體框架如圖1 所示。首先,使用AE 對輻照度數(shù)據(jù)進(jìn)行預(yù)處理,然后將處理后的數(shù)據(jù)輸入到由卷積和反卷積層堆疊而成的生成對抗網(wǎng)絡(luò)中得到預(yù)測結(jié)果。

        圖1 AE-C-DCGAN模型整體框架圖Fig.1 Overall framework of the AE-C-DCGAN model

        1.1 自編碼器(AE)

        圖2 AE結(jié)構(gòu)Fig.2 AE structure

        CNN 有著較強(qiáng)的特征提取能力,目前已經(jīng)被廣泛應(yīng)用到諸多領(lǐng)域中[20]。CNN 網(wǎng)絡(luò)層中的隱藏層單元是由卷積層、池化層、全連接層組成的。與傳統(tǒng)的完全連接的神經(jīng)網(wǎng)絡(luò)相比,CNN 的明顯優(yōu)勢是由于權(quán)重共享技術(shù),要估計(jì)的參數(shù)數(shù)量減少。因此,本文使用一維卷積神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)模型,將其嵌入到AE中,不僅精簡了混合神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),也提升了運(yùn)行效率和預(yù)測性能。

        AE主要包含編碼和解碼2個過程,編碼是將輸入的輻照度數(shù)據(jù)x通過內(nèi)部層級映射到中間的隱含層,解碼則是將中間數(shù)據(jù)h 轉(zhuǎn)化為輸出的重構(gòu)向量z。其通過最小化損失函數(shù),以無監(jiān)督訓(xùn)練來提取原始數(shù)據(jù)的降維特征。AE網(wǎng)絡(luò)的編碼過程、解碼過程、損失函數(shù)的表達(dá)式為

        式(1)~(3)中:sf、sg代表Sigmoid 函數(shù);wf和wg為編碼器和解碼器的權(quán)重;bf和bg為編碼器和解碼器相對應(yīng)的偏置;N為樣本總數(shù);θ={wf,bf;wg,bg}表示需要優(yōu)化的參數(shù)集合;L(xi,zi)為損失函數(shù)。通過多次訓(xùn)練,得到最小的L,使得模型獲取最多的特征信息以更好地重構(gòu)高質(zhì)量的原始數(shù)據(jù)。

        1.2 條件深度卷積生成對抗網(wǎng)絡(luò)(C-DCGAN)

        GAN 可以學(xué)習(xí)特定的數(shù)據(jù)分布,并從相同的分布中創(chuàng)建新的數(shù)據(jù)。GAN 的核心思想是受兩人零和博弈的啟發(fā),通過對抗性學(xué)習(xí),同時訓(xùn)練生成器和判別器。生成器基于真實(shí)數(shù)據(jù)的學(xué)習(xí)分布從噪聲中生成新樣本,而判別器旨在區(qū)分輸入數(shù)據(jù)是來自生成器還是真實(shí)樣本。G 和D 在訓(xùn)練過程中minmax二人博弈模型可表示為

        式(4)中:E(?) 為期望值;D(G(z))為生成的數(shù)據(jù),G(z)是D中判別為真的概率;D(x)為真實(shí)數(shù)據(jù)x在D 中判別為真的概率;噪聲數(shù)據(jù)z的分布為z~P(z);P(x)為太陽輻照度的真實(shí)分布。由于原始GAN 生成目標(biāo)不明確且可控性不強(qiáng),有人提出了CGAN,其核心在于將條件信息y 融入生成器G 和判別器D中,y 可以是任何標(biāo)簽信息。基于此,本文將CGAN 的條件信息設(shè)定為歷史輻照度數(shù)據(jù)y(y ∈x)。生成網(wǎng)絡(luò)G 基于歷史數(shù)據(jù)訓(xùn)練得到下一時刻的模擬數(shù)據(jù),判別網(wǎng)絡(luò)D 以y為前提條件判斷輸入數(shù)據(jù)是否為真實(shí)數(shù)據(jù)。

        此外,本文CGAN 模型的內(nèi)部網(wǎng)絡(luò)結(jié)構(gòu)參考了DCGAN 的網(wǎng)絡(luò)結(jié)構(gòu),它采用2 個CNN 來改善傳統(tǒng)GAN 的結(jié)構(gòu),這種結(jié)構(gòu)可以通過使用矢量算術(shù)運(yùn)算來降低數(shù)據(jù)處理的復(fù)雜性,不僅提高了數(shù)據(jù)樣本生成的質(zhì)量,也加快了收斂的速度。因此,本文結(jié)合CGAN 與DCGAN 的主要思想,構(gòu)建了預(yù)測模型C-DCGAN,該模型由生成器和判別器2個神經(jīng)網(wǎng)絡(luò)組成,其訓(xùn)練過程如圖3所示。

        圖3 C-DCGAN模型的訓(xùn)練過程Fig.3 Training process of C-DCGAN

        C-DCGAN目標(biāo)函數(shù)可表示為

        一些離退休黨員思想松懈,認(rèn)為自己在職在崗時為革命、為工作兢兢業(yè)業(yè),無私奉獻(xiàn)是應(yīng)該的,到了離退休以后,就認(rèn)為自己什么都退了,不用接受思想政治教育了。思想出現(xiàn)老化,對在國家發(fā)展過程中出現(xiàn)的政治、經(jīng)濟(jì)和社會問題不能以發(fā)展的眼光、包容的心態(tài)去面對,對社會分配不公、黨內(nèi)腐敗等不良現(xiàn)象應(yīng)對消極,對黨的活動和地方建設(shè)不關(guān)心、不熱情、不參與,有的甚至對黨和政府的領(lǐng)導(dǎo)產(chǎn)生悲觀、懷疑的態(tài)度。

        1.3 AE-C-DCGAN模型

        基于以上理論,本研究構(gòu)建了一個深度混合預(yù)測模型,即AE-C-DCGAN,該模型的預(yù)測總體流程見圖4。由圖4 可見,數(shù)據(jù)在模型中訓(xùn)練的具體流程為:1)輸入單變量的太陽輻照度數(shù)據(jù)X;2)使用最大-最小值方法對數(shù)據(jù)進(jìn)行歸一化處理;3)使用AE對數(shù)據(jù)進(jìn)行預(yù)處理;4)將經(jīng)預(yù)處理的數(shù)據(jù)劃分為訓(xùn)練集和測試集;5)將劃分后的數(shù)據(jù)放到搭建好的預(yù)測模型C-DCGAN 中進(jìn)行訓(xùn)練,并且通過反歸一化,得到最終預(yù)測結(jié)果;6)使用評價指標(biāo)對預(yù)測結(jié)果進(jìn)行評估。

        圖4 基于AE-C-DCGAN模型的預(yù)測總體流程圖Fig.4 Overall flow of prediction based on AE-C-DCGAN model

        2 實(shí)驗(yàn)結(jié)果及分析

        2.1 實(shí)驗(yàn)數(shù)據(jù)

        本文選擇了NSRDB公開網(wǎng)站的輻照度數(shù)據(jù)進(jìn)行模型性能評估,其測量站位于西經(jīng)119.32°,北緯33.68°。所采集的是美國德克薩斯州某地區(qū)的2019年1月1日至2019年12月31日的太陽輻照度數(shù)據(jù),時間間隔為5 min。除了將原始數(shù)據(jù)集在訓(xùn)練前進(jìn)行預(yù)處理和歸一化處理外,還考慮到該地區(qū)的氣候四季分明、季節(jié)性特點(diǎn)顯著等,把一年的數(shù)據(jù)劃分為春、夏、秋、冬4 個季節(jié)的數(shù)據(jù)集分別進(jìn)行實(shí)驗(yàn),其中每個數(shù)據(jù)集分別分為訓(xùn)練集(包含72 d約10 368個樣本)和測試集(包含18 d約2 592個樣本)。

        2.2 實(shí)驗(yàn)裝置

        本文所有實(shí)驗(yàn)均基于高性能聯(lián)想臺式計(jì)算機(jī),操作系統(tǒng)是Win10,CPU 為i5-13600K(5.1 GHz),GPU 為NVIDIA RTX4060Ti。程序所需的相關(guān)版本號有python3.8、torch1.12.0、torchvision0.13.0。此外,表1列出了AE-C-DCGAN模型的實(shí)驗(yàn)相關(guān)參數(shù)。

        表1 AE-C-DCGAN模型相關(guān)參數(shù)Table 1 Required parameters in AE-C-DCGAN

        2.3 評估指標(biāo)

        為了考察AE-C-DCGAN 模型的預(yù)測性能,本研究采用平均絕對誤差(mean absolute error,MAE)、平均絕對百分比誤差(mean absolute percentage error,MAPE)和均方根誤差(root mean square error,RMSE)對實(shí)驗(yàn)結(jié)果進(jìn)行評估。這3個指標(biāo)的計(jì)算公式分別為是模型預(yù)測的結(jié)果;n 是測試樣本的總數(shù)。以上3 個誤差指

        式(6)~式(8)中:yi是實(shí)際測試樣本值;標(biāo)的值越小,模型的效果越好,所得的預(yù)測值與真實(shí)值也就越接近。

        2.4 實(shí)驗(yàn)對比模型

        本文分別選取了當(dāng)前預(yù)測領(lǐng)域較流行的5 個單一模型(RNN、LSTM、GRU、Transformer、GAN)和2個混合模型(CEE-LSTM、CEE-GAN)與AE-C-DCGAN進(jìn)行對比,由此來驗(yàn)證本模型的預(yù)測性能。

        1)RNN。RNN的結(jié)構(gòu)十分簡單,它使用帶自反饋的神經(jīng)元,能夠處理任意長度的時序數(shù)據(jù)。

        2)LSTM。LSTM 是一種特殊的RNNs,為了解決RNN 長期記憶丟失的問題,LSTM 添加了門結(jié)構(gòu)(遺忘門、輸入門、輸出門),為每個神經(jīng)元提供反饋。

        3)GRU。GRU是LSTM的優(yōu)化結(jié)構(gòu),它由更新門和重置門組成,并混合了細(xì)胞狀態(tài)和隱藏狀態(tài)。

        4)Transformer[21]。 Transformer 由編碼器和解碼器2 部分組成,是一個利用注意力機(jī)制來提訓(xùn)練速度的模型。

        5)GAN。GAN 主要由生成器和判別器2 部分組成,是一種優(yōu)秀的生成式模型,也是本研究的基礎(chǔ)模型之一。

        6)CEE-LSTM[22]。CEE-LSTM是基于CEEMDAN和LSTM結(jié)合的混合預(yù)測方法。

        7)CEE-GAN。CEE-GAN是基于CEE-LSTM改進(jìn)的混合方法,將LSTM換成GAN。

        8)AE-C-DCGAN。AE-C-DCGAN 是本研究基于生成對抗網(wǎng)絡(luò)改進(jìn)的混合方法,將AE 與CDCGAN相結(jié)合。

        2.5 結(jié)果與分析

        為了驗(yàn)證本研究提出的AE-C-DCGAN 混合預(yù)測模型的預(yù)測能力,在同一個實(shí)驗(yàn)平臺上與7種預(yù)測模型進(jìn)行對比。所涉及的模型包括單個RNN 模型、單個GRU 模型、單個LSTM 模型、單個Transformer 模型、單個GAN 模型,以及混合CEEMDAN-LSTM(下文和圖表中用CEE-LSTM 代替)模型和混合CEEMDAN-GAN(下文和圖表中用CEE-GAN 代替)模型。實(shí)驗(yàn)分別進(jìn)行了4個季節(jié)的短期預(yù)測,實(shí)驗(yàn)結(jié)果見圖5。圖5中,紅線代表本研究模型的預(yù)測結(jié)果的擬合曲線,黑線代表真實(shí)輻照度的走勢,其他顏色線條表示其他對比模型的擬合結(jié)果。需要特別說明的是,圖5中的a、b、c、d圖分別表示從春、夏、秋、冬4個季節(jié)中隨機(jī)選取一天測試數(shù)據(jù)集的太陽輻照度數(shù)據(jù)預(yù)測曲線圖。

        圖5 四季數(shù)據(jù)在不同方法下的預(yù)測結(jié)果對比Fig.5 Prediction results of four seasons data by different methods

        由圖5中曲線的走勢可以看出,太陽輻照度的變化很快,波動較大,數(shù)據(jù)中包含了較多高低頻噪聲信息。在輻照度不斷變化的情況下,單一模型明顯較難捕捉其變化趨勢,曲線很大程度上偏離了真實(shí)值曲線。而基于多模型組合的混合模型在這種情況下能取得相對較好的預(yù)測效果。從預(yù)測擬合圖可以看出,所提出的AE-C-DCGAN 模型對GHI數(shù)據(jù)的各種波動在4個季節(jié)都具有良好的學(xué)習(xí)能力,不僅在整體趨勢上與真實(shí)數(shù)據(jù)吻合,在數(shù)據(jù)的峰值、劇變、波動情況下也同樣有準(zhǔn)確的預(yù)測效果。

        此外,表2 給出了AE-C-DCGAN 與其他7 種模型的四季評價指標(biāo)的量化對比。由表2 可見,單模型的誤差值較大,這表明單一模型預(yù)測效果不夠理想。相比之下,較為突出的單模型結(jié)構(gòu)是GAN 模型,其各評價指標(biāo)的誤差較低,這也是本文混合預(yù)測框架的主體預(yù)測網(wǎng)絡(luò)之一;反之,組合模型的評估值相對較小,這表明組合模型可綜合各單一模型的優(yōu)勢來提高預(yù)測精度。將AE-C-DCGAN 與兩個組合模型相比,本文模型的評估指標(biāo)仍是數(shù)值最低,效果最好。其中,將AE-C-DCGAN 和次優(yōu)預(yù)測模型相比,四季的MAE、MAPE 和RMSE 分別平均降低了4.84%、8.49%、7.32%,這也進(jìn)一步驗(yàn)證了本文提出的混合方法的有效性。

        表2 AE-C-DCGAN與其他7種模型的四季預(yù)測結(jié)果評價指標(biāo)對比Table 2 Evaluation indicators for four season prediction results between AE-C-DCGAN and other seven models compared單位:%

        綜上所述,結(jié)合圖5 和表2 的實(shí)驗(yàn)結(jié)果,本文提出的AE-C-DCGAN 的方法能夠?qū)崿F(xiàn)最準(zhǔn)確的預(yù)測。通過3 種不同的統(tǒng)計(jì)驗(yàn)證指標(biāo),本模型的性能優(yōu)于其他基準(zhǔn)測試模型。對比單一模型LSTM、RNN、GRU、TRANS、GAN 和混合模型CEE-LSTM、CEE-GAN、AE-C-DCGAN,可以看出,將數(shù)據(jù)經(jīng)過降噪預(yù)處理再通過預(yù)測模型更有利于函數(shù)擬合和后續(xù)模型收斂。與CEE-LSTM 和CEE-GAN 相比,本文的改進(jìn)混合框架有更好的預(yù)測性能。

        3 結(jié) 論

        為了提高太陽輻照度的預(yù)測精度,本文提出了AE-C-DCGAN 模型進(jìn)行預(yù)測。該模型利用AE對單一的輻照度數(shù)據(jù)進(jìn)行降噪預(yù)處理,然后將數(shù)據(jù)輸入到C-DCGAN中學(xué)習(xí)數(shù)據(jù)在時間維度上的特征關(guān)系,以此探究數(shù)據(jù)的分布規(guī)律來進(jìn)行預(yù)測。與7種不同的模型的對比實(shí)驗(yàn)結(jié)果表明,AE-C-DCGAN 模型的誤差最小;與次優(yōu)預(yù)測模型相比,本文模型預(yù)測結(jié)果的MAE、MAPE 和RMSE 平均值分別降低了4.84%、8.49%、7.32%。后續(xù)研究工作將考慮多變量對輻照度預(yù)測的影響,以便得到預(yù)測準(zhǔn)確率更高的模型。

        猜你喜歡
        輻照度太陽混合
        混合宅
        一起來學(xué)習(xí)“混合運(yùn)算”
        油水混合
        太陽幾點(diǎn)睡覺
        中國典型地區(qū)水平總輻射輻照度頻次特征*
        風(fēng)能(2016年8期)2016-12-12 07:28:48
        太陽模擬器輻照度修正方法的研究
        夏天的太陽
        太陽光輻照度概率分布參數(shù)對電網(wǎng)可靠性的影響
        太陽花
        寂靜的太陽鎮(zhèn)
        亚洲国产av精品一区二区蜜芽| 国内精品熟女一区二区| 亚洲成人av在线播放不卡 | 91九色老熟女免费资源| 又黄又硬又湿又刺激视频免费| 国产A√无码专区| 亚洲精品国产精品av| 国产丝袜爆操在线观看| 亚洲欧美色一区二区三区| 亚洲国产区男人本色| 国产亚洲欧美另类第一页| 99久久精品人妻一区| 国产69久久精品成人看| a亚洲va欧美va国产综合| 高h视频在线免费观看| 日本黄色一区二区三区| 国产成a人亚洲精品无码樱花| 亚洲一区av无码少妇电影 | 欧美极品少妇无套实战| 亚洲亚洲网站三级片在线| 日本伦理美乳中文字幕| 丰满女人猛烈进入视频免费网站 | av天堂精品久久久久| 亚洲日本精品一区二区三区| 日韩人妻不卡一区二区三区| 精品麻豆国产色欲色欲色欲www | 91九色最新国产在线观看| 女人和拘做受全程看视频 | 亚洲午夜精品第一区二区| 精品国际久久久久999波多野| 成人h动漫精品一区二区| 国产精品亚洲A∨无码遮挡| 国产精品亚洲一区二区三区16| 国产白嫩护士被弄高潮| 亚洲中文无码久久精品1| 久久综合这里只有精品| 亚洲av无码国产精品久久| 国产色a在线观看| 高潮社区51视频在线观看| 国产自拍偷拍视频免费在线观看| 国产乱国产乱老熟300部视频|