• <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EEMD-RVM的短期風(fēng)功率區(qū)間預(yù)測(cè)

    2016-04-11 03:36:18范磊王越梁智戴麗媛
    廣東電力 2016年2期

    范磊,王越,梁智,戴麗媛

    (1.河海大學(xué) 能源與電氣學(xué)院,江蘇 南京 210098;2.國(guó)家電網(wǎng)常州供電公司,江蘇 常州 213000)

    ?

    基于EEMD-RVM的短期風(fēng)功率區(qū)間預(yù)測(cè)

    范磊1,王越2,梁智1,戴麗媛1

    (1.河海大學(xué) 能源與電氣學(xué)院,江蘇 南京 210098;2.國(guó)家電網(wǎng)常州供電公司,江蘇 常州 213000)

    摘要:針對(duì)現(xiàn)有風(fēng)功率預(yù)測(cè)方法多為確定性的點(diǎn)預(yù)測(cè),無(wú)法描述風(fēng)功率的隨機(jī)性的問(wèn)題,建立了基于集合經(jīng)驗(yàn)?zāi)B(tài)分解和相關(guān)向量機(jī)的短期風(fēng)功率區(qū)間預(yù)測(cè)模型。首先對(duì)原始風(fēng)功率序列進(jìn)行集合經(jīng)驗(yàn)?zāi)B(tài)分解,獲得一個(gè)剩余分量及多個(gè)具有不同特性的固有模態(tài)分量;然后對(duì)各分量采用相關(guān)向量機(jī)算法分別建立區(qū)間預(yù)測(cè)模型;最后將各分量的預(yù)測(cè)結(jié)果進(jìn)行疊加得到一定置信水平下的區(qū)間預(yù)測(cè)結(jié)果。仿真結(jié)果表明,所提的區(qū)間預(yù)測(cè)方法具有較高的預(yù)測(cè)精度和較窄區(qū)間寬度,區(qū)間覆蓋率較高。

    關(guān)鍵詞:短期風(fēng)功率預(yù)測(cè);區(qū)間預(yù)測(cè);相關(guān)向量機(jī);集合經(jīng)驗(yàn)?zāi)B(tài)分解;混合核函數(shù)

    在化石能源緊缺和環(huán)境問(wèn)題嚴(yán)峻的今天,開(kāi)發(fā)利用清潔無(wú)污染的可再生能源已成共識(shí)。其中風(fēng)力發(fā)電因其清潔無(wú)污染、儲(chǔ)量豐富、可循環(huán)利用受到越來(lái)越多的重視與關(guān)注。由于自然風(fēng)存在一定的隨機(jī)性和波動(dòng)性,導(dǎo)致風(fēng)機(jī)發(fā)生較大的功率波動(dòng),給電網(wǎng)的供需平衡與安全穩(wěn)定運(yùn)行造成巨大影響。因此準(zhǔn)確的風(fēng)功率預(yù)測(cè)是合理制定發(fā)電計(jì)劃與安排系統(tǒng)備用的前提,是提高風(fēng)電在電網(wǎng)比重的關(guān)鍵[1]。

    研究國(guó)內(nèi)外相關(guān)文獻(xiàn)可以發(fā)現(xiàn),與傳統(tǒng)確定性點(diǎn)預(yù)測(cè)方法相比,目前區(qū)間預(yù)測(cè)仍處于起步階段。文獻(xiàn)[2-3]采用Bootstrap重抽樣法構(gòu)造樣本,需要大量處理數(shù)據(jù),耗時(shí)較長(zhǎng);文獻(xiàn)[4-5]通過(guò)分位點(diǎn)法描述預(yù)測(cè)對(duì)象的概率信息,需要預(yù)先確定回歸模型和分位點(diǎn),模型計(jì)算量大;文獻(xiàn)[6]提出了以極限學(xué)習(xí)機(jī)的點(diǎn)預(yù)測(cè)方法為基礎(chǔ),構(gòu)造比例系數(shù),從而獲得短期負(fù)荷的區(qū)間,但是其最優(yōu)系數(shù)的獲取方法有待驗(yàn)證;文獻(xiàn)[7-9]采用基于貝葉斯理論的概率預(yù)測(cè)法,其結(jié)果具有概率意義,可得出預(yù)測(cè)量的期望值及其分布特性,因而可得出任意置信水平下的區(qū)間預(yù)測(cè)結(jié)果。

    針對(duì)上述研究現(xiàn)狀,本文重點(diǎn)研究了基于概率的區(qū)間預(yù)測(cè)[10-12]方法,并在此基礎(chǔ)上提出一種基于集合經(jīng)驗(yàn)?zāi)B(tài)分解和相關(guān)向量機(jī)的短期風(fēng)功率區(qū)間預(yù)測(cè)模型。一方面引入集合經(jīng)驗(yàn)?zāi)B(tài)分解降低數(shù)據(jù)的復(fù)雜度;另一方面采用局部核-高斯核和全局核-多項(xiàng)式核的組合構(gòu)成相關(guān)向量機(jī)的核函數(shù),進(jìn)一步改善區(qū)間預(yù)測(cè)的效果。運(yùn)用本文模型對(duì)風(fēng)電場(chǎng)的實(shí)測(cè)風(fēng)功率序列進(jìn)行提前15 min的短期風(fēng)功率區(qū)間預(yù)測(cè),并采用多種評(píng)價(jià)指標(biāo)對(duì)本文模型的預(yù)測(cè)效果進(jìn)行評(píng)估,結(jié)果表明本文模型具有較高的預(yù)測(cè)精度與較窄的區(qū)間寬度,區(qū)間預(yù)測(cè)效果較為理想。

    1集合經(jīng)驗(yàn)?zāi)B(tài)分解

    考慮實(shí)際風(fēng)功率的隨機(jī)性與波動(dòng)性,直接對(duì)原始風(fēng)功率序列進(jìn)行預(yù)測(cè)的誤差較大。本文采用集合經(jīng)驗(yàn)?zāi)B(tài)分解方法對(duì)原始數(shù)據(jù)進(jìn)行分解,以降低數(shù)據(jù)復(fù)雜度。與小波變換、經(jīng)驗(yàn)?zāi)B(tài)分解以及其他信息處理方法相比,集合經(jīng)驗(yàn)?zāi)B(tài)分解方法克服了小波變換需人為設(shè)定、主觀性強(qiáng)的不足,避免了經(jīng)驗(yàn)?zāi)B(tài)分解易出現(xiàn)模態(tài)混疊的問(wèn)題,具有更高的分辨率與很強(qiáng)的非線性處理能力,更適于處理隨機(jī)性強(qiáng)的風(fēng)功率數(shù)據(jù)[13]。

    1.1經(jīng)驗(yàn)?zāi)B(tài)分解算法原理

    經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition, EMD)[14]是一種高效的信號(hào)分解方法,其將任意信號(hào)中不同尺度的波形或趨勢(shì)逐級(jí)分解出來(lái),產(chǎn)生一個(gè)剩余分量(residual, RES)以及一系列的特征模態(tài)函數(shù)分量(intrinsic mode function,IMF)[15]。所有IMF必須滿足下列條件:在整個(gè)數(shù)據(jù)序列中,極值點(diǎn)的數(shù)量與過(guò)零點(diǎn)的數(shù)量相等,或相差不能多于一個(gè);在任一點(diǎn)上,信號(hào)的局部最大值和局部最小值定義的包絡(luò)均值為零。

    EMD分解流程如下:

    a) 初始化循環(huán)變量i=1,x1(t)=x(t),其中x(t)為待分解的原始數(shù)據(jù)序列。

    b) 初始化循環(huán)變量j=1,y1(t)=x1(t)。

    c) 找出序列yj(t)中所有局部極大值并擬合成包絡(luò)線uj(t);同理,找出yj(t)中所有局部極小值并擬合成包絡(luò)線vj(t);這2條上下包絡(luò)線應(yīng)包絡(luò)所有的數(shù)據(jù)點(diǎn),其上下包絡(luò)線的平均值

    (1)

    并計(jì)算原始信號(hào)與包絡(luò)均值的差值

    (2)

    d) 判斷hj(t)是否滿足IMF的2個(gè)條件,若不滿足,則j=j+1,yj(t)=hj-1(t),重復(fù)步驟c);若滿足,則可得第i個(gè)IMF,即

    (3)

    則剩余分量

    (4)

    e) 判斷ri(t)是否滿足終止條件,若不滿足,則xi+1(t)=ri(t),i=i+1,重復(fù)b)至d),否則分解結(jié)束。由此共可分解出n個(gè)IMF分量ci(t)和一個(gè)剩余分量rn(t),EMD對(duì)x(t)的分解過(guò)程結(jié)束。

    由此原始序列

    (5)

    1.2集合經(jīng)驗(yàn)?zāi)B(tài)分解算法原理

    集合經(jīng)驗(yàn)?zāi)B(tài)分解(ensemble empirical mode decomposition, EEMD)是Wu和Huang等人為改善EMD方法中模態(tài)混疊的缺點(diǎn),在2005年提出的新型噪聲輔助數(shù)據(jù)分析方法[16]。該方法在EMD的基礎(chǔ)上加入了高斯白噪聲,并進(jìn)行多次EMD分解,最后將多次分解的IMF總體平均定義為最終的IMF。由于高斯白噪聲具有頻率均勻分布的統(tǒng)計(jì)特性,所以它可以使信號(hào)在不同的尺度上具有連續(xù)性,有效避免了EMD分解過(guò)程中由于IMF的不連續(xù)性而造成的混疊現(xiàn)象,明顯改善EMD方法。

    EEMD方法中用到的2個(gè)重要參數(shù)分別是白噪聲的幅值k和重復(fù)進(jìn)行EMD分解的總次數(shù)M。目前,關(guān)于M和k值的確定多基于嘗試經(jīng)驗(yàn)和數(shù)據(jù)的結(jié)構(gòu)特點(diǎn),一般M取100,k取0.05~0.5倍為宜。

    EEMD方法的具體步驟為:

    a) 設(shè)定k和M;

    b) 原始數(shù)據(jù)序列中加入高斯白噪聲;

    c) 按照EMD方法將加入白噪聲的數(shù)據(jù)序列進(jìn)行分解,得到一系列的IMF分量及RES分量;

    d) 重復(fù)加入相同幅值的不同白噪聲序列,重復(fù)b)和c),對(duì)M次EMD分解得到的各個(gè)IMF分量及RES分量計(jì)算均值,即

    (6)

    與其他預(yù)測(cè)算法相比,相關(guān)向量機(jī)不僅具有相關(guān)模型高度稀疏、待優(yōu)化核參數(shù)少、核函數(shù)選擇靈活、模型泛化能力強(qiáng)的優(yōu)點(diǎn),而且能直接實(shí)現(xiàn)區(qū)間的預(yù)測(cè)。因此本文采用相關(guān)向量機(jī)對(duì)由EEMD分解得到的分量分別建立模型進(jìn)行區(qū)間預(yù)測(cè)。

    2相關(guān)向量機(jī)模型

    由相關(guān)向量機(jī)(relevance vector machine,RVM)的原理[18]可知,在進(jìn)行點(diǎn)預(yù)測(cè)時(shí),僅使用了預(yù)測(cè)均值這一個(gè)量來(lái)表示其確定性的預(yù)測(cè)結(jié)果。而使用RVM實(shí)現(xiàn)區(qū)間預(yù)測(cè)時(shí),需同時(shí)考慮模型的預(yù)測(cè)均值和方差。

    (7)

    式中:w=(w0,w1,…,wN)T為權(quán)值向量;樣本噪聲εi服從N(0,σ2)的高斯分布,則RVM模型可表示為

    (8)

    式中:K(x,xi)為核函數(shù);x為相關(guān)向量;ε為服從N(0,σ2)的獨(dú)立樣本誤差。

    對(duì)于相互獨(dú)立的輸出集t,整個(gè)訓(xùn)練樣本的似然函數(shù)

    (9)

    式中:Φ=(φ(x1),φ(x2),…,φ(xN))T,φ(xi)=(1,K(x1,xi),K(x2,xi),…,K(xN,xi))T。

    (10)

    式中:超參數(shù)α=(α0,α1,…,αN)T,每個(gè)獨(dú)立的αj都只與其對(duì)應(yīng)的權(quán)值wj相關(guān)。根據(jù)貝葉斯公式,利用樣本似然函數(shù)式(9)和w先驗(yàn)分布式(10)可以得到w的后驗(yàn)分布計(jì)算公式:

    (11)

    (12)

    后驗(yàn)協(xié)方差矩陣Σ和均值μ分別為:

    (13)

    (14)

    (15)

    式(15)服從高斯分布,即

    (16)

    (17)

    由式(17)可以看出,RVM模型可以同時(shí)得出輸入向量對(duì)應(yīng)的預(yù)測(cè)均值和方差,因此,RVM模型能反映預(yù)測(cè)數(shù)據(jù)的不確定性,得到一定置信范圍內(nèi)的區(qū)間預(yù)測(cè)。在給定置信度下,預(yù)測(cè)結(jié)果的置信區(qū)間[19]可表示為

    (18)

    式中:Lb和Ub分別表示預(yù)測(cè)值的下界和上界;zα/2為正態(tài)分布的雙側(cè)α分位點(diǎn)。

    3基于EEMD-RVM的短期風(fēng)功率區(qū)間預(yù)測(cè)

    3.1使用EEMD對(duì)原始風(fēng)功率序列進(jìn)行分解

    如圖1所示,實(shí)際風(fēng)功率具有明顯的隨機(jī)性與波動(dòng)性。若直接采用預(yù)測(cè)算法對(duì)風(fēng)功率序列進(jìn)行預(yù)測(cè)會(huì)存在較大誤差。為提高預(yù)測(cè)精度,需對(duì)原始序列進(jìn)行分解以降低數(shù)據(jù)復(fù)雜度。本文采用EEMD方法對(duì)原始風(fēng)功率序列進(jìn)行分解,獲得若干個(gè)不同頻率的分量。由以上分量可以更明顯地看出原序列的周期性、隨機(jī)性和趨勢(shì)性。

    圖1 實(shí)際風(fēng)功率序列波動(dòng)趨勢(shì)

    選擇國(guó)內(nèi)某一風(fēng)電場(chǎng)為研究對(duì)象,其風(fēng)機(jī)總數(shù)為33臺(tái),裝機(jī)容量為49.5 MW。以2009年4月12—22日共960個(gè)點(diǎn)的風(fēng)功率序列為例,EEMD分解效果如圖2所示。

    3.2RVM模型的參數(shù)設(shè)定

    組合核思想是將多個(gè)不同的核函數(shù)結(jié)合起來(lái),使得組合后的核函數(shù)具有更好的特性[18]??紤]到RVM核函數(shù)的選取不需滿足Mercer條件,核函數(shù)的選擇較為自由,且徑向基核處理局部波動(dòng)以及多項(xiàng)式核解決全局波動(dòng)具有優(yōu)異特性,因此本文將以上2種核函數(shù)進(jìn)行線性組合,構(gòu)成如下組合核函數(shù):

    (19)

    (20)

    (21)

    式中:G(x,xi)為徑向基核;P(x,xi)為多項(xiàng)式核;k1為核函數(shù)的系數(shù)權(quán)重,0

    本文采用網(wǎng)格搜索法尋找參數(shù)k1和δ最優(yōu)值。

    圖2 EEMD分解效果示意圖

    3.3區(qū)間預(yù)測(cè)效果的評(píng)價(jià)指標(biāo)

    本文采用三項(xiàng)指標(biāo),即平均相對(duì)誤差(mean absolute percentage error,MAPE)[7]、區(qū)間覆蓋率(forecasting interval coverage percentage,F(xiàn)ICP)[6]、區(qū)間平均寬度(forecasting interval average width,F(xiàn)IAW)[6],對(duì)區(qū)間預(yù)測(cè)的效果進(jìn)行評(píng)判。

    3.3.1MAPE

    MAPE的計(jì)算如下:

    (22)

    3.3.2FICP

    FICP的計(jì)算如下:

    (23)

    式中:N為預(yù)測(cè)樣本的個(gè)數(shù);ξ(1-α)為置信度1-α下實(shí)際值落在預(yù)測(cè)置信區(qū)間內(nèi)的個(gè)數(shù)。FICP用于評(píng)價(jià)構(gòu)建區(qū)間的可信程度,其絕對(duì)值越大,可信度越高。

    3.3.3FIAW

    FIAW的計(jì)算如下:

    (24)

    3.4算法流程框圖

    本文提出了基于集合經(jīng)驗(yàn)?zāi)B(tài)分解和相關(guān)向量機(jī)的短期風(fēng)功率區(qū)間預(yù)測(cè)模型(EEMD-RVM模型)。首先采用EEMD方法將風(fēng)功率序列分解成多個(gè)IMF分量及RES分量,然后采用組合核RVM模型進(jìn)行一天96點(diǎn)(間隔15 min)的風(fēng)功率區(qū)間預(yù)測(cè),其具體實(shí)現(xiàn)步驟如圖3所示。

    圖3 基于EEMD-RVM的短期風(fēng)功率區(qū)間預(yù)測(cè)模型框圖

    4算例分析

    采用江蘇省某風(fēng)電場(chǎng)2009年全年的風(fēng)功率序列作為研究對(duì)象,以前10天的實(shí)測(cè)風(fēng)功率值作為訓(xùn)練樣本,對(duì)第11天進(jìn)行提前一點(diǎn)(即提前15 min)的風(fēng)功率區(qū)間預(yù)測(cè)。

    為驗(yàn)證EEMD-RVM模型的區(qū)間預(yù)測(cè)效果,在不同置信水平(本文以90%、70%為例)下實(shí)現(xiàn)短期風(fēng)功率區(qū)間預(yù)測(cè),區(qū)間預(yù)測(cè)結(jié)果如圖4、圖5所示。采用MAPE、FICP、FIAW指標(biāo)對(duì)區(qū)間預(yù)測(cè)的效果進(jìn)行評(píng)估,部分預(yù)測(cè)結(jié)果見(jiàn)表1,MAPE、FICP和FIAW在90%、70%置信水平下數(shù)值分別為4.54%、90.63%、0.911 8,4.54%、71.88%、0.112 2。

    圖4 90%置信度下的短期風(fēng)功率區(qū)間預(yù)測(cè)結(jié)果

    圖5 70%置信度下的短期風(fēng)功率區(qū)間預(yù)測(cè)結(jié)果

    表1EEMD-RVM模型的區(qū)間預(yù)測(cè)結(jié)果

    時(shí)刻90%置信水平70%置信水平實(shí)際風(fēng)功率/MW預(yù)測(cè)期望/MW0:00[37.90,44.35][39.24,43.02]40.9641.140:15[38.28,44.73][39.62,43.40]40.2941.520:30[39.41,45.86][40.75,44.53]43.4242.650:45[40.26,46.72][41.61,45.38]43.4743.51……………23:30[22.71,29.16][24.05,27.83]26.2325.9523:45[27.48,33.93][28.82,32.59]31.3830.72

    從圖4、圖5及表1可以看出:本文模型的短期風(fēng)功率預(yù)測(cè)期望值能夠有效跟隨實(shí)際值,其上下浮動(dòng)趨勢(shì)與實(shí)際負(fù)荷變化情況基本一致;從圖4、圖5實(shí)際風(fēng)功率在區(qū)間內(nèi)的分布情況來(lái)看,實(shí)際風(fēng)功率大部分都落在置信度為90%和70%的預(yù)測(cè)區(qū)間之內(nèi),但實(shí)際值落在70%置信度預(yù)測(cè)區(qū)間之外的個(gè)數(shù)明顯比90%的多,情況與實(shí)際符合,體現(xiàn)了本文區(qū)間預(yù)測(cè)結(jié)果的有效性;90%置信水平的預(yù)測(cè)區(qū)間寬度明顯大于70%的預(yù)測(cè)區(qū)間寬度,隨著置信度的降低,區(qū)間預(yù)測(cè)的區(qū)間寬度降低,區(qū)間覆蓋率也隨之降低。

    為了進(jìn)一步評(píng)估本文所提EEMD-RVM模型的區(qū)間預(yù)測(cè)效果,將EEMD-RVM模型分別與標(biāo)準(zhǔn)RVM模型、小波-RVM模型、EMD-RVM模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比,并采用MAPE、FICP、FIAW指標(biāo)以及運(yùn)行時(shí)間t對(duì)區(qū)間預(yù)測(cè)的效果進(jìn)行評(píng)價(jià),90%置信水平下的指標(biāo)評(píng)價(jià)結(jié)果見(jiàn)表2。

    表2各預(yù)測(cè)模型90%置信水平下的指標(biāo)評(píng)價(jià)結(jié)果

    模型類型σMAPE/%k(1-α)FICP/%h(1-α)FIAWt/s標(biāo)準(zhǔn)RVM7.0889.370.283527EMD-RVM4.5490.630.172253小波-RVM5.9489.610.191864EEMD-RVM3.5693.880.150181

    由表2各種模型指標(biāo)結(jié)果可以得出以下結(jié)論:總體上看,本文模型的預(yù)測(cè)誤差最小,區(qū)間寬度最窄,區(qū)間覆蓋率最高,運(yùn)行時(shí)間雖有所延長(zhǎng),但仍在工程實(shí)際要求的范圍內(nèi),模型的區(qū)間預(yù)測(cè)效果較為理想;與標(biāo)準(zhǔn)RVM模型相比,所有先分解后預(yù)測(cè)模型的預(yù)測(cè)誤差、區(qū)間覆蓋率和區(qū)間寬度都得到了明顯改善,說(shuō)明采用分解算法降低數(shù)據(jù)復(fù)雜度確實(shí)可以提高預(yù)測(cè)的效果;與同為分解算法的小波分析和經(jīng)驗(yàn)?zāi)B(tài)分解相比,本文模型的預(yù)測(cè)精度和區(qū)間覆蓋率更高,區(qū)間寬度更窄,雖然運(yùn)行時(shí)間有所延長(zhǎng),但仍在可接受的范圍內(nèi)??紤]到預(yù)測(cè)效果改善的程度,這種運(yùn)行時(shí)間的犧牲是值得的。綜上所述,本文所提的EMD-RVM模型可實(shí)現(xiàn)短期風(fēng)功率的區(qū)間預(yù)測(cè),預(yù)測(cè)效果較好,可適用于實(shí)際工程應(yīng)用。

    5結(jié)論

    為了更好地描述風(fēng)功率的隨機(jī)波動(dòng)性,顧及電網(wǎng)運(yùn)行中的不確定性,本文提出了一種基于集合經(jīng)驗(yàn)?zāi)B(tài)分解和多核相關(guān)向量機(jī)的短期風(fēng)功率區(qū)間預(yù)測(cè)方法。首先為降低數(shù)據(jù)復(fù)雜度,采用EEMD算法將風(fēng)功率序列分解為多個(gè)頻率不同的分量,然后采用多核RVM模型對(duì)各分量分別建立預(yù)測(cè)模型實(shí)現(xiàn)區(qū)間預(yù)測(cè),再由各分量的預(yù)測(cè)結(jié)果進(jìn)行疊加獲得一定置信度下的區(qū)間預(yù)測(cè)結(jié)果。算例結(jié)果表明:本文模型不僅顯著提高了預(yù)測(cè)精度,還在保證區(qū)間覆蓋率的前提下,明顯縮小了預(yù)測(cè)區(qū)間的寬度。因此,本文模型具有較高的預(yù)測(cè)準(zhǔn)確度與較好的魯棒性,可應(yīng)用于工程實(shí)際。

    參考文獻(xiàn):

    [1] 王建東,汪寧渤,何世恩,等.國(guó)際風(fēng)電預(yù)測(cè)預(yù)報(bào)機(jī)制初探及對(duì)中國(guó)的啟示[J]. 電力建設(shè),2010,31(9) :10-13.

    WANG Jiandong,WANG Ningbo,HE Shien,et al. International Wind Power Forecasting Mechanism and Some Lessons for China[J]. Electric Power Construction,2010,31(9) :10-13.

    [2] 黨宏濤,杜祖良,任宏文,等.基于Bootstrap方法的平臺(tái)慣導(dǎo)系統(tǒng)標(biāo)定參數(shù)重復(fù)性區(qū)間預(yù)測(cè)[J]. 中國(guó)慣性技術(shù)學(xué)報(bào),2013,21(3):411-414.

    DANG Hongtao,DU Zuliang,REN Hongwen,et al. Repeatability Interval Prediction for Calibrated Parameters of INS Based on Bootstrap Method[J]. Journal of Chinese Inertial Technology,2013,21(3):411-414.

    [3] 王焱,汪震,黃民翔,等.基于OS-ELM和Bootstrap方法的超短期風(fēng)電功率預(yù)測(cè)[J]. 電力系統(tǒng)自動(dòng)化,2014,38(6):14-19.

    WANG Yan,WANG Zhen,HUANG Minxiang,et al. Ultra-short-term Wind Power Prediction Based on OS-ELM and Bootstrap Method[J]. Automation of Electric Power Systems,2014,38(6):14-19.

    [4] BREMNES J B.Probabilistic Wind Power Forecasts Using Local Quantile Regression[J]. Wind Energy,2004,7(1):47-54.

    [5] 李智,韓學(xué)山,楊明,等.基于分位點(diǎn)回歸的風(fēng)電功率波動(dòng)區(qū)間分析[J]. 電力系統(tǒng)自動(dòng)化,2011,35(3):83-87.

    LI Zhi,HAN Xueshan,YANG Ming,et al. Wind Power Fluctuation Interval Analysis Based on Quantile Regression[J]. Automation of Electric Power Systems,2011,35(3):83-87.

    [6] 李知藝,丁劍鷹,吳迪,等.電力負(fù)荷區(qū)間預(yù)測(cè)的集成極限學(xué)習(xí)機(jī)方法[J]. 華北電力大學(xué)學(xué)報(bào),2014,41(2):78-88.

    LI Zhiyi,DING Jianying,WU Di,et al. An Ensemble Model of the Extreme Learning Machine for Load Interval Prediction[J]. Journal of North China Electric Power University,2014,41(2):78-88.

    [7] 楊明,范澍,韓學(xué)山,等.基于分量稀疏貝葉斯學(xué)習(xí)的風(fēng)電場(chǎng)輸出功率概率預(yù)測(cè)方法[J]. 電力系統(tǒng)自動(dòng)化,2012,36(14):125-130.

    YANG Ming,F(xiàn)AN Shu,HAN Xueshan,et al. Wind Farm Generation Forecast Based on Componential Sparse Bayesian Learning[J]. Automation of Electric Power Systems,2012,36(14):125-130.

    [8] 董雷,周文萍,張沛,等.基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的光伏發(fā)電短期概率預(yù)測(cè)[J]. 中國(guó)電機(jī)工程學(xué)報(bào),2013,33(增刊):38-45.

    DONG Lei,ZHOU Wenping,ZHANG Pei,et al. Short-term Photovoltaic Output Forecast Based on Dynamic Bayesian Network Theory[J]. Proceedings of the CSEE,2013,33(S):38-45.

    [9] 孫斌,姚海濤,劉婷.基于高斯過(guò)程回歸的短期風(fēng)速預(yù)測(cè)[J]. 中國(guó)電機(jī)工程學(xué)報(bào),2012,32(29):104-109.

    SUN Bin,YAO Haitao,LIU Ting.Short-term Wind Speed Forecasting Based on Gaussian Process Regression Model[J]. Proceedings of the CSEE,2012,32(29):104-109.

    [10] KHOSRAVI A,NAHAVANDI S,CREIGHTON D. Prediction Intervals for Short-term Wind Farm Power Generation Forecasts[J]. IEEE Transactions on Sustainable Energy,2013,4(3):602-610.

    [11] 韓帥,李樹(shù)剛. 基于區(qū)間預(yù)測(cè)模型的流感趨勢(shì)預(yù)測(cè)[J]. 計(jì)算機(jī)仿真,2014,31(9):237-242.

    HAN Shuai,LI Shugang.Influenza Trends Forecast Based on Interval Prediction Model[J]. Computer Simulation,2014,31(9):237-242.

    [12] QUAN H,SRINIVASAN D,KHOSRAVI A.Short-term Load and Wind Power Forecasting Using Neural Network-Based Prediction Intervals[J]. IEEE Transactions on Neural Network and Learning Systems,2014,25(2):303-315.

    [13] 孫志剛,翟瑋星,李韋倫,等.基于EMD和相關(guān)向量機(jī)的短期負(fù)荷預(yù)測(cè)[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào),2011,23(1):92-97.

    SUN Zhigang,ZHAI Weixing,LI Weilun,et al. Short-term Load Forecasting Based on EMD and RVM[J]. Proceedings of the CSU-EPSA,2011,23(1):92-97.

    [14] 葉林,劉鵬.基于經(jīng)驗(yàn)?zāi)B(tài)分解和支持向量機(jī)的短期風(fēng)電功率組合預(yù)測(cè)模型[J]. 中國(guó)電機(jī)工程學(xué)報(bào),2011,31(31):102-108.

    YE Lin,LIU Peng. Combined Model Based on EMD-SVM for Short-term Wind Power Prediction[J]. Proceedings of the CSEE,2011,31(31):102-108.

    [15] 王守相,王亞旻,劉巖,等.基于經(jīng)驗(yàn)?zāi)B(tài)分解和ELM神經(jīng)網(wǎng)絡(luò)的逐時(shí)太陽(yáng)能輻照量預(yù)測(cè)[J]. 電力自動(dòng)化設(shè)備,2014,34(8) :7-12.

    WANG Shouxiang,WANG Yamin,LIU Yan,et al. Hourly Solar Radiation Forecasting Based on EMD and ELM Neural Network[J]. Electric Power Automation Equipment,2014,34(8):7-12.

    [16] WU Z H,HUANG N E.Ensemble Empirical Mode Decomposition:a Noise-assisted Data Analysis Method[J]. Advances in Adaptive Data Analysis,2009,1(1):1-41.

    [17] 黃帥棟,衛(wèi)志農(nóng),高宗和,等.基于非負(fù)矩陣分解的相關(guān)向量機(jī)短期負(fù)荷預(yù)測(cè)模型[J]. 電力系統(tǒng)自動(dòng)化,2012,36(11):62-66.

    HUANG Shuaidong,WEI Zhinong,GAO Zonghe,et al. A Short-term Load Forecasting Model Based on Revelance Vector Machine with Nonnegative Matrix Factorization[J]. Automation of Electric Power Systems,2012,36(11):62-66.

    [18] 朱永利,尹金良.組合核相關(guān)向量機(jī)在電力變壓器故障診斷中的應(yīng)用研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào),2013,33(22):68-74.

    ZHU Yongli,YIN Jinliang. Study on Application of Multi-kernel Learning Relevance Vector Machines in Fault Diagnosis of Power Transformers[J]. Proceedings of the CSEE,2013,33(22):68-74.

    [19] GUAN C,LUH P B,LAURENT D M,et al. Hybrid Kalman Filters for Very Short-term Load Forecasting and Prediction Interval Estimation[J]. IEEE Transactions on Power Systems,2013,28(4):3806-3817.

    范磊(1991),男,江蘇常州人。在讀碩士研究生,研究方向?yàn)殡娏ο到y(tǒng)負(fù)荷預(yù)測(cè)。

    王越(1988),女,江蘇常州人。工學(xué)碩士,研究方向?yàn)槲⒕W(wǎng)負(fù)荷預(yù)測(cè)與規(guī)劃。

    梁智(1991),男,江蘇睢寧人。在讀碩士研究生,研究方向?yàn)殡娏ο到y(tǒng)負(fù)荷預(yù)測(cè)。

    (編輯闞杰)

    Prediction on Short-term Wind Power Interval Based on EEMD-RVM

    FAN Lei1, WANG Yue2, LIANG Zhi1, DAI Liyuan1

    (1.The College of Energy and Electrical Engineering, Hohai University, Nanjing, Jiangsu 210098,China; 2. State Grid Changzhou Power Supply Company, Changzhou, Jiangsu 213000, China)

    Abstract:In allusion to the problem of being unable to describe randomness of wind power by present wind power prediction methods, which are mostly aiming at certain point prediction, a prediction model for short-term wind power interval based on ensemble empirical mode decomposition (EEMD) and relevance vector machine (RVM) is established. It firstly conducts EEMD on original wind power sequence to obtain a remaining component and multiple intrinsic mode functions (IMFs) with different characteristics, then respectively establishes interval prediction model for each function by using RVM algorithm, and finally overlays prediction results for getting the interval prediction result under a certain confidence level. Simulation results indicate that the proposed interval prediction method has higher prediction precision, relatively narrow interval width and higher interval coverage.

    Key words:short-term wind power prediction; interval prediction; relevance vector machine (RVM); ensemble empirical mode decomposition (EEMD); combined kernel function

    作者簡(jiǎn)介:

    中圖分類號(hào):TM614

    文獻(xiàn)標(biāo)志碼:A

    文章編號(hào):1007-290X(2016)02-0014-07

    doi:10.3969/j.issn.1007-290X.2016.02.003

    基金項(xiàng)目:國(guó)家高技術(shù)研究發(fā)展計(jì)劃(863計(jì)劃)資助項(xiàng)目(2013AA050601)

    收稿日期:2015-09-28

    男女下面进入的视频免费午夜| 国产大屁股一区二区在线视频| 中国美女看黄片| 十八禁网站免费在线| 亚洲精品粉嫩美女一区| 久久精品影院6| 草草在线视频免费看| 久久中文看片网| 欧美精品国产亚洲| 变态另类丝袜制服| 亚洲av.av天堂| 精品一区二区免费观看| 99热只有精品国产| 国产精品一及| 国产精品一区二区三区四区久久| 亚洲自偷自拍三级| 久久久成人免费电影| 亚洲片人在线观看| 久久久久久久久久黄片| 99在线人妻在线中文字幕| 国产精品三级大全| 欧美zozozo另类| 国产亚洲av嫩草精品影院| 欧美成狂野欧美在线观看| 给我免费播放毛片高清在线观看| av女优亚洲男人天堂| 老司机午夜十八禁免费视频| 老司机午夜福利在线观看视频| 色av中文字幕| 亚洲人成网站高清观看| 国产亚洲精品av在线| 白带黄色成豆腐渣| av福利片在线观看| 国产午夜福利久久久久久| 夜夜看夜夜爽夜夜摸| 成人一区二区视频在线观看| 18禁在线播放成人免费| 欧美xxxx性猛交bbbb| 小蜜桃在线观看免费完整版高清| 婷婷六月久久综合丁香| 欧美潮喷喷水| 欧美极品一区二区三区四区| 女人被狂操c到高潮| 国产日本99.免费观看| 日本撒尿小便嘘嘘汇集6| 色av中文字幕| 国产 一区 欧美 日韩| 国产乱人视频| 国产亚洲精品久久久久久毛片| 国产亚洲精品av在线| h日本视频在线播放| 国产一区二区三区视频了| 97碰自拍视频| 搡老岳熟女国产| av欧美777| 欧美午夜高清在线| 久久人人爽人人爽人人片va | 亚洲美女视频黄频| 97超视频在线观看视频| 久久久久久大精品| 我要看日韩黄色一级片| а√天堂www在线а√下载| 欧美成人一区二区免费高清观看| 久久久色成人| xxxwww97欧美| 欧美成人免费av一区二区三区| av在线老鸭窝| 欧美高清成人免费视频www| 搞女人的毛片| 女同久久另类99精品国产91| 老熟妇仑乱视频hdxx| 亚洲欧美日韩无卡精品| 亚洲av.av天堂| 久久久久久大精品| 久久亚洲真实| 一级作爱视频免费观看| 很黄的视频免费| 亚洲国产精品久久男人天堂| 99热精品在线国产| 久久久久久久亚洲中文字幕 | 国产av不卡久久| 亚洲最大成人av| 日本免费a在线| 午夜老司机福利剧场| 午夜精品久久久久久毛片777| 欧美色欧美亚洲另类二区| 亚洲av免费高清在线观看| 欧美zozozo另类| 日韩有码中文字幕| 亚洲精品456在线播放app | 一本精品99久久精品77| 99精品在免费线老司机午夜| 久久精品国产亚洲av涩爱 | 大型黄色视频在线免费观看| 亚洲欧美日韩东京热| 久久久久免费精品人妻一区二区| 欧美最黄视频在线播放免费| 国产精品亚洲美女久久久| 国产精品1区2区在线观看.| 亚洲精品在线美女| 日本与韩国留学比较| 亚洲激情在线av| 亚洲av日韩精品久久久久久密| 国产黄色小视频在线观看| 最后的刺客免费高清国语| 国内精品久久久久久久电影| 亚洲第一电影网av| 18+在线观看网站| 三级男女做爰猛烈吃奶摸视频| 久久久久久九九精品二区国产| 久久国产乱子伦精品免费另类| 国产成年人精品一区二区| 亚洲国产欧美人成| 91在线精品国自产拍蜜月| 午夜激情福利司机影院| 日本在线视频免费播放| 少妇的逼水好多| 黄色日韩在线| 亚洲av成人不卡在线观看播放网| 男女下面进入的视频免费午夜| 哪里可以看免费的av片| 国内毛片毛片毛片毛片毛片| 国产精品久久视频播放| 国产亚洲欧美98| 精品久久久久久久久久免费视频| 91狼人影院| 全区人妻精品视频| 久久热精品热| 一级a爱片免费观看的视频| 天堂动漫精品| а√天堂www在线а√下载| av女优亚洲男人天堂| 亚洲av电影不卡..在线观看| 中文字幕av在线有码专区| 国语自产精品视频在线第100页| 精品人妻1区二区| 国产伦精品一区二区三区视频9| 亚洲无线在线观看| 国产精品久久视频播放| 18禁黄网站禁片午夜丰满| 丰满人妻熟妇乱又伦精品不卡| 美女被艹到高潮喷水动态| 国产精品国产高清国产av| 神马国产精品三级电影在线观看| 村上凉子中文字幕在线| 亚洲熟妇中文字幕五十中出| 一区二区三区四区激情视频 | bbb黄色大片| 一卡2卡三卡四卡精品乱码亚洲| 十八禁国产超污无遮挡网站| 久久久久免费精品人妻一区二区| 麻豆成人av在线观看| 日韩精品青青久久久久久| 欧美午夜高清在线| 18禁在线播放成人免费| 欧美色视频一区免费| 一卡2卡三卡四卡精品乱码亚洲| 久久久久免费精品人妻一区二区| 日韩中文字幕欧美一区二区| 91av网一区二区| 五月玫瑰六月丁香| 中亚洲国语对白在线视频| 两人在一起打扑克的视频| 怎么达到女性高潮| 久久久久国产精品人妻aⅴ院| 97碰自拍视频| 国产精品一区二区三区四区久久| 精品免费久久久久久久清纯| 欧美日韩福利视频一区二区| 又爽又黄a免费视频| 日本熟妇午夜| 色在线成人网| 深夜精品福利| 一区二区三区免费毛片| 男人狂女人下面高潮的视频| 成人欧美大片| 中文亚洲av片在线观看爽| 久久精品久久久久久噜噜老黄 | 国产探花极品一区二区| 中文字幕av成人在线电影| 久久久久久久久大av| 亚洲黑人精品在线| 欧美中文日本在线观看视频| 国产av麻豆久久久久久久| 激情在线观看视频在线高清| av在线观看视频网站免费| 99在线人妻在线中文字幕| 午夜福利视频1000在线观看| 别揉我奶头 嗯啊视频| 欧美不卡视频在线免费观看| 色在线成人网| 乱人视频在线观看| 成人性生交大片免费视频hd| 真实男女啪啪啪动态图| 免费黄网站久久成人精品 | 精品久久国产蜜桃| 禁无遮挡网站| 国产精品永久免费网站| 网址你懂的国产日韩在线| 国产高清激情床上av| av视频在线观看入口| 中出人妻视频一区二区| 亚洲一区二区三区不卡视频| 嫩草影视91久久| 长腿黑丝高跟| 久久久色成人| 国产成人a区在线观看| 熟女电影av网| 中文字幕人成人乱码亚洲影| 一夜夜www| 一本久久中文字幕| 国产在视频线在精品| 国产精品乱码一区二三区的特点| 欧美又色又爽又黄视频| 十八禁网站免费在线| 午夜福利视频1000在线观看| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 国产免费一级a男人的天堂| 亚洲自偷自拍三级| 一本一本综合久久| 99久久成人亚洲精品观看| 成人国产综合亚洲| www日本黄色视频网| 亚洲av电影在线进入| 能在线免费观看的黄片| 日韩大尺度精品在线看网址| 亚洲成人免费电影在线观看| 九九久久精品国产亚洲av麻豆| 亚洲七黄色美女视频| 成人鲁丝片一二三区免费| 国产亚洲精品av在线| 人人妻人人澡欧美一区二区| 国产精品自产拍在线观看55亚洲| av女优亚洲男人天堂| 99精品在免费线老司机午夜| 久久精品91蜜桃| 日韩欧美一区二区三区在线观看| а√天堂www在线а√下载| 成人亚洲精品av一区二区| 两性午夜刺激爽爽歪歪视频在线观看| 日韩精品青青久久久久久| 国产国拍精品亚洲av在线观看| 亚洲欧美日韩高清专用| 色尼玛亚洲综合影院| 亚洲国产精品合色在线| 91av网一区二区| 久久6这里有精品| 人妻久久中文字幕网| 国产探花极品一区二区| 18禁黄网站禁片免费观看直播| 一个人免费在线观看电影| 免费看日本二区| 免费无遮挡裸体视频| 丰满人妻一区二区三区视频av| 1024手机看黄色片| 国产在线男女| 国产av在哪里看| 日本a在线网址| 人妻久久中文字幕网| 成年版毛片免费区| 亚洲av.av天堂| 国产精品精品国产色婷婷| 一进一出抽搐动态| 99热精品在线国产| 国产精品一区二区性色av| 十八禁网站免费在线| 麻豆成人午夜福利视频| 高潮久久久久久久久久久不卡| 亚洲人成网站在线播放欧美日韩| 宅男免费午夜| 亚洲成av人片免费观看| 怎么达到女性高潮| 一进一出抽搐gif免费好疼| 天堂动漫精品| 成人av在线播放网站| 精品久久久久久久人妻蜜臀av| 此物有八面人人有两片| 久久久久久大精品| 亚洲成a人片在线一区二区| 日本熟妇午夜| 午夜免费成人在线视频| 免费观看人在逋| 日本三级黄在线观看| 欧美区成人在线视频| 99在线人妻在线中文字幕| 国产麻豆成人av免费视频| 一本综合久久免费| 丁香欧美五月| 免费搜索国产男女视频| 国产综合懂色| 久久久久久九九精品二区国产| 国产精品女同一区二区软件 | 国产精品久久久久久久久免 | 久久精品久久久久久噜噜老黄 | 亚洲精品日韩av片在线观看| 色播亚洲综合网| 夜夜躁狠狠躁天天躁| 男人舔奶头视频| 欧美日韩乱码在线| 国产久久久一区二区三区| 国产精品久久久久久久电影| www.999成人在线观看| 国产精品嫩草影院av在线观看 | 狂野欧美白嫩少妇大欣赏| 国产成+人综合+亚洲专区| 中文字幕人成人乱码亚洲影| 国产亚洲av嫩草精品影院| 人人妻人人看人人澡| 97人妻精品一区二区三区麻豆| 嫩草影院入口| 欧美一级a爱片免费观看看| 国产三级中文精品| 成人午夜高清在线视频| 精品人妻一区二区三区麻豆 | 毛片一级片免费看久久久久 | or卡值多少钱| 一本一本综合久久| 好看av亚洲va欧美ⅴa在| 亚洲片人在线观看| 一本久久中文字幕| 日韩欧美在线乱码| 18禁黄网站禁片免费观看直播| 久久天躁狠狠躁夜夜2o2o| 99热精品在线国产| 午夜影院日韩av| 精品久久久久久久末码| 午夜精品一区二区三区免费看| 日韩欧美 国产精品| 少妇裸体淫交视频免费看高清| 别揉我奶头~嗯~啊~动态视频| 夜夜躁狠狠躁天天躁| 国产免费一级a男人的天堂| 欧美在线黄色| 男人的好看免费观看在线视频| 91在线观看av| 一进一出好大好爽视频| 18禁黄网站禁片午夜丰满| 黄色一级大片看看| 黄片小视频在线播放| 狂野欧美白嫩少妇大欣赏| 两性午夜刺激爽爽歪歪视频在线观看| 欧美午夜高清在线| 国产成人aa在线观看| 欧美日韩瑟瑟在线播放| 欧美精品国产亚洲| 老司机午夜福利在线观看视频| 小说图片视频综合网站| 女生性感内裤真人,穿戴方法视频| 首页视频小说图片口味搜索| 我要看日韩黄色一级片| 欧美色视频一区免费| 真人做人爱边吃奶动态| 亚洲欧美日韩无卡精品| 亚洲五月婷婷丁香| 久久久久免费精品人妻一区二区| 色综合亚洲欧美另类图片| 少妇人妻精品综合一区二区 | 精品久久久久久久久久免费视频| 国产精品久久久久久亚洲av鲁大| 99国产精品一区二区蜜桃av| 亚洲第一电影网av| 日本免费一区二区三区高清不卡| 深爱激情五月婷婷| 亚洲人成网站在线播| 国产免费一级a男人的天堂| 亚洲性夜色夜夜综合| 在线播放国产精品三级| 精品人妻偷拍中文字幕| 精品免费久久久久久久清纯| 真实男女啪啪啪动态图| 午夜福利在线在线| 免费搜索国产男女视频| 窝窝影院91人妻| eeuss影院久久| 真人一进一出gif抽搐免费| 搞女人的毛片| 欧美精品国产亚洲| 精品日产1卡2卡| 国产极品精品免费视频能看的| 亚洲最大成人av| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 精品乱码久久久久久99久播| 97超级碰碰碰精品色视频在线观看| 亚洲精品一卡2卡三卡4卡5卡| 久久久久久久午夜电影| 亚洲不卡免费看| av天堂在线播放| 少妇裸体淫交视频免费看高清| 99久久精品国产亚洲精品| 亚洲人成网站在线播放欧美日韩| 久久久久久大精品| 亚洲第一电影网av| 日本五十路高清| 欧美黑人巨大hd| 又黄又爽又刺激的免费视频.| 午夜福利18| 简卡轻食公司| 波野结衣二区三区在线| 成人特级av手机在线观看| 丰满人妻熟妇乱又伦精品不卡| 国产三级中文精品| 亚洲精华国产精华精| 99久久精品一区二区三区| 他把我摸到了高潮在线观看| 最新在线观看一区二区三区| 亚洲第一区二区三区不卡| 一夜夜www| 赤兔流量卡办理| 色吧在线观看| 欧美黄色淫秽网站| 国产精品一区二区性色av| 久久久久久久精品吃奶| 成人欧美大片| 草草在线视频免费看| 国产视频内射| 亚洲第一区二区三区不卡| 亚洲七黄色美女视频| 国产av麻豆久久久久久久| www.色视频.com| 久久久国产成人精品二区| 成人av一区二区三区在线看| 51午夜福利影视在线观看| 亚洲在线观看片| 国产午夜精品久久久久久一区二区三区 | 免费观看人在逋| 淫妇啪啪啪对白视频| 亚洲精品成人久久久久久| 免费在线观看成人毛片| 亚洲电影在线观看av| 啪啪无遮挡十八禁网站| 国产在线男女| 99热只有精品国产| 中文字幕免费在线视频6| 久久精品人妻少妇| 男人的好看免费观看在线视频| 欧美激情久久久久久爽电影| 少妇的逼好多水| 国产在视频线在精品| 亚洲精品成人久久久久久| bbb黄色大片| 日本黄大片高清| 成人无遮挡网站| 熟妇人妻久久中文字幕3abv| 国产国拍精品亚洲av在线观看| 亚洲第一电影网av| 无遮挡黄片免费观看| 亚洲成人久久爱视频| 国产亚洲精品久久久久久毛片| 欧美zozozo另类| 在线播放无遮挡| 成年女人永久免费观看视频| 欧美日本亚洲视频在线播放| 国产精品三级大全| 国产 一区 欧美 日韩| 搡女人真爽免费视频火全软件 | 九九在线视频观看精品| 日日干狠狠操夜夜爽| 亚洲午夜理论影院| 亚洲精品色激情综合| 国产成人啪精品午夜网站| 色在线成人网| 精品熟女少妇八av免费久了| 三级男女做爰猛烈吃奶摸视频| 两个人视频免费观看高清| 午夜日韩欧美国产| 天堂动漫精品| 级片在线观看| 男女下面进入的视频免费午夜| 久久久久性生活片| 亚洲成人久久性| 一本久久中文字幕| 国产精品98久久久久久宅男小说| 制服丝袜大香蕉在线| 精品久久久久久久人妻蜜臀av| 国产成年人精品一区二区| 国产久久久一区二区三区| 精华霜和精华液先用哪个| 国产亚洲欧美98| 波多野结衣高清无吗| 国产人妻一区二区三区在| 精品一区二区三区视频在线观看免费| 毛片一级片免费看久久久久 | 丰满人妻熟妇乱又伦精品不卡| 亚洲欧美日韩无卡精品| 一级黄片播放器| 91久久精品电影网| 国产精品嫩草影院av在线观看 | 亚洲av中文字字幕乱码综合| 五月玫瑰六月丁香| 又爽又黄a免费视频| 国产伦精品一区二区三区视频9| 午夜福利成人在线免费观看| 午夜福利18| 亚洲人成伊人成综合网2020| 亚洲专区中文字幕在线| 久久九九热精品免费| 麻豆成人av在线观看| 我要搜黄色片| 欧美日本视频| 久久精品综合一区二区三区| 欧美一级a爱片免费观看看| 亚州av有码| av在线老鸭窝| 亚州av有码| 又黄又爽又刺激的免费视频.| 久久久成人免费电影| 国产成人啪精品午夜网站| 久久精品国产自在天天线| 久久久国产成人精品二区| 午夜影院日韩av| 女人被狂操c到高潮| 精品久久久久久,| 国产成人欧美在线观看| 午夜福利18| 首页视频小说图片口味搜索| 久久久久亚洲av毛片大全| 18禁黄网站禁片午夜丰满| 久久热精品热| 能在线免费观看的黄片| 12—13女人毛片做爰片一| 亚洲欧美日韩高清专用| 麻豆久久精品国产亚洲av| 久久久色成人| 1000部很黄的大片| 好男人在线观看高清免费视频| 夜夜看夜夜爽夜夜摸| 亚洲五月婷婷丁香| 全区人妻精品视频| 青草久久国产| 亚洲第一区二区三区不卡| 男插女下体视频免费在线播放| 成年女人看的毛片在线观看| 免费观看的影片在线观看| 中文亚洲av片在线观看爽| 美女cb高潮喷水在线观看| 免费无遮挡裸体视频| 国产精品久久视频播放| 免费av不卡在线播放| 97热精品久久久久久| 夜夜看夜夜爽夜夜摸| 日本 欧美在线| 亚洲国产精品合色在线| 两个人视频免费观看高清| 亚洲欧美日韩东京热| 亚洲国产精品成人综合色| 国产精品一区二区三区四区免费观看 | 欧美高清性xxxxhd video| 色噜噜av男人的天堂激情| 老司机福利观看| 久久亚洲精品不卡| 高清在线国产一区| 国产欧美日韩一区二区三| 国产又黄又爽又无遮挡在线| 欧美黄色片欧美黄色片| 日韩大尺度精品在线看网址| 国产精品三级大全| 午夜免费男女啪啪视频观看 | 成人国产综合亚洲| 男女视频在线观看网站免费| 三级男女做爰猛烈吃奶摸视频| 日韩欧美精品免费久久 | 亚洲五月婷婷丁香| 永久网站在线| 可以在线观看的亚洲视频| 91午夜精品亚洲一区二区三区 | 亚洲avbb在线观看| 热99在线观看视频| 国产 一区 欧美 日韩| 亚洲av成人av| 麻豆一二三区av精品| 嫩草影院精品99| 欧美激情国产日韩精品一区| 男女之事视频高清在线观看| 老熟妇乱子伦视频在线观看| 嫩草影院入口| 成人特级黄色片久久久久久久| 成年人黄色毛片网站| 亚洲 国产 在线| 免费在线观看亚洲国产| 久久国产乱子免费精品| 亚洲avbb在线观看| 免费电影在线观看免费观看| 国产 一区 欧美 日韩| 一二三四社区在线视频社区8| a级一级毛片免费在线观看| 俄罗斯特黄特色一大片| 国产亚洲精品av在线| 欧美成人性av电影在线观看| 国产精品1区2区在线观看.| 一本久久中文字幕| 国产精品综合久久久久久久免费| 99久久精品国产亚洲精品| www日本黄色视频网| 尤物成人国产欧美一区二区三区| 国产精品免费一区二区三区在线| 美女被艹到高潮喷水动态| 极品教师在线免费播放| 成人国产综合亚洲| 男插女下体视频免费在线播放| 欧美一区二区精品小视频在线| 99热这里只有是精品在线观看 | 欧美3d第一页| av欧美777| 人妻丰满熟妇av一区二区三区| 午夜福利免费观看在线| 两性午夜刺激爽爽歪歪视频在线观看| 国产精品久久久久久人妻精品电影| 久久国产精品影院| 国产淫片久久久久久久久 | 99国产综合亚洲精品| 免费无遮挡裸体视频| 久久久色成人| 人人妻人人澡欧美一区二区| 色综合欧美亚洲国产小说| 国产91精品成人一区二区三区|