• <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PSO-RBF神經(jīng)網(wǎng)絡(luò)的鋰離子電池健康狀態(tài)預(yù)測(cè)

    2016-12-24 01:54:02陳教料潘國(guó)兵
    中國(guó)機(jī)械工程 2016年21期
    關(guān)鍵詞:鋰離子粒子神經(jīng)網(wǎng)絡(luò)

    張 任 胥 芳 陳教料 潘國(guó)兵

    浙江工業(yè)大學(xué)特種裝備制造與先進(jìn)加工技術(shù)教育部/浙江省重點(diǎn)實(shí)驗(yàn)室,杭州,310014

    ?

    基于PSO-RBF神經(jīng)網(wǎng)絡(luò)的鋰離子電池健康狀態(tài)預(yù)測(cè)

    張 任 胥 芳 陳教料 潘國(guó)兵

    浙江工業(yè)大學(xué)特種裝備制造與先進(jìn)加工技術(shù)教育部/浙江省重點(diǎn)實(shí)驗(yàn)室,杭州,310014

    針對(duì)傳統(tǒng)方法估計(jì)鋰離子電池健康狀態(tài)(SOH)時(shí)內(nèi)部參數(shù)測(cè)量困難等問題,提出一種基于粒子群優(yōu)化徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的鋰離子電池SOH預(yù)測(cè)方法。通過對(duì)鋰離子等效模型的研究,結(jié)合充放電過程的實(shí)驗(yàn)數(shù)據(jù),確定了影響鋰離子電池SOH特性的幾個(gè)關(guān)鍵參數(shù)。將試驗(yàn)數(shù)據(jù)輸入仿真模型進(jìn)行網(wǎng)絡(luò)訓(xùn)練和校驗(yàn)。仿真證明,相比BP神經(jīng)網(wǎng)絡(luò)和普通RBF神經(jīng)網(wǎng)絡(luò),該算法的預(yù)測(cè)精度可提高20%,節(jié)省66.7%以上的優(yōu)化時(shí)間。

    鋰離子電池;健康狀況;粒子群優(yōu)先;徑向基函數(shù)

    0 引言

    近幾年隨著能源危機(jī)和環(huán)境惡化,新能源和電動(dòng)汽車產(chǎn)業(yè)得到迅猛發(fā)展。鋰離子電池已廣泛應(yīng)用于通信電源、UPS系統(tǒng)、光伏儲(chǔ)能、混合動(dòng)力汽車等生產(chǎn)生活的諸多領(lǐng)域[1-2]。在使用過程中,鋰離子電池組性能往往取決于性能最差的鋰離子電池單體[3]。研究鋰離子電池單體的健康狀態(tài)預(yù)測(cè)與健康管理,及早準(zhǔn)確地預(yù)測(cè)出鋰離子電池的剩余壽命,對(duì)系統(tǒng)整體的安全性、穩(wěn)定性和經(jīng)濟(jì)性具有重要意義[4]。健康狀態(tài)(state of health,SOH) 定義為電池充電后,舊電池與新電池的最大放電量的比值,用來反映電池健康和老化情況。在電池使用的初期,SOH接近于100%,隨著充放電次數(shù)的增加,SOH逐漸減小至0。IEEE 1188-1996標(biāo)準(zhǔn)規(guī)定,電池SOH低于80%,電池就接近報(bào)廢。

    目前,一些研究人員已采用多種方法對(duì)鋰離子電池SOH預(yù)測(cè)進(jìn)行相關(guān)研究,但存在不少問題。等效電阻法[5]的實(shí)驗(yàn)環(huán)境難以模擬實(shí)際鋰離子電池工作的復(fù)雜工況,且測(cè)試時(shí)間長(zhǎng),計(jì)算過程復(fù)雜。電化學(xué)分析法[6]是破壞性的,僅適用于鋰離子電池的設(shè)計(jì)和生產(chǎn)環(huán)節(jié),不適合實(shí)際工程應(yīng)用。阻抗匹配法[7]、卡爾曼濾波法[8]和容量衰減法[9]等需要精確描述的復(fù)雜模型,計(jì)算量很大,且有些內(nèi)部物理參數(shù)難以準(zhǔn)確測(cè)量。雖然也有其他學(xué)者提出基于概率神經(jīng)網(wǎng)絡(luò)推理的鋰離子電池SOH預(yù)測(cè)方法[10],但概率神經(jīng)網(wǎng)絡(luò)采用相同的平滑參數(shù),識(shí)別率較低。與概率神經(jīng)網(wǎng)絡(luò)相比,用粒子群優(yōu)化(particle swarm optimization,PSO)算法來優(yōu)化徑向基函數(shù)(radical basis function,RBF)神經(jīng)網(wǎng)絡(luò)權(quán)值,使神經(jīng)網(wǎng)絡(luò)有更好的非線性函數(shù)逼近能力,對(duì)提高預(yù)測(cè)的速度和精度有很大的作用。

    本文通過建立鋰離子電池基本電路和熱力學(xué)等效電路模型,對(duì)影響鋰離子電池SOH各參數(shù)進(jìn)行定性的分析,提取其關(guān)鍵的辨識(shí)參數(shù)。用PSO算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)權(quán)值,使神經(jīng)網(wǎng)絡(luò)具有更好的非線性函數(shù)逼近能力。最終提出一種基于粒子群優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的鋰離子電池SOH預(yù)測(cè)方法,并通過仿真和實(shí)驗(yàn)對(duì)比分析此方法的可行性。

    1 鋰離子電池充放電物理模型

    1.1 鋰離子電池的等效電路模型

    本研究將圓柱形SONY 18650鋰離子電池(容量為2400mA·h)作為研究對(duì)象,電池主要由正極、隔膜、負(fù)極、有機(jī)電解液和電池外殼組成。陰極、陽(yáng)極的材料分別為L(zhǎng)iCoO2和C[11]。為研究鋰離子電池的工作特性,建立鋰離子電池等效物理模型,其結(jié)構(gòu)如圖1所示。等效電路模型主要使用電壓源、電容和電阻來描述鋰離子電池的工作特性。

    圖1 電池等效電路模型

    根據(jù)圖1所示電池等效電路模型,主回路的電壓和電流計(jì)算公式為[12]

    U0=E0+U1+U2+IR0

    (1)

    (2)

    式中,U0為電池輸出電壓;I為電池輸出電流;R0為電池的內(nèi)阻;Cp為濃差極化電容;Cdiff為電化學(xué)極化電容;Rp為濃差極化內(nèi)阻;Rdiff為電化學(xué)極化內(nèi)阻;E0為電池開路電壓。

    根據(jù)式(1)、式(2)建立鋰離子電池模型的狀態(tài)空間表達(dá)式:

    (3)

    y=U1+U2+E0+IR0

    (4)

    根據(jù)式(3)、式(4),求出系統(tǒng)輸出函數(shù)y(t)[11]:

    (5)

    電池的的健康狀態(tài)值為

    (6)

    式中,I′(τ)為電池輸出電流;Ts為采樣時(shí)間間隔;k為采樣點(diǎn)數(shù)。

    根據(jù)式(5)、式(6)可發(fā)現(xiàn),鋰離子電池的健康狀態(tài)值BSOH(k)與參數(shù)U1(0)、U2(0)、E0和t密切相關(guān)。

    1.2 鋰離子電池的熱力學(xué)模型

    鋰離子電池有內(nèi)部電阻,因此電池在充電和放電的過程均會(huì)產(chǎn)生大量的熱。鋰離子電池的熱量傳遞包括內(nèi)部熱量交換和外殼的熱量交換。電池內(nèi)部熱量主要是內(nèi)部電阻產(chǎn)生的歐姆發(fā)熱,計(jì)算公式為

    Q=I2R0

    (7)

    鋰電池?zé)崃恳话銖碾娦緝?nèi)部向外殼擴(kuò)散,在化學(xué)反應(yīng)過程中同時(shí)存在3種擴(kuò)散方式:熱交換、熱傳導(dǎo)和熱輻射。本研究中為簡(jiǎn)化模型設(shè)計(jì),假設(shè)電池內(nèi)部溫度一致,且熱量?jī)H在電池內(nèi)部與外殼、外殼與環(huán)境之間熱傳導(dǎo),電池內(nèi)部熱力學(xué)計(jì)算公式為

    (8)

    (9)

    式中,Tin、Tshell分別為電池內(nèi)部和外殼的溫度;Tambient為環(huán)境溫度;C1、C2分別為電池內(nèi)部和外殼的熱容量;Q為熱量;k1為電池內(nèi)部和外殼之間的熱導(dǎo),W/K;k2為電池外殼和外部環(huán)境之間的熱導(dǎo),W/K[13-14]。

    (z-1)C1Tin/Ts=Q-k1(Tin-Tshell)

    (10)

    (z-1)C2Tshell/Ts=k1(Tin-Tshell)-

    k2(Tshell-Tambient)

    (11)

    由式(7)可得到

    (12)

    把式(12)代入式(6)可得

    (13)

    綜合式(6)、式(13)分析可知,電池內(nèi)部溫度Tin對(duì)電池內(nèi)部化學(xué)反應(yīng)過程影響很大,直接影響電池的輸出電流、輸出電壓和BSOH(k)。試驗(yàn)在恒溫箱中進(jìn)行,外殼溫度和環(huán)境溫度基本保持一致。由于內(nèi)部溫度難以測(cè)量,故將外殼溫度作為測(cè)量對(duì)象。最終確定由參數(shù)U1(0)、U2(0)、E0、t和Tshell作為每次最終輸出的SOH值BSOH(k) 的辨識(shí)輸入,即

    BSOH(k)=f(U1(0),U2(0),E0,t,Tshell)

    (14)

    2 鋰離子電池試驗(yàn)過程

    2.1 試驗(yàn)平臺(tái)的搭建

    本研究選取50節(jié)18650鋰離子電池做SOH特性試驗(yàn)。測(cè)試溫度分別控制在10 ℃、15 ℃、20 ℃、25 ℃和30 ℃,每檔溫度下選取10節(jié)電池進(jìn)行試驗(yàn)。每節(jié)電池循環(huán)800次,將得到50×800組數(shù)據(jù)。自行搭建的試驗(yàn)平臺(tái)主要由恒溫控制器、鋰離子電池充放電模塊和計(jì)算機(jī)數(shù)據(jù)采集系統(tǒng)組成,如圖2所示[15]。試驗(yàn)過程中,采用單片機(jī)控制平臺(tái)溫度和鋰離子電池的充放電電壓、電流。工控機(jī)可通過控制界面設(shè)定控制溫度和單片機(jī)充放電電流、電壓。同時(shí),單片機(jī)反饋被測(cè)鋰離子電池上的電壓、電流、溫度參數(shù)等物理參數(shù)到工控機(jī)[16-17]。每次循環(huán)結(jié)束后,工控機(jī)保存相關(guān)數(shù)據(jù)并通過復(fù)雜計(jì)算求出鋰離子電池當(dāng)前的SOH。每個(gè)測(cè)試循環(huán)分4個(gè)階段進(jìn)行,詳細(xì)情況將在下節(jié)中描述。

    圖2 電池特性測(cè)試平臺(tái)

    2.2 SOH周期測(cè)試過程

    試驗(yàn)中,每節(jié)鋰離子電池充放電分為4個(gè)階段進(jìn)行,如圖3所示,其中,Ub為電池兩端電壓,Ib為電池充放電電流。每個(gè)階段的溫度保持恒定,測(cè)量鋰離子電池在各個(gè)階段的工作電壓、電流和所需時(shí)間。

    圖3 單個(gè)測(cè)試周期內(nèi)的電壓電流曲線

    (1)恒流階段(t0~t1)。單節(jié)鋰離子電池以1200mA進(jìn)行恒流充電,電池電壓會(huì)緩慢上升,當(dāng)電壓達(dá)到4.2V時(shí),電池充電狀態(tài)進(jìn)入恒壓階段。

    (2) 恒壓階段(t1~t2)。電池充電電壓保持在(4.2±0.05)V,充電電流隨時(shí)間慢慢減小,當(dāng)蓄電池充電電流小于48mA時(shí),控制模塊停止充電。

    (3) 放電電壓跌落階段(t2~t3)。電池以恒定電流放電至3V。在轉(zhuǎn)入放電瞬間,電池由內(nèi)部電阻R0的作用而產(chǎn)生ΔU的電壓跌落。

    (4) 反彈階段(t3~t4)。電池開路放置1min,記錄最終端電壓恢復(fù)值U3[17]。

    以上4個(gè)步驟即為1次循環(huán)。每節(jié)鋰離子電池需要循環(huán)800次。當(dāng)全部50節(jié)電池循環(huán)完成時(shí)測(cè)試試驗(yàn)過程結(jié)束。

    2.3 試驗(yàn)結(jié)果數(shù)據(jù)

    通過研究與對(duì)比各數(shù)據(jù)之間的關(guān)系, 鋰離子電池的SOH特性主要體現(xiàn)在以下幾個(gè)參數(shù):恒流充電時(shí)間Δt1、恒壓充電時(shí)間Δt2、放電瞬間電壓跌落值ΔU、恒流放電時(shí)間Δt3和靜態(tài)1 min電壓恢復(fù)值U3,根據(jù)試驗(yàn)結(jié)果建立鋰離子電池的Δt1、Δt2、Δt3、ΔU、U3與SOH的特性曲線。為清楚地表達(dá)參數(shù)之間的關(guān)系,從工控機(jī)中導(dǎo)出其中一節(jié)電池在20℃時(shí)的特性曲線,如圖4所示。圖4a所示為蓄電池Δt1、Δt2、Δt3與SOH的特性曲線,可以看出,Δt1、Δt2和Δt3越長(zhǎng),電池的SOH值越大;曲線波浪式上升,但是它們之間是非線性關(guān)系。圖4b所示為ΔU、U3與SOH的特性曲線,可以看出,ΔU和U3變化越大,鋰離子電池SOH值越小,其曲線呈現(xiàn)出典型的非線性特性。

    (a)健康狀態(tài)值-時(shí)間曲線

    (b)健康狀態(tài)值-電壓曲線

    為解決參數(shù)U1(0)、U2(0)、E0難以測(cè)量的問題,結(jié)合數(shù)學(xué)模型進(jìn)行分析。U1(0)和U2(0)是鋰離子電池一開始充電(放電)時(shí),輸出電流在Cdiff和Cp的壓降,其作用主要體現(xiàn)在參數(shù)ΔU和U3的壓降上,E0和放電時(shí)間t在試驗(yàn)中就體現(xiàn)在Δt1、Δt2和Δt3上。因此可以得到以下辨識(shí)公式:

    BSOH(k)=f(U1(0),U2(0),E0,t,Tshell)=

    g(Δt1,Δt2,Δt3,ΔU,U3,Tshell)

    (15)

    式(15)顯示,根據(jù)參數(shù)Δt1、Δt2、Δt3、ΔU、U3和Tshell來預(yù)測(cè)電池的實(shí)際SOH是可行的。在設(shè)計(jì)粒子群優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)鋰離子電池SOH預(yù)測(cè)算法時(shí),試驗(yàn)得到的Δt1、Δt2、Δt3、ΔU、U3、Tshell和BSOH(k)將作為神經(jīng)網(wǎng)絡(luò)的優(yōu)化和訓(xùn)練樣本。在網(wǎng)絡(luò)達(dá)到收斂以后,只要輸入鋰離子電池的Δt1、Δt2、Δt3、ΔU、U3、Tshell,就可準(zhǔn)確預(yù)測(cè)出鋰離子電池SOH值。

    3 粒子群優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)方法

    RBF神經(jīng)網(wǎng)絡(luò)屬于前向神經(jīng)網(wǎng)絡(luò),第一層為輸入層,由信號(hào)源節(jié)點(diǎn)組成;第二層為隱含層,隱含層節(jié)點(diǎn)數(shù)視具體問題而定;第三層為輸出層,它對(duì)輸入模式作出響應(yīng)[18]。鋰離子電池RBF神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)為Δt1、Δt2、Δt3、ΔU、U3和Tshell,隱含層總共有20個(gè)節(jié)點(diǎn),輸出為SOH值。

    徑向基神經(jīng)網(wǎng)絡(luò)中常用的徑向基函數(shù)是高斯函數(shù),那么網(wǎng)絡(luò)的輸出為

    16)

    xp=(xp1,xp2,…,xpm)

    式中,xp為第p個(gè)輸入樣本,p=1,2,…,P;P為樣本總數(shù);ci為網(wǎng)絡(luò)隱含層節(jié)點(diǎn)的中心;wij為隱含層到輸出層的連接權(quán)值;i為神經(jīng)網(wǎng)絡(luò)中隱含層節(jié)點(diǎn)數(shù);yi為與輸入樣本對(duì)應(yīng)的網(wǎng)絡(luò)的第j個(gè)輸出節(jié)點(diǎn)的實(shí)際輸出;σ為高斯函數(shù)的方差。

    設(shè)d是樣本的期望輸出值,那么基函數(shù)的方差可表示為[19]

    (17)

    粒子群優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)需要訓(xùn)練的參數(shù)為:徑向基函數(shù)的聚類中心、徑向基中心的最大距離和RBF神經(jīng)網(wǎng)絡(luò)隱含層和輸出層之間的權(quán)值[20]。預(yù)測(cè)分三階段進(jìn)行:第一階段,利用粒子群優(yōu)化算法計(jì)算RBF神經(jīng)網(wǎng)絡(luò)中心。在計(jì)算徑向基函數(shù)的聚類中心時(shí),通過粒子群迭代算法調(diào)整聚類中心,得到最優(yōu)的聚類中心就是RBF神經(jīng)網(wǎng)絡(luò)最終的聚類中心。第二階段,使用K均值聚類方法計(jì)算RBF的寬度。第三階段,訓(xùn)練網(wǎng)絡(luò)并重復(fù)迭代計(jì)算。

    在每一次迭代過程中,粒子通過個(gè)體極值和全局極值更新自身的速度和位置:

    (18)

    (19)

    d=1,2,…,D;i=1,2,…,n

    式中,i表示第i個(gè)粒子;w為慣性權(quán)重;m為當(dāng)前迭代次數(shù);d表示粒子i的第d維;Xid為第i個(gè)粒子的位置,Pid為第i個(gè)粒子的個(gè)體最優(yōu)位置;Pgd為所有粒子中最優(yōu)適應(yīng)度值的位置;vid為粒子i的速度;c1、c2為加速度因子,一般為非負(fù)的常數(shù);r1、r2為分布于[0,1]之間的隨機(jī)數(shù)。

    在算法迭代過程中,較大的慣性權(quán)重w有利于全局搜索,較小的w更有利于局部搜索。在計(jì)算中使用線性遞減慣性權(quán)重:

    w(k)=wstart-(wstart-wend)(Tmax-k)/Tmax

    (20)

    式中,wstart為初始慣性權(quán)重;wend為迭代至最大次數(shù)時(shí)的慣性權(quán)重;Tmax為最大迭代次數(shù)[21]。

    具體PSO-RBF算法流程見圖5。

    圖5 基于PSO-RBF算法的鋰離子電池SOH預(yù)測(cè)流程

    4 模擬與討論

    4.1 結(jié)果輸出

    采用MATLAB編寫粒子群優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)程序,并根據(jù)試驗(yàn)得到的總共50×800組數(shù)據(jù)(30×800組為訓(xùn)練數(shù)據(jù),20×800組為模型檢驗(yàn)數(shù)據(jù))進(jìn)行訓(xùn)練與測(cè)試。神經(jīng)網(wǎng)絡(luò)采用6個(gè)輸入節(jié)點(diǎn)、20個(gè)隱層節(jié)點(diǎn)、1個(gè)輸出節(jié)點(diǎn)。粒子群算法種群規(guī)模選30,慣性權(quán)重取值為wstart=0.9,wend=0.4。取c1=c2=1.5,r1=r2=0.5。迭代終止條件為均方根誤差e<10-5。模型經(jīng)訓(xùn)練以后輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試,輸出結(jié)果見圖6,可以看出,預(yù)測(cè)結(jié)果比較真實(shí)地反映實(shí)際數(shù)據(jù)的情況。

    圖6 SOH的預(yù)測(cè)結(jié)果

    為研究訓(xùn)練樣本數(shù)量對(duì)識(shí)別準(zhǔn)確度的影響,從樣本數(shù)據(jù)中分別取50~500組樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,獲得SOH預(yù)測(cè)結(jié)果輸出。表1所示為訓(xùn)練樣本數(shù)量對(duì)SOH預(yù)測(cè)結(jié)果輸出精度的影響。識(shí)別精度隨訓(xùn)練樣本數(shù)目的增加而顯著提高,當(dāng)訓(xùn)練樣本數(shù)目到達(dá)450以后,誤差小于5%。繼續(xù)增加訓(xùn)練樣本,誤差變化不大。為避免由于計(jì)算機(jī)數(shù)據(jù)計(jì)算量過大而影響神經(jīng)網(wǎng)絡(luò)模型輸出的響應(yīng)時(shí)間,本研究最終采用450組樣本進(jìn)行訓(xùn)練。

    表1 不同訓(xùn)練樣本數(shù)量下的SOH輸出精度 %

    4.2 對(duì)比與討論

    為進(jìn)一步驗(yàn)證PSO-RBF神經(jīng)網(wǎng)絡(luò)方法的優(yōu)越性,分別采用粒子群優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)建立鋰離子電池SOH預(yù)測(cè)模型。仿真輸出的適應(yīng)度曲線輸出如圖7所示。不同模型要達(dá)到收斂需要的迭代次數(shù)分別為:BP神經(jīng)網(wǎng)絡(luò)需要250次,RBF神經(jīng)網(wǎng)絡(luò)需要125次,優(yōu)化過的PSO-RBF神經(jīng)網(wǎng)絡(luò)在75次以后就可以達(dá)到收斂。相同條件下,PSO-RBF神經(jīng)網(wǎng)絡(luò)的收斂速度明顯快于其他兩種算法,速度至少提高66.67%。說明PSO-RBF神經(jīng)網(wǎng)絡(luò)的泛化能力要強(qiáng)于其他兩種算法。通過粒子群優(yōu)化算法對(duì)RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)化,可顯著提高其收斂速度。另外,在算法收斂時(shí),RBF神經(jīng)網(wǎng)絡(luò)要比BP神經(jīng)網(wǎng)絡(luò)快,說明其在逼近速度和分類能力上要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。

    圖7 不同算法的收斂特性曲線

    圖8所示為3種不同算法的輸出誤差曲線,可以直觀地看出,BP神經(jīng)網(wǎng)絡(luò)誤差在±10%之間,RBF神經(jīng)網(wǎng)絡(luò)誤差控制在±6%之間,優(yōu)化過的PSO-RBF神經(jīng)網(wǎng)絡(luò)誤差控制在±5%之間。PSO-RBF神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)鋰離子電池SOH的精度方面要高于其他兩種算法,至少提高20%。PSO-RBF神經(jīng)網(wǎng)絡(luò)算法可以將粒子群算法和RBF神經(jīng)網(wǎng)絡(luò)融合起來,達(dá)到揚(yáng)長(zhǎng)避短的目的,使得在處理復(fù)雜系統(tǒng)問題時(shí)可有效提高精度和計(jì)算效率。

    圖8 不同算法的預(yù)測(cè)誤差對(duì)比曲線

    為減少隨機(jī)性對(duì)算法的影響,將BP神經(jīng)網(wǎng)絡(luò)算法、RBF神經(jīng)網(wǎng)絡(luò)算法和本文提出的粒子群優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)算法分別訓(xùn)練450次,輸入50組不同樣本對(duì)其測(cè)試。經(jīng)統(tǒng)計(jì)分析,BP神經(jīng)網(wǎng)絡(luò)的平均相對(duì)誤差為15.74%,RBF神經(jīng)網(wǎng)絡(luò)的平均相對(duì)誤差為4.88%,PSO-RBF神經(jīng)網(wǎng)絡(luò)算法的平均相對(duì)誤差僅為2.81%。SOH預(yù)測(cè)結(jié)果表明,PSO-RBF神經(jīng)網(wǎng)絡(luò)算法對(duì)改進(jìn)神經(jīng)網(wǎng)絡(luò)效果明顯。

    仿真結(jié)果表明,基于粒子群優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)算法對(duì)環(huán)境有很強(qiáng)的魯棒性,基本可以對(duì)鋰離子電池SOH做出快速準(zhǔn)確的預(yù)測(cè),誤差一般可以很好地控制在±5%以內(nèi),相比其他神經(jīng)網(wǎng)絡(luò)算法,在很少的迭代次數(shù)以后,其輸出迅速收斂,可快速區(qū)分出鋰離子電池實(shí)際的SOH,具有很好的自適應(yīng)能力。

    5 結(jié)論

    (1)對(duì)鋰離子電池特性作了詳細(xì)分析,建立了鋰離子電池充放電過程的等效電路模型和熱力學(xué)模型,并對(duì)影響SOH的重要參數(shù)作了詳細(xì)的分析。

    (2)經(jīng)過鋰離子電池SOH全壽命循環(huán)試驗(yàn),最終確定Δt1、Δt2、Δt3、ΔU、U3和Tshell為PSO-RBF神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)。將粒子群優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)算法引入到鋰離子電池SOH的預(yù)測(cè)中,建立了基于PSO-RBF神經(jīng)網(wǎng)絡(luò)的鋰離子電池SOH預(yù)測(cè)模型。

    (3)模型仿真結(jié)果與實(shí)際測(cè)量數(shù)值較近,模型分類能力強(qiáng),辨識(shí)結(jié)果可靠,相比其他兩種算法,具有速度和精度上的明顯優(yōu)勢(shì),誤差控制在±5%以內(nèi),平均相對(duì)誤差為4.88%。

    [1] 王成山,武震,李鵬.分布式電能存儲(chǔ)技術(shù)的應(yīng)用前景與挑戰(zhàn)[J].電力系統(tǒng)自動(dòng)化,2014,38(16):1-8. Wang Chengshan,Wu Zhen,Li Peng.Application Prospect and Challenge of Distributed Energy Storage Technology[J].Automation of Electric Power System,2014,38(16):1-8.

    [2] 丁明,陳忠,蘇建徽,等.可再生能源發(fā)電中的電池儲(chǔ)能系統(tǒng)綜述[J].電力系統(tǒng)自動(dòng)化,2013,37(1):19-25. Ding Ming,Chen Zhong,Su Jianhui,et al.Overview of Battery Energy Storage System in Renewable Energy Power Generation[J]. Automation of Electric Power System,2013,37(1):19-25.

    [3] 李逢兵,謝開貴,張雪松,等.基于鋰電池充放電狀態(tài)的混合儲(chǔ)能系統(tǒng)控制策略設(shè)計(jì)[J].電力系統(tǒng)自動(dòng)化,2013,37(1):70-75. Li Fengbing,Xie Kaigui,Zhang Xuesong,et al.Control Strategy Design of Hybrid Energy Storage System Based on Lithium Battery Charge and Discharge State[J]. Automation of Electric Power System,2013,37(1):70-75.

    [4] 李勇,王麗芳,廖承林.電動(dòng)車鋰離子電池健康狀態(tài)模型研究進(jìn)展[J].電源技術(shù),2013,37(5):863-866. Li Yong,Wang Lifang,Liao Chenglin.Electric Car Li-ion Battery State Model of Health Research Progress[J].Power Technology,2013,37(5):863-866.

    [5] 李相哲,蘇芳,林道勇.電動(dòng)汽車動(dòng)力電源系統(tǒng)[M].北京:化學(xué)工業(yè)出版社,2011.

    [6] Ning G,White R E,Popov B N.A Generalized Cycle Life Model of Rechargeable Li-ion Batteries[J].Electrochimica Acta,2006,51(10):2012-2022.

    [7] 徐睿.鋰離子電池劣化程度與阻抗模型相關(guān)性研究[D].哈爾濱:哈爾濱理工大學(xué),2010.

    [8] 魏克新,陳峭巖.基于自適應(yīng)無(wú)跡卡爾曼濾波算法的鋰離子動(dòng)力電池狀態(tài)估計(jì)[J].中國(guó)電機(jī)工程學(xué)報(bào),2014,34(3):445-452. Wei Kexin,Chen Qiaoyan.Lithium-ion Battery Status Unscented Kalman Filter-based Adaptive Estimation Algorithm[J].Proceedings of the CSEE,2014,34(3):445-452.

    [9] 黃偉昭,李小平,張棟省,等.基于開路電壓回升速率和交流阻抗相結(jié)合的一種鋰離子電池SOH算法[J].新能源進(jìn)展,2014,2(1):43-48. Huang Weizhao,Li Xiaoping,Zhang Dongsheng,et al.SOH Algorithm for a Kind of Li-ion Battery Based on the Combination of Open Circuit Voltage Recovery Rate and AC Impedance[J].New Energy Development,2014,2(1):43-48.

    [10] Lin H T,Liang T J,Chen S M. Estimation of Battery State of Health Using Probabilistic Neural Network[J].IEEE Transactions on Industrial Informatics,2013,9(2):679-685.

    [11] Jeon D H,Beak S M.Thermal Modeling of Cylindrical Lithium-ion Battery during Discharge Cycle[J].Energy Conversion and Management,2011,52(8):2973-2981.

    [12] Chen Z,Mi C C,F(xiàn)u Y,et al.Online Battery State of Health Estimation Based on Genetic Algorithm for Electric and Hybrid Vehicle Applications[J].Journal of Power Sources,2013,240:184-192.

    [13] Tan Y K,Mao J C,Tseng K J.Modelling of Battery Temperature Effect on Electrical Characteristics of Li-ion Battery in Hybrid Electric Vehicle[C]// 2011 IEEE Ninth International Conference on Power Electronics and Drive Systems (PEDS).Singapore:IEEE,2011:637-642.

    [14] Zhang C,Li K,Deng J.Real-time Estimation of Battery Internal Temperature Based on a Simplified Thermoelectric Model[J].Journal of Power Sources,2016,302:146-154.

    [15] 裴鋒,黃向東,羅玉濤,等.電動(dòng)汽車動(dòng)力電池變流放電特性與荷電狀態(tài)實(shí)時(shí)估計(jì)[J].中國(guó)電機(jī)工程學(xué)報(bào),2005,25(9):164-168. Pei Feng,Huang Xiangdong,Luo Yutao,et al.Electric Vehicle Battery Discharge Characteristics of the Converter and the Real-time Estimate of the State of Charge[J].Proceedings of the CSEE,2005,25(9):164-168.

    [16] Salking A J,F(xiàn)ennie C,Singh P,et al.Determination of State-of-charge and State-of-health of Batteries by Fuzzy Logic Methodology[J].Journal of Power Sources,1999,80(1):293-300.

    [17] 趙又群,周曉鳳,劉英杰.基于擴(kuò)展卡爾曼粒子濾波算法的鋰電池SOC估計(jì)[J].中國(guó)機(jī)械工程,2015,26(3):394-397. Zhao Youqun,Zhou Xiaofeng,Liu Yingjie.SOC Estimation of Lithium Battery Based on Extended Calman Particle Filtering Algorithm[J].China Mechanical Engineering,2015,26(3):394-397.

    [18] 葉志鋒,孫健國(guó).基于概率神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)故障診斷[J].航空學(xué)報(bào),2002,23(2):155-157. Ye Zhifeng,Sun Jianguo.The Engine Fault Diagn-osis Based on Probabilistic Neural Network[J].Chinese Journal of Aeronautics,2002,23(2):155-157.

    [19] 胥芳,張任,吳樂彬,等.自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)在光伏MPPT中的應(yīng)用[J].太陽(yáng)能學(xué)報(bào),2012,33(3):468-472. Xu Fang,Zhang Ren,Wu Lebin,et al.Self-adaption BP Neural Network for the MPPT Tracking in Photovoltaic[J].Journal of Solar Energy,2012,33(3):468-472.

    [20] 喬良,宋小欣,謝延敏,等.基于PSO-RBF代理模型的板料成形本構(gòu)參數(shù)反求優(yōu)化研究[J].中國(guó)機(jī)械工程,2014,25(19):2680-2685. Qiao Liang,Song Xiaoxin,Xie Yanmin,et al.Study on the Optimization of Constitutive Parameters of Sheet Metal Forming Based on PSO-RBF Proxy Model[J].China Mechanical Engineering,2014,25(19):2680-2685.

    [21] 陳波,潘海鵬,鄧志輝.基于PSO優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的反應(yīng)釜故障診斷[J].中國(guó)機(jī)械工程,2012,23(18):2204-2207. Chen Bo,Pan Haipeng,Deng Zhihui.Fault Diagnosis of RBF Neural Network Based on PSO[J].China Mechanical Engineering,2012,23(18):2204-2207.

    (編輯 張 洋)

    Li-ion Battery SOH Prediction Based on PSO-RBF Neural Network

    Zhang Ren Xu Fang Chen Jiaoliao Pan Guobing

    Key Laboratory of E&M, Ministry of Education & Zhejiang Province,Zhejiang University of Technology,Hangzhou,310014

    For the traditional method to hardly estimate the internal parameters of Li-ion battery SOH, a PSO algorithm based on RBF neural network for SOH prediction of Li-ion batteries was proposed. Based on the Li-ion battery equivalent model, several key parameters which affected the SOH characteristics of the battery were determined by experimental data of the charged and discharged processes. The test data were input simulation model for network training and verification. Simulation results show that, compared to the BP neural network and the general RBF neural network, the algorithm may increase 20% of prediction accuracy, save more than 66.7% of the optimization time.

    Li-ion battery; SOH(state of health); particle swarm optimization; radical basis function(RBF)

    2015-12-22

    國(guó)際科技合作專項(xiàng)(2014DFA70980);浙江省自然科學(xué)基金資助項(xiàng)目(LY15E070004)

    TM912

    10.3969/j.issn.1004-132X.2016.21.023

    張 任,男,1977年生。浙江工業(yè)大學(xué)機(jī)械工程學(xué)院博士研究生。主要研究方向?yàn)樾履茉醇爸悄芸刂?。?芳,女,1964年生。浙江工業(yè)大學(xué)機(jī)械工程學(xué)院教授、博士研究生導(dǎo)師。 陳教料(通信作者),男,1979年生。浙江工業(yè)大學(xué)機(jī)械工程學(xué)院副教授。潘國(guó)兵,男,1978年生。浙江工業(yè)大學(xué)機(jī)械工程學(xué)院副教授。

    猜你喜歡
    鋰離子粒子神經(jīng)網(wǎng)絡(luò)
    高能鋰離子電池的“前世”與“今生”
    科學(xué)(2020年1期)2020-08-24 08:07:56
    神經(jīng)網(wǎng)絡(luò)抑制無(wú)線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    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
    鋰離子動(dòng)力電池的不同充電方式
    基于支持向量機(jī)回歸和RBF神經(jīng)網(wǎng)絡(luò)的PID整定
    鋰離子電池組不一致性及其彌補(bǔ)措施
    汽車電器(2014年5期)2014-02-28 12:14:15
    鋰離子的萃取和反萃研究
    河南科技(2014年16期)2014-02-27 14:13:12
    欧美日韩国产mv在线观看视频| 亚洲精品美女久久久久99蜜臀| 一二三四在线观看免费中文在| 黄色毛片三级朝国网站| 亚洲色图 男人天堂 中文字幕| av有码第一页| 国产又爽黄色视频| 久久人人97超碰香蕉20202| 手机成人av网站| 亚洲国产欧美网| 亚洲色图综合在线观看| 亚洲一码二码三码区别大吗| 精品乱码久久久久久99久播| 另类精品久久| 少妇猛男粗大的猛烈进出视频| 在线观看免费日韩欧美大片| 亚洲av第一区精品v没综合| 午夜成年电影在线免费观看| 又大又爽又粗| 交换朋友夫妻互换小说| 亚洲精品美女久久久久99蜜臀| 午夜福利乱码中文字幕| 97在线人人人人妻| 妹子高潮喷水视频| 国产视频一区二区在线看| 亚洲色图av天堂| 热99国产精品久久久久久7| 精品高清国产在线一区| 青青草视频在线视频观看| 午夜激情久久久久久久| 久久久精品国产亚洲av高清涩受| 18禁美女被吸乳视频| 在线天堂中文资源库| 国产一区二区三区综合在线观看| 久久精品国产亚洲av香蕉五月 | 免费在线观看日本一区| 高清av免费在线| 女人精品久久久久毛片| 国产极品粉嫩免费观看在线| 嫁个100分男人电影在线观看| 露出奶头的视频| 狠狠狠狠99中文字幕| 欧美精品人与动牲交sv欧美| 亚洲人成电影观看| 男人操女人黄网站| 丝袜人妻中文字幕| 91国产中文字幕| 国产av又大| a级毛片在线看网站| 美女高潮到喷水免费观看| 午夜福利一区二区在线看| 国产精品影院久久| 亚洲精品在线美女| 又黄又粗又硬又大视频| 国精品久久久久久国模美| 成人18禁高潮啪啪吃奶动态图| 久久ye,这里只有精品| 国产色视频综合| 久久久久久久久久久久大奶| 国产午夜精品久久久久久| 国产成人系列免费观看| 久久人人97超碰香蕉20202| 成人特级黄色片久久久久久久 | 99九九在线精品视频| 国产亚洲欧美精品永久| 成人国产av品久久久| 国产男女内射视频| 国产精品亚洲av一区麻豆| 一区二区av电影网| 久久久国产成人免费| 视频在线观看一区二区三区| 天天添夜夜摸| kizo精华| 久久久国产欧美日韩av| 国产一区二区三区视频了| 超碰成人久久| 国产成人精品久久二区二区免费| 国产aⅴ精品一区二区三区波| 伦理电影免费视频| 精品午夜福利视频在线观看一区 | 国产福利在线免费观看视频| 亚洲伊人色综图| 日日夜夜操网爽| 大香蕉久久成人网| 午夜福利欧美成人| 不卡av一区二区三区| 国产极品粉嫩免费观看在线| 国产高清激情床上av| 香蕉久久夜色| 在线观看免费午夜福利视频| 亚洲精品一二三| 亚洲国产欧美网| 国产国语露脸激情在线看| 18禁国产床啪视频网站| 国产在线一区二区三区精| 新久久久久国产一级毛片| 成人国产一区最新在线观看| 亚洲熟女毛片儿| av免费在线观看网站| 一本大道久久a久久精品| 亚洲国产欧美网| 国产高清国产精品国产三级| av网站在线播放免费| 久久久国产成人免费| 王馨瑶露胸无遮挡在线观看| 久久久久精品国产欧美久久久| 老司机福利观看| 91麻豆av在线| 一级片'在线观看视频| 一本—道久久a久久精品蜜桃钙片| aaaaa片日本免费| 欧美日韩福利视频一区二区| 一区二区三区精品91| 国产免费福利视频在线观看| 大香蕉久久网| 国产精品香港三级国产av潘金莲| 日韩欧美国产一区二区入口| 成人特级黄色片久久久久久久 | 欧美亚洲日本最大视频资源| 亚洲一区中文字幕在线| 女性被躁到高潮视频| 一区二区三区乱码不卡18| 欧美日韩国产mv在线观看视频| 一本久久精品| 国产精品国产高清国产av | 欧美国产精品va在线观看不卡| 色老头精品视频在线观看| 麻豆成人av在线观看| 国产亚洲av高清不卡| 亚洲精品在线美女| 丝瓜视频免费看黄片| 男女午夜视频在线观看| 日韩视频在线欧美| 日本欧美视频一区| 丝袜喷水一区| 日韩成人在线观看一区二区三区| 日韩 欧美 亚洲 中文字幕| 久久人妻福利社区极品人妻图片| 天堂中文最新版在线下载| 国产亚洲欧美在线一区二区| av有码第一页| 高清视频免费观看一区二区| 99国产精品免费福利视频| 久久精品人人爽人人爽视色| 久久中文字幕人妻熟女| 日本a在线网址| 久久久久久久久久久久大奶| 亚洲一区二区三区欧美精品| 欧美日韩福利视频一区二区| aaaaa片日本免费| 国产激情久久老熟女| 亚洲 欧美一区二区三区| 9191精品国产免费久久| 搡老熟女国产l中国老女人| av免费在线观看网站| 在线 av 中文字幕| 精品人妻熟女毛片av久久网站| 9191精品国产免费久久| 欧美日本中文国产一区发布| 日韩一区二区三区影片| 欧美精品啪啪一区二区三区| 久久久久视频综合| 亚洲黑人精品在线| 久久久水蜜桃国产精品网| 美女主播在线视频| 久久婷婷成人综合色麻豆| 91九色精品人成在线观看| aaaaa片日本免费| 一区在线观看完整版| 欧美在线一区亚洲| 亚洲精品国产精品久久久不卡| 免费少妇av软件| 国产精品久久久久久精品古装| 免费日韩欧美在线观看| 无限看片的www在线观看| 91精品国产国语对白视频| 国产成人啪精品午夜网站| 亚洲熟女精品中文字幕| 国产精品自产拍在线观看55亚洲 | 欧美精品亚洲一区二区| 亚洲国产av影院在线观看| 99re6热这里在线精品视频| 国产成人欧美| 成人永久免费在线观看视频 | 侵犯人妻中文字幕一二三四区| 男女高潮啪啪啪动态图| 久久天躁狠狠躁夜夜2o2o| avwww免费| 精品国产乱子伦一区二区三区| 99久久国产精品久久久| 大香蕉久久成人网| 亚洲人成77777在线视频| 国产一区二区三区综合在线观看| 国产xxxxx性猛交| 国产一区二区三区视频了| 一本综合久久免费| 中文字幕高清在线视频| 精品欧美一区二区三区在线| 最近最新免费中文字幕在线| 深夜精品福利| 巨乳人妻的诱惑在线观看| 国产无遮挡羞羞视频在线观看| 女性被躁到高潮视频| 亚洲色图综合在线观看| 亚洲国产中文字幕在线视频| 久久香蕉激情| 欧美在线一区亚洲| 91成年电影在线观看| 精品人妻在线不人妻| 亚洲熟女毛片儿| 99九九在线精品视频| 久久久国产成人免费| 国产在线免费精品| 午夜视频精品福利| 亚洲午夜理论影院| 女警被强在线播放| 国产成人精品无人区| 搡老岳熟女国产| 99热国产这里只有精品6| 国产精品免费一区二区三区在线 | 国产午夜精品久久久久久| 国产一卡二卡三卡精品| 麻豆乱淫一区二区| 成年女人毛片免费观看观看9 | 黄片大片在线免费观看| 国产成人精品在线电影| 国产一卡二卡三卡精品| 午夜免费成人在线视频| 国产精品99久久99久久久不卡| 9色porny在线观看| 午夜激情久久久久久久| 久久久精品国产亚洲av高清涩受| 久久免费观看电影| 十八禁高潮呻吟视频| 我的亚洲天堂| 黑人欧美特级aaaaaa片| 可以免费在线观看a视频的电影网站| 国产av精品麻豆| 国产不卡av网站在线观看| 波多野结衣av一区二区av| 精品国产亚洲在线| 麻豆成人av在线观看| 国产成人欧美在线观看 | 欧美大码av| 亚洲成av片中文字幕在线观看| 在线观看人妻少妇| 每晚都被弄得嗷嗷叫到高潮| 超碰成人久久| 国产在视频线精品| 亚洲成人国产一区在线观看| 亚洲免费av在线视频| 一二三四在线观看免费中文在| 19禁男女啪啪无遮挡网站| 大码成人一级视频| 大型黄色视频在线免费观看| 中国美女看黄片| 成人精品一区二区免费| 亚洲视频免费观看视频| 国产单亲对白刺激| 亚洲全国av大片| 纵有疾风起免费观看全集完整版| 中文字幕高清在线视频| 深夜精品福利| 多毛熟女@视频| 999久久久国产精品视频| 在线看a的网站| 午夜免费鲁丝| 日韩欧美一区视频在线观看| 久久久精品国产亚洲av高清涩受| 亚洲精品在线美女| 亚洲av欧美aⅴ国产| 日日夜夜操网爽| 久久精品熟女亚洲av麻豆精品| 69精品国产乱码久久久| 久热爱精品视频在线9| 露出奶头的视频| 搡老乐熟女国产| 久久精品国产a三级三级三级| 一级,二级,三级黄色视频| 一区二区三区国产精品乱码| 18禁国产床啪视频网站| 欧美成人免费av一区二区三区 | 午夜免费成人在线视频| 亚洲熟女精品中文字幕| 黑人巨大精品欧美一区二区mp4| 久久久国产精品麻豆| 国产亚洲午夜精品一区二区久久| 一个人免费看片子| 操出白浆在线播放| 午夜两性在线视频| 久久99一区二区三区| 国产免费视频播放在线视频| 热99久久久久精品小说推荐| 精品欧美一区二区三区在线| 日本五十路高清| 久久性视频一级片| 国产精品98久久久久久宅男小说| 人人妻人人澡人人爽人人夜夜| 欧美日韩一级在线毛片| 国产精品98久久久久久宅男小说| 天堂中文最新版在线下载| 两个人看的免费小视频| 精品国产一区二区三区四区第35| 亚洲精华国产精华精| 亚洲情色 制服丝袜| 亚洲国产毛片av蜜桃av| 午夜福利在线观看吧| 久久人妻av系列| 精品亚洲成国产av| 日本一区二区免费在线视频| 精品国产超薄肉色丝袜足j| 亚洲国产看品久久| 国产高清国产精品国产三级| 亚洲性夜色夜夜综合| 亚洲熟妇熟女久久| 老鸭窝网址在线观看| 日本一区二区免费在线视频| 国产高清videossex| 久久国产亚洲av麻豆专区| 丝袜美足系列| 妹子高潮喷水视频| 欧美老熟妇乱子伦牲交| 欧美在线一区亚洲| 国产激情久久老熟女| 欧美精品亚洲一区二区| 国产精品久久久av美女十八| 最黄视频免费看| 变态另类成人亚洲欧美熟女 | 国产成人免费无遮挡视频| 久久天堂一区二区三区四区| 成人18禁在线播放| 欧美黑人精品巨大| 美女扒开内裤让男人捅视频| av在线播放免费不卡| 老司机午夜十八禁免费视频| 亚洲精品在线观看二区| 精品久久久久久电影网| 999久久久国产精品视频| 日本av免费视频播放| 国产精品亚洲一级av第二区| 麻豆av在线久日| 一边摸一边抽搐一进一出视频| 亚洲性夜色夜夜综合| 一区二区三区国产精品乱码| 午夜福利免费观看在线| 黄色毛片三级朝国网站| 欧美激情极品国产一区二区三区| 一级毛片女人18水好多| 91精品三级在线观看| 成人影院久久| 欧美老熟妇乱子伦牲交| 国产精品一区二区免费欧美| 黄片小视频在线播放| 色尼玛亚洲综合影院| 精品一区二区三卡| 人妻久久中文字幕网| 丁香六月天网| 18禁裸乳无遮挡动漫免费视频| 嫩草影视91久久| 国产欧美日韩综合在线一区二区| 18禁观看日本| 视频区图区小说| 成人av一区二区三区在线看| 99精品久久久久人妻精品| 精品国产超薄肉色丝袜足j| 十八禁人妻一区二区| 一级a爱视频在线免费观看| 国产成人精品无人区| 欧美性长视频在线观看| 51午夜福利影视在线观看| 国产亚洲精品一区二区www | 久久久久国产一级毛片高清牌| 国产亚洲精品第一综合不卡| 一本—道久久a久久精品蜜桃钙片| 精品一区二区三区视频在线观看免费 | 亚洲精品粉嫩美女一区| av福利片在线| 亚洲一区中文字幕在线| 国产精品.久久久| 亚洲欧洲日产国产| 99国产极品粉嫩在线观看| 1024香蕉在线观看| 久久精品人人爽人人爽视色| 大香蕉久久成人网| 国产男女内射视频| 天天躁日日躁夜夜躁夜夜| 考比视频在线观看| 极品人妻少妇av视频| 激情在线观看视频在线高清 | 国产欧美亚洲国产| 亚洲国产中文字幕在线视频| 好男人电影高清在线观看| 99国产精品一区二区蜜桃av | 99国产精品一区二区三区| 99久久国产精品久久久| bbb黄色大片| 日本wwww免费看| 99香蕉大伊视频| 大码成人一级视频| 在线观看免费高清a一片| 无遮挡黄片免费观看| 大香蕉久久成人网| 日韩免费高清中文字幕av| 国产精品免费一区二区三区在线 | 久久中文看片网| 在线av久久热| 精品国产超薄肉色丝袜足j| 叶爱在线成人免费视频播放| 国产一区二区 视频在线| 伊人久久大香线蕉亚洲五| 老鸭窝网址在线观看| 精品卡一卡二卡四卡免费| 亚洲,欧美精品.| 久久久久久亚洲精品国产蜜桃av| 一边摸一边做爽爽视频免费| 国产精品自产拍在线观看55亚洲 | 黑人巨大精品欧美一区二区mp4| 午夜福利在线观看吧| 国产精品亚洲一级av第二区| 国产av又大| 国产一区二区三区视频了| 国产熟女午夜一区二区三区| 成人国产一区最新在线观看| 夜夜夜夜夜久久久久| 国产野战对白在线观看| 老司机福利观看| 99re在线观看精品视频| 国产高清videossex| 欧美黄色片欧美黄色片| 丁香六月欧美| 欧美日韩亚洲综合一区二区三区_| 精品久久久精品久久久| 51午夜福利影视在线观看| 国产精品久久久久久精品电影小说| 夜夜爽天天搞| 热re99久久精品国产66热6| 亚洲av国产av综合av卡| 欧美亚洲日本最大视频资源| 人人妻人人澡人人看| 成人国产一区最新在线观看| 18禁裸乳无遮挡动漫免费视频| 啦啦啦免费观看视频1| 色婷婷av一区二区三区视频| 女性生殖器流出的白浆| 久久人人爽av亚洲精品天堂| av有码第一页| 亚洲专区字幕在线| 天天操日日干夜夜撸| 亚洲欧美日韩另类电影网站| 一区在线观看完整版| 男人舔女人的私密视频| 国产成人欧美在线观看 | 亚洲一码二码三码区别大吗| 一级黄色大片毛片| tocl精华| 大型黄色视频在线免费观看| 国产单亲对白刺激| 在线永久观看黄色视频| 天堂8中文在线网| 19禁男女啪啪无遮挡网站| 精品国产国语对白av| 亚洲欧美一区二区三区黑人| 国产精品98久久久久久宅男小说| 日本av免费视频播放| 亚洲专区中文字幕在线| 首页视频小说图片口味搜索| 久久亚洲精品不卡| 亚洲欧美日韩高清在线视频 | 不卡av一区二区三区| 男女下面插进去视频免费观看| 少妇 在线观看| 久久午夜亚洲精品久久| 自线自在国产av| 少妇的丰满在线观看| 精品一品国产午夜福利视频| 黑人欧美特级aaaaaa片| 午夜福利在线免费观看网站| 久久精品亚洲熟妇少妇任你| 丝袜人妻中文字幕| 男人舔女人的私密视频| 欧美成人免费av一区二区三区 | 欧美成人午夜精品| 午夜福利在线观看吧| 美女国产高潮福利片在线看| 亚洲av日韩在线播放| 一区二区三区乱码不卡18| 亚洲精品国产精品久久久不卡| 青青草视频在线视频观看| 亚洲国产看品久久| 久久久国产一区二区| videos熟女内射| bbb黄色大片| 成人av一区二区三区在线看| 波多野结衣一区麻豆| 又紧又爽又黄一区二区| 久久精品成人免费网站| 水蜜桃什么品种好| 亚洲黑人精品在线| 成年版毛片免费区| 纵有疾风起免费观看全集完整版| 成年人午夜在线观看视频| 中文字幕另类日韩欧美亚洲嫩草| 在线观看舔阴道视频| 午夜福利免费观看在线| 精品卡一卡二卡四卡免费| 女人久久www免费人成看片| 午夜免费鲁丝| 一二三四社区在线视频社区8| 正在播放国产对白刺激| 国产精品免费一区二区三区在线 | av片东京热男人的天堂| 国产日韩欧美亚洲二区| 中文字幕色久视频| av在线播放免费不卡| 2018国产大陆天天弄谢| 一区二区日韩欧美中文字幕| 免费一级毛片在线播放高清视频 | 激情视频va一区二区三区| 日本vs欧美在线观看视频| 两个人免费观看高清视频| 色视频在线一区二区三区| 19禁男女啪啪无遮挡网站| 欧美国产精品va在线观看不卡| 最新的欧美精品一区二区| 999久久久国产精品视频| 久久久国产一区二区| 日本黄色日本黄色录像| 国产精品久久久久成人av| 免费看十八禁软件| 日本五十路高清| 大码成人一级视频| 精品视频人人做人人爽| 久久久精品94久久精品| 亚洲欧美一区二区三区久久| 国产成人精品在线电影| 午夜91福利影院| 国产精品自产拍在线观看55亚洲 | 女人爽到高潮嗷嗷叫在线视频| 久久精品人人爽人人爽视色| 王馨瑶露胸无遮挡在线观看| 精品久久久久久久毛片微露脸| 色播在线永久视频| 黄色视频,在线免费观看| 丰满少妇做爰视频| 少妇裸体淫交视频免费看高清 | 自线自在国产av| 精品久久久久久电影网| 亚洲国产毛片av蜜桃av| 欧美另类亚洲清纯唯美| 少妇被粗大的猛进出69影院| 欧美精品av麻豆av| 欧美老熟妇乱子伦牲交| 我的亚洲天堂| 亚洲中文av在线| 99九九在线精品视频| 黄频高清免费视频| 757午夜福利合集在线观看| 色精品久久人妻99蜜桃| 成人特级黄色片久久久久久久 | 大片免费播放器 马上看| 欧美日韩亚洲综合一区二区三区_| 五月天丁香电影| av超薄肉色丝袜交足视频| 久久久久久免费高清国产稀缺| 麻豆国产av国片精品| 国产欧美日韩一区二区三区在线| 老司机午夜十八禁免费视频| 欧美精品高潮呻吟av久久| 2018国产大陆天天弄谢| 美女高潮喷水抽搐中文字幕| 日日摸夜夜添夜夜添小说| 免费观看人在逋| 欧美精品亚洲一区二区| 免费观看a级毛片全部| 日本五十路高清| 国产激情久久老熟女| 久久av网站| 男女免费视频国产| 欧美性长视频在线观看| 国产精品偷伦视频观看了| 韩国精品一区二区三区| 欧美黄色淫秽网站| 男女无遮挡免费网站观看| 国产精品欧美亚洲77777| 亚洲成人国产一区在线观看| 99精品在免费线老司机午夜| videosex国产| 久久精品亚洲精品国产色婷小说| 国产免费福利视频在线观看| 下体分泌物呈黄色| 国产黄频视频在线观看| 欧美 日韩 精品 国产| 国产成人免费观看mmmm| av在线播放免费不卡| 成人18禁高潮啪啪吃奶动态图| 亚洲久久久国产精品| 真人做人爱边吃奶动态| 肉色欧美久久久久久久蜜桃| 精品福利观看| 视频在线观看一区二区三区| 欧美亚洲日本最大视频资源| 亚洲国产av影院在线观看| 日韩视频在线欧美| 久久午夜综合久久蜜桃| 亚洲精品粉嫩美女一区| 无限看片的www在线观看| a级毛片在线看网站| 国产成人欧美| 日韩一卡2卡3卡4卡2021年| 少妇精品久久久久久久| 精品国产乱子伦一区二区三区| 久久亚洲真实| 丁香六月天网| 亚洲精品av麻豆狂野| 久久精品91无色码中文字幕|