• <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 ?

    基于長短期記憶網(wǎng)絡(luò)的智能用電數(shù)據(jù)甄別方法

    2019-03-18 02:43:36羅慧劉梅招周鈺山張宸潘文文劉陽衛(wèi)志農(nóng)
    廣東電力 2019年2期
    關(guān)鍵詞:電表時刻用電

    羅慧,劉梅招,周鈺山,張宸,潘文文,劉陽,衛(wèi)志農(nóng)

    (1. 國網(wǎng)江蘇省電力有限公司運(yùn)營監(jiān)測(控)中心,江蘇 南京 211100;2. 河海大學(xué) 能源與電氣學(xué)院,江蘇 南京 210098)

    隨著計算機(jī)、通信、傳感器技術(shù)在電網(wǎng)中的廣泛應(yīng)用,配電網(wǎng)運(yùn)營監(jiān)測業(yè)務(wù)的不斷推進(jìn)以及大量監(jiān)測計量裝置的安裝部署,電力系統(tǒng)在實(shí)際運(yùn)行過程中產(chǎn)生海量的電流、電壓及有功功率等時間序列數(shù)據(jù),這些時間序列有著明顯的時序性特征,隨著時間的變化而變化,且彼此之間相互關(guān)聯(lián)。時間序列數(shù)據(jù)中包含了豐富的電力用戶用電行為信息和特征,從而為電力系統(tǒng)用戶負(fù)荷預(yù)測、計劃停電管理、電氣設(shè)備檢修、優(yōu)化調(diào)度、合理應(yīng)對大用戶電力負(fù)荷變化對電網(wǎng)造成破壞性沖擊、控制電網(wǎng)穩(wěn)定、經(jīng)濟(jì)高效運(yùn)行等工作的建模與預(yù)測工作提供科學(xué)的數(shù)據(jù)基礎(chǔ)與指導(dǎo)依據(jù),實(shí)現(xiàn)電網(wǎng)企業(yè)為電力用戶提供個性化可靠供電服務(wù)。對這些數(shù)據(jù)的有效挖掘應(yīng)用,能夠進(jìn)一步促進(jìn)配電變壓器臺區(qū)的安全經(jīng)濟(jì)運(yùn)行,同時這也是目前配電網(wǎng)所面臨的一大挑戰(zhàn)。

    然而,在時間序列中經(jīng)常出現(xiàn)與其他數(shù)據(jù)相比數(shù)值波動有著明顯差異的觀測點(diǎn),也就是異常點(diǎn)。異常點(diǎn)破壞了電力系統(tǒng)正常運(yùn)行時電流、電壓和功率的變化規(guī)律與特征,在用這些異常甚至錯誤的數(shù)據(jù)進(jìn)行其他相關(guān)業(yè)務(wù)建模與分析工作時,容易增加模型的復(fù)雜度或者降低模型的有效性,有時還會導(dǎo)致錯誤的結(jié)論。因此,有必要對時間序列中存在的異常數(shù)據(jù)進(jìn)行檢測與甄別,進(jìn)一步采用相關(guān)數(shù)據(jù)挖掘方法對這些數(shù)據(jù)進(jìn)行剔除或者再分析,從而提高數(shù)據(jù)的準(zhǔn)確性及可利用價值,為開展用戶負(fù)荷預(yù)測等其他重要業(yè)務(wù)提供科學(xué)、合理、可靠的數(shù)據(jù)保障[1-3]。

    在此背景下,對異常點(diǎn)的檢測可有效發(fā)現(xiàn)電表采集數(shù)據(jù)中的潛在問題,異常點(diǎn)檢測作為一項(xiàng)數(shù)據(jù)挖掘手段,在智能用電系統(tǒng)中起到了非常重要的作用。異常數(shù)據(jù)檢測可以及時發(fā)現(xiàn)用電數(shù)據(jù)時間序列中的異常點(diǎn),恢復(fù)電力系統(tǒng)正常運(yùn)行時電流、電壓和功率的變化規(guī)律與特征,提高數(shù)據(jù)質(zhì)量,并對故障電表及時進(jìn)行檢測和維修。

    時間序列異常點(diǎn)檢測作為一個相對成熟的研究領(lǐng)域,到目前為止已經(jīng)出現(xiàn)了諸多方法,通常情況下可以分為無監(jiān)督和有監(jiān)督2種類型。其中,無監(jiān)督檢測方法主要有聚類方法,在文獻(xiàn)[4-9]中距離聚類、密度聚類、模糊聚類等算法被提出用于尋找離群的數(shù)據(jù)點(diǎn),以實(shí)現(xiàn)異常值檢測。此類算法直觀簡單,但是對極值和噪聲較為敏感,且模型屬性構(gòu)建不明確,難以設(shè)定各屬性的變化范圍。此外,頻域譜分析法[10]、滑動窗口分析法[11]和時間序列法[12]等方法也被提出用于提升檢測準(zhǔn)確度。另一方面,有監(jiān)督檢測方法旨在于建立預(yù)測模型學(xué)習(xí)歷史時間序列的分布規(guī)律,在此基礎(chǔ)上判斷下一時刻點(diǎn)是否屬于合理范圍內(nèi)[13]。人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)模型基于大量數(shù)據(jù)對網(wǎng)絡(luò)參數(shù)進(jìn)行訓(xùn)練,能夠擬合任意復(fù)雜非線性函數(shù)映射,因此是最常用的有監(jiān)督預(yù)測模型[14]。此外,在文獻(xiàn)[15-16]中,支持向量機(jī)(support vector machine,SVM)被提出用于異常點(diǎn)檢測,其基于結(jié)構(gòu)風(fēng)險最小化原則訓(xùn)練模型超參數(shù),對小樣本仍然具有良好的泛化能力,但其超參數(shù)范圍不易選取,運(yùn)行效率低。文獻(xiàn)[17]對機(jī)場噪聲時間序列降維并符號化,對時間序列進(jìn)行度量并根據(jù)度量結(jié)果利用k近鄰孤立因子進(jìn)行異常檢測,實(shí)現(xiàn)機(jī)場噪聲單監(jiān)測點(diǎn)時間序列異常檢測,該方法減少了數(shù)據(jù)量并提高了計算速度。文獻(xiàn)[18]為檢測出正弦時間序列中的高斯噪聲,對自回歸模型進(jìn)行改進(jìn),提出基于距離和距離因子遞推最小二乘的聯(lián)合異常值檢測算法,但該模型運(yùn)算復(fù)雜度高,實(shí)用性不強(qiáng)。文獻(xiàn)[5]。提出基于邊緣化后驗(yàn)比檢驗(yàn)的異常值在線監(jiān)測方法,并使用兩窗口降低了算法的復(fù)雜度,適用于處理大量數(shù)據(jù)場景,但在參數(shù)設(shè)置上存在一定的困難。文獻(xiàn)[19]將離散小波變換應(yīng)用于異常點(diǎn)檢測,取得了較好的結(jié)果。文獻(xiàn)[20]為避免混淆突變點(diǎn)與異常點(diǎn),結(jié)合線性濾波器和非線性濾波器,采用局部線性尺度近似法對異常點(diǎn)進(jìn)行檢測。文獻(xiàn)[21]將通信網(wǎng)絡(luò)核心性能指標(biāo)時間序列分解成周期分量、趨勢分量、隨機(jī)誤差分量及突發(fā)分量,對不同分量完成特征提取后進(jìn)行異常點(diǎn)檢測,對檢測大量長期數(shù)據(jù)效率較高[22-23]。文獻(xiàn)[24]中提出了一種基于負(fù)荷預(yù)測與關(guān)聯(lián)規(guī)則修正的不良數(shù)據(jù)辨識方法,該方法能夠在克服殘差污染和殘差淹沒現(xiàn)象的前提下準(zhǔn)確辨識出全部的不良數(shù)據(jù)。此外,卡爾曼濾波方法也經(jīng)常被用于異常數(shù)據(jù)辨識[25]。

    上述這些方法均基于統(tǒng)計學(xué)原理,認(rèn)為異常點(diǎn)在模型訓(xùn)練過程中表現(xiàn)為其擬合值遠(yuǎn)遠(yuǎn)偏離真實(shí)值[19]。在此思想指導(dǎo)下,利用偏差的異常值檢測方法,通過已知數(shù)據(jù)建立數(shù)學(xué)模型,然后依據(jù)擬合數(shù)據(jù)和真實(shí)值間誤差與設(shè)定閾值的大小關(guān)系來判斷該數(shù)據(jù)是否異常,其假設(shè)條件是擬合殘差服從均值為零的高斯分布[15]。然而,這些傳統(tǒng)方法諸如ANN、SVM等,均難于在大數(shù)據(jù)樣本上進(jìn)行訓(xùn)練,因而其檢測精度通常難以保證。因此,本文提出了一種基于深度學(xué)習(xí)的新型預(yù)測模型,即長短期記憶(long short-term memory,LSTM)網(wǎng)絡(luò)模型,能夠更好地學(xué)習(xí)數(shù)據(jù)之間的時序關(guān)系,減少數(shù)據(jù)序列的擬合誤差。本文主要貢獻(xiàn)在于:提出一種基于深度學(xué)習(xí)的LSTM網(wǎng)絡(luò)模型用于異常數(shù)據(jù)甄別,克服傳統(tǒng)機(jī)器學(xué)習(xí)方法在大數(shù)據(jù)樣本上性能不足的問題,進(jìn)一步提升檢測準(zhǔn)確性。為充分驗(yàn)證本文提出方法的可靠性和準(zhǔn)確性,分別選取人工添加噪聲的時間序列和實(shí)際工程故障的時間序列樣本進(jìn)行測試,在無故障情況下為異常檢測提供了一種可靠有效的檢測依據(jù)。

    1 電力系統(tǒng)用電數(shù)據(jù)特性

    用戶用電信息采集系統(tǒng)是用電領(lǐng)域最基礎(chǔ)的、也是十分重要的系統(tǒng)[26-28]。該系統(tǒng)通過對配電臺區(qū)變壓器和終端用戶的用電數(shù)據(jù)采集和分析,完成用電監(jiān)控、推行階梯定價、線損分析、負(fù)荷管理等業(yè)務(wù),最終達(dá)到自動抄表、用電檢查、錯峰用電、負(fù)荷預(yù)測和節(jié)約用電成本等目的。實(shí)時數(shù)據(jù)采集內(nèi)容主要有各相位電流、電壓、有功功率、無功功率和抄表電量。其中,前4項(xiàng)每15 min測量一次(每日產(chǎn)生96個數(shù)據(jù)點(diǎn)),抄表電量每日測量一次。在搜集到的實(shí)際用電采集數(shù)據(jù)中,主要存在數(shù)據(jù)斷點(diǎn)和異常點(diǎn)的問題。

    用電異常數(shù)據(jù)是指在用電數(shù)據(jù)時間序列中經(jīng)常出現(xiàn)與其他數(shù)據(jù)變化規(guī)律有明顯差異的觀測點(diǎn)。這些異常點(diǎn)破壞了電力系統(tǒng)正常運(yùn)行時電流、電壓和功率的變化規(guī)律與特征,影響了數(shù)據(jù)質(zhì)量。其出現(xiàn)的主要原因有:讀取、記錄及計算時產(chǎn)生的錯誤;數(shù)據(jù)庫合并重構(gòu)時發(fā)生錯誤;特殊事件導(dǎo)致的畸變數(shù)據(jù);由于計量裝置故障導(dǎo)致量測數(shù)據(jù)出現(xiàn)明顯誤差。異常點(diǎn)的存在導(dǎo)致數(shù)據(jù)質(zhì)量降低,嚴(yán)重影響建模過程與分析結(jié)果,不利于配電變壓器臺區(qū)監(jiān)測正常工作的開展。通常,電網(wǎng)公司運(yùn)營監(jiān)測中心采用限定數(shù)據(jù)區(qū)間、異常事件上報和分析電壓、電流、功率數(shù)據(jù)間的物理關(guān)系等方式篩選異常數(shù)據(jù),并制定異常數(shù)據(jù)甄別規(guī)則對海量數(shù)據(jù)進(jìn)行清洗。但這些手段不能有效區(qū)分計量異常導(dǎo)致測量誤差變化而形成的異常點(diǎn)。針對這一種情況,本文采用LSTM網(wǎng)絡(luò)擬合原始數(shù)據(jù),結(jié)合偏差理論判斷誤差是否超出閾值,從而實(shí)現(xiàn)電流、電壓及功率序列中異常數(shù)據(jù)的精確檢測。

    2 用電曲線異常數(shù)據(jù)甄別方法

    本文采用LSTM網(wǎng)絡(luò)模型用于電力系統(tǒng)中的用電曲線異常數(shù)據(jù)甄別,該模型屬于深層循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)的一種,能夠循環(huán)歷史時間序列并學(xué)習(xí)曲線分布規(guī)律。該模型被廣泛運(yùn)用于新能源預(yù)測和電力系統(tǒng)電曲線擬合,包括電壓、電流和功率等[29]。當(dāng)實(shí)際用電曲線發(fā)生異常時,擬合數(shù)據(jù)與真實(shí)數(shù)據(jù)存在較大誤差,可以通過設(shè)定閾值進(jìn)行甄別。該異常數(shù)據(jù)甄別模型結(jié)構(gòu)如圖1所示。

    圖1 基于深層RNN的異常數(shù)據(jù)甄別模型Fig.1 An anomaly data discrimination model based on deep RNN

    2.1 LSTM網(wǎng)絡(luò)模型

    LSTM網(wǎng)絡(luò)模型是深層RNN的改進(jìn),通過在隱含層增加新的單元狀態(tài)進(jìn)行信息的傳遞,重新設(shè)計了計算節(jié)點(diǎn),實(shí)現(xiàn)對遠(yuǎn)距離信息的有效控制,較好解決了梯度消失與梯度爆炸問題[30]。

    RNN是由輸入層、隱含層及輸出層組成的全連接神經(jīng)網(wǎng)絡(luò)[31],圖2所示為RNN結(jié)構(gòu)展開示意圖。其中:x為連接輸入層的輸入向量;U為輸入層與隱含層的權(quán)重矩陣;h為隱含層輸出,當(dāng)前時刻(t時刻)輸出ht由隱含層輸入經(jīng)權(quán)重矩陣和激活函數(shù)作用得到;V為隱含層與輸出層的權(quán)重矩陣。由此可得當(dāng)前時刻的輸出

    ot=g(Vht).

    (1)

    式中g(shù)(·)為輸出層激活函數(shù)。

    圖2 RNN結(jié)構(gòu)展開示意圖Fig.2 Schematic diagram of unfolding RNN structure

    RNN隱含層輸入值在當(dāng)前時刻包括2個部分:①t時刻輸入xt經(jīng)U作用后的值;②前一時刻t-1隱含層的輸出ht-1并經(jīng)權(quán)重矩陣W作用后的值。其中,權(quán)重矩陣W為前一時刻隱含層與當(dāng)前時刻隱含層間的連接權(quán)重。因此,當(dāng)前時刻隱含層輸出

    ht=k(Uxt+Wht-1).

    (2)

    式中k(·)為隱含層激活函數(shù)。

    從圖2中結(jié)構(gòu)可以看出,RNN展開后時序關(guān)系復(fù)雜,較長的網(wǎng)絡(luò)連接也使得模型的信息傳遞逐漸減少,進(jìn)而導(dǎo)致梯度消失問題。為了解決這一問題,LSTM網(wǎng)絡(luò)使用記憶單元狀態(tài)c存儲歷史記憶,代替RNN的連接,提升了模型的可靠性[32-33]。LSTM網(wǎng)絡(luò)包括記憶單元、“輸入門”“遺忘門”和“輸出門”,其結(jié)構(gòu)如圖3所示。

    (a)“遺忘門”結(jié)構(gòu)

    (b)“輸入門”結(jié)構(gòu)

    (c)當(dāng)前輸入單元狀態(tài)

    (d)當(dāng)前時刻單元狀態(tài)

    (e)“輸出門”計算

    (f)LSTM網(wǎng)絡(luò)完整結(jié)構(gòu)圖3 LSTM網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Network structure of LSTM

    LSTM網(wǎng)絡(luò)模型在t時刻含有3個輸入:當(dāng)前時刻網(wǎng)絡(luò)的外部輸入xt;前一時刻LSTM網(wǎng)絡(luò)隱含層輸出值ht-1;前一時刻單元狀態(tài)ct-1。LSTM網(wǎng)絡(luò)在t時刻含有2個輸出:當(dāng)前時刻LSTM網(wǎng)絡(luò)輸出值ht和當(dāng)前時刻單元狀態(tài)ct。

    LSTM網(wǎng)絡(luò)模型通過3個控制開關(guān)實(shí)現(xiàn)對單元狀態(tài)c的有效控制:“遺忘門”實(shí)現(xiàn)對前一時刻長期狀態(tài)ct-1的控制,決定前一時刻單元狀態(tài)ct-1保留到當(dāng)前時刻ct的程度;“輸入門”實(shí)現(xiàn)對當(dāng)前時刻輸入信息的控制,決定當(dāng)前時刻網(wǎng)絡(luò)輸入xt保存到單元狀態(tài)ct的程度;“輸出門”實(shí)現(xiàn)對當(dāng)前時刻長期狀態(tài)ct的控制,確定當(dāng)前時刻單元狀態(tài)ct傳遞到LSTM網(wǎng)絡(luò)當(dāng)前輸出值ht的信息量[34-35]。根據(jù)圖3,可以得到如下各“門”結(jié)構(gòu)的具體計算式[32]:

    a)當(dāng)前時刻“遺忘門”

    ft=σf(Wf[ht-1,xt]+bf).

    (3)

    式中:Wf為“遺忘門”權(quán)重矩陣;[ht-1,xt]表示將2個向量拼接;bf為“遺忘門”偏置項(xiàng);σf(·)為“遺忘門”激活函數(shù)。

    b)當(dāng)前時刻“輸入門”

    it=σi(Wi[ht-1,xt]+bi).

    (4)

    式中:Wi為“輸入門”權(quán)重矩陣;bi為“輸入門”偏置項(xiàng);σi(·)為“輸入門”激活函數(shù)。

    c)當(dāng)前輸入的單元狀態(tài)c′由前一時刻LSTM網(wǎng)絡(luò)輸出ht-1及當(dāng)前時刻輸入xt計算,計算式為

    (5)

    d)當(dāng)前時刻單元狀態(tài)

    (6)

    式中符號。表示按元素乘。此時,LSTM網(wǎng)絡(luò)將當(dāng)前記憶ct′和長期記憶ct-1相結(jié)合,形成新單元狀態(tài)ct。

    e)當(dāng)前時刻“輸出門”ot受到長期記憶對當(dāng)前輸出的影響,計算式為

    ot=σo(Wo[ht-1,xt]+bo).

    (7)

    式中:Wo為“輸出門”權(quán)重矩陣;bo為“輸出門”偏置項(xiàng);σo(·)為“輸出門”激活函數(shù)。

    f)LSTM網(wǎng)絡(luò)最終輸出由“輸出門”和單元狀態(tài)共同確定的,計算式為

    ht=ot。tanh(ct).

    (8)

    2.2 異常數(shù)據(jù)甄別具體流程

    通過建立智能分析模型,可以實(shí)現(xiàn)對異常數(shù)據(jù)的甄別,進(jìn)而提升監(jiān)測數(shù)據(jù)的質(zhì)量。本文使用LSTM網(wǎng)絡(luò)模型進(jìn)行異常數(shù)據(jù)甄別,流程如圖4所示。

    圖4 基于LSTM網(wǎng)絡(luò)的異常數(shù)據(jù)甄別流程Fig.4 Flowchart of anomaly data discrimination based on LSTM network

    圖4展示的異常數(shù)據(jù)甄別的具體步驟為:

    a)獲取歷史電流、電壓、功率數(shù)據(jù)曲線,以歷史一定長度的點(diǎn)為一組時間序列,作為訓(xùn)練樣本特征;該序列下一個時間點(diǎn)的數(shù)值作為樣本的標(biāo)簽。

    b)按照上述要求,將電流、電壓、功率的時間序列進(jìn)行滾動抽樣,構(gòu)成模型的學(xué)習(xí)樣本庫。

    c)設(shè)定LSTM網(wǎng)絡(luò)模型結(jié)構(gòu),包括LSTM網(wǎng)絡(luò)層的個數(shù)和層節(jié)點(diǎn)數(shù),模型梯度下降算法、迭代次數(shù)及目標(biāo)函數(shù)等。

    d)訓(xùn)練模型,并預(yù)測電流、電壓、電壓時間序列值,得到目標(biāo)模擬序列。

    e)將模擬序列和真實(shí)的時間序列相減,比較各點(diǎn)的誤差絕對值,檢查精度是否滿足要求。

    f)使用訓(xùn)練好的模型模擬目標(biāo)電表的用電曲線,將模擬曲線與實(shí)際曲線進(jìn)行比較,誤差大于閾值的點(diǎn)為異常點(diǎn)。

    3 算例分析

    本部分基于正常運(yùn)行計量裝置的用電數(shù)據(jù),使用原型聚類法、密度聚類法、概率密度法、LSTM網(wǎng)絡(luò)模型4種方法進(jìn)行測試,檢驗(yàn)異常數(shù)據(jù)甄別精度。本研究中的故障時間序列包括人工添加噪聲的時間序列和實(shí)際運(yùn)行工況下的故障時間序列,通過對故障時間序列進(jìn)行異常點(diǎn)甄別,對選出的異常點(diǎn)進(jìn)行分析。

    3.1 人工異常數(shù)據(jù)構(gòu)造

    已知某編號電表連續(xù)23 d的A相功率、電壓、電流曲線。分別在A相功率、電壓、電流曲線中加入噪聲,生成100個人為異常點(diǎn),異常點(diǎn)的位置為第1 000點(diǎn)至2 000點(diǎn),每10點(diǎn)添加一個噪聲點(diǎn)。以電壓為例,在電壓曲線中添加噪聲為符合正態(tài)分布的均值為0,方差為0.5 V2的隨機(jī)數(shù)列。含噪聲電壓曲線與原始正常電壓曲線對比如圖5所示。

    圖5 電壓曲線添加噪聲前后對比Fig.5 Comparison of voltage curves before and after adding noises

    3.2 異常數(shù)據(jù)甄別模型建立與仿真

    本研究中,分別采用原型聚類法、密度聚類法、概率密度法、傳統(tǒng)神經(jīng)網(wǎng)絡(luò)法和LSTM算法進(jìn)行異常點(diǎn)甄別,對各類方法進(jìn)行參數(shù)設(shè)置,見表1。

    表1 LSTM網(wǎng)絡(luò)模型結(jié)構(gòu)及參數(shù)
    Tab.1 Structure and parameters of LSTM network model

    模型層模型超參數(shù)訓(xùn)練參數(shù)個數(shù)輸入層輸入個數(shù):96LSTM網(wǎng)絡(luò)層節(jié)點(diǎn)數(shù):8;激活函數(shù):tanh320全連接層節(jié)點(diǎn)數(shù):4;激活函數(shù):sigmoid36全連接層(輸出層)節(jié)點(diǎn)數(shù):1;激活函數(shù):sigmoid5

    a)聚類方法參數(shù)。原型聚類法中聚類類別設(shè)置為3,異常值點(diǎn)判斷準(zhǔn)則閾值設(shè)置為5,聚類最大循環(huán)次數(shù)為500,距離函數(shù)采用歐式距離。將電壓實(shí)際值、電壓變化值作為聚類屬性。密度聚類模型中最大距離設(shè)置為0.5,樣本點(diǎn)歸一化范圍為(0,4),每一類別的最少樣本個數(shù)為5,距離函數(shù)為歐式距離。概率密度模型采用ksdensity函數(shù)擬合電壓變化率時間序列的概率分布,獲得概率密度函數(shù),結(jié)合其概率密度函數(shù),獲得電壓變化率出現(xiàn)某一值時的概率。

    b)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型參數(shù)。該神經(jīng)網(wǎng)絡(luò)模型為一個典型的單隱層神經(jīng)網(wǎng)絡(luò),屬于淺層網(wǎng)絡(luò)模型,其中包含輸入層(96×1序列輸入)、隱含層(8節(jié)點(diǎn))和輸出層(1節(jié)點(diǎn))。模型優(yōu)化選擇標(biāo)準(zhǔn)梯度下降算法,迭代次數(shù)400次,目標(biāo)函數(shù)為模型輸出值與真實(shí)值的均方誤差。模型使用最近歷史96點(diǎn)的數(shù)據(jù)預(yù)測下一時刻的電流值(采樣間隔15 min)。

    c)LSTM網(wǎng)絡(luò)模型參數(shù)設(shè)置為4層RNN輸入層、1層LSTM網(wǎng)絡(luò)層、1層全連接隱含層、1層全連接輸出層,見表1。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型一致,使用最近歷史96點(diǎn)的數(shù)據(jù)預(yù)測下一時刻的電流值(采樣間隔15 min)。模型優(yōu)化為帶動量的隨機(jī)梯度下降算法,迭代次數(shù)為400,訓(xùn)練樣本中驗(yàn)證集所占比率為5%。目標(biāo)函數(shù)為模型輸出值與真實(shí)值的均方誤差。具體模型結(jié)構(gòu)見表1。

    確定模型參數(shù)并建立模型后,使用未添加噪聲信號的時間序列建立訓(xùn)練樣本庫,訓(xùn)練LSTM網(wǎng)絡(luò)模型并學(xué)習(xí)曲線的變化規(guī)律。訓(xùn)練完畢后,使用LSTM網(wǎng)絡(luò)模型滾動預(yù)測獲得模擬電壓曲線,將模擬電壓結(jié)果與噪聲電壓相比較,如圖6所示??梢钥闯?,模擬電壓曲線較平穩(wěn)地反映出了實(shí)際電壓的變化趨勢和規(guī)律,與噪聲電壓相比,部分異常噪聲點(diǎn)的誤差十分明顯。

    圖6 使用LSTM網(wǎng)絡(luò)模型模擬電壓曲線Fig.6 Simulated voltage curves by using LSTM network model

    其中,為了甄別誤差較大的異常點(diǎn),設(shè)置篩選異常點(diǎn)的閾值為電壓歷史數(shù)據(jù)變化幅度的5%,即1.12 V。當(dāng)模擬電壓與噪聲電壓之間的差的絕對值大于閾值,則該點(diǎn)電壓判定為異常值。選用正確率和誤判率作為指標(biāo),即

    (9)

    式中:kac、ker分別為檢測正確率、誤判率;Nb為異常點(diǎn)個數(shù);NT為正確判定的異常點(diǎn)數(shù);NF為判斷錯誤的點(diǎn)數(shù)。

    通過改變噪聲大小,進(jìn)行多次檢測試驗(yàn),可以得到檢測結(jié)果見表2。

    表2 異常點(diǎn)檢測結(jié)果
    Tab.2 Detection results of anomaly data

    類型噪聲方差LSTM網(wǎng)絡(luò)kac/%ker/%傳統(tǒng)神經(jīng)網(wǎng)絡(luò)kac/%ker/%電壓0.5 V285.0022.7352.0056.75電壓0.75 V278.0017.0259.0056.05電流0.01 A280.0023.0859.0049.03電流0.05 A282.0029.9165.0047.19功率0.01 kW257.0032.1474.0032.87功率0.05 kW274.0026.7377.0030.63平均76.0025.2764.3345.42類型原型聚類kac/%ker/%密度聚類kac/%ker/%概率密度kac/%ker/%電壓55.0055.6545.0043.0477.0037.90電壓58.0055.3855.0051.7564.0052.24電流60.0048.7257.0051.2867.0054.42電流66.0045.4560.0050.8271.0046.21功率77.0031.8671.0029.7073.0039.67功率78.0029.7377.0022.2278.0030.36平均65.6744.4760.83 41.4771.6743.47

    從該比較結(jié)果可以看出,在不同的聚類方法中,原型聚類法檢測出來的異常點(diǎn)個數(shù)較多,因此其誤檢率最高;密度聚類法不能有效檢測出異常點(diǎn),其檢測正確率最低;概率密度法較為靈敏,可以檢測出大部分存在異常的點(diǎn),但仍有較大的誤判可能性。對于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型,其檢測原理是直接將歷史數(shù)據(jù)輸入,進(jìn)而對下一時刻的電表數(shù)據(jù)點(diǎn)進(jìn)行簡單預(yù)測,無法考慮數(shù)據(jù)直接的相關(guān)性,其可行性較差。根據(jù)表2的檢測結(jié)果,傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的檢測正確率與原型聚類方法相近,稍高于密度聚類法;而其誤檢率極高,甚至超過原型聚類方法的誤檢率。這是由于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)僅做了簡單預(yù)測,沒有考慮電表數(shù)據(jù)之間的相關(guān)性。而本文提出的LSTM檢測法,其中所用模型既建立了歷史電表數(shù)據(jù)與未來時刻電表數(shù)據(jù)的映射關(guān)系,又同時考慮了電表數(shù)據(jù)點(diǎn)之間的相關(guān)性。從比較結(jié)果可以看出,本文所提方法平均檢測正確率最高,達(dá)到76%;且同時具有最低誤檢測可能性,誤檢率僅25.27%。

    3.3 異常數(shù)據(jù)甄別精度對比測試

    為了驗(yàn)證異常點(diǎn)LSTM檢測法在實(shí)際用電曲線序列中的效果,取故障電表A從2017-04-08日至2017-06-08日共計5 952點(diǎn)A相電壓值序列。通過滾動抽樣連續(xù)96點(diǎn)序列構(gòu)建學(xué)習(xí)樣本庫,樣本標(biāo)簽為序列下一點(diǎn)電壓值,據(jù)此獲得訓(xùn)練樣本。使用該訓(xùn)練樣本訓(xùn)練LSTM網(wǎng)絡(luò)模型,并選取測試集樣本評估模型性能。

    在測試集樣本中,使用LSTM算法對2017-06-09日第1至96點(diǎn)電壓值進(jìn)行模擬,比較模擬值與實(shí)際值。實(shí)際故障電表A電壓如圖7所示,在第33點(diǎn)至64點(diǎn)處電壓與其余點(diǎn)電壓相比明顯偏小,且經(jīng)過突變后電壓恢復(fù)正常范圍。確定第33點(diǎn)至64點(diǎn)為異常點(diǎn),異常原因?qū)儆陔妷浩?,異常點(diǎn)甄別有效。

    圖7 實(shí)際故障電表A電壓(2017-06-09)Fig.7 Voltage series of actual faulty meter A

    取故障電表B從2017-04-03日至2017-06-03日共計5 856點(diǎn)A相電壓值序列,使用LSTM算法對2017-06-04日第1至96點(diǎn)電壓值進(jìn)行模擬,比較模擬值與實(shí)際值。從圖8所示的實(shí)際故障電表B電壓值可以看出,在第72、74、76點(diǎn)處電壓與其余點(diǎn)電壓相比明顯偏大,最高達(dá)到274.8 V,屬于曲線的明顯毛刺,且隨后電壓經(jīng)過突變恢復(fù)正常。將其判定為異常點(diǎn),異常原因?qū)儆陔妷寒惓8?、電壓突變,異常點(diǎn)甄別有效。

    圖8 實(shí)際故障電表B電壓(2017-06-04)Fig.8 Voltage series of actual faulty meter B

    同理,實(shí)際故障電表的電流和功率異常點(diǎn)也可以通過LSTM網(wǎng)絡(luò)模型的模擬得出,其中電流和功率異常點(diǎn)檢測結(jié)果如圖9所示??梢钥闯?,在故障電表的測試集樣本中,第22、34、55及60點(diǎn)處存在異常點(diǎn),其模擬值與實(shí)際值的誤差超過閾值,實(shí)際反映出的異常原因?yàn)殡娏骰蚬β实漠惓M蛔?,與模型甄別結(jié)果一致。

    圖9 實(shí)際故障電表電流和功率(2017-05-02)Fig.9 Current and power series of actual faulty meter

    本文研究的算例數(shù)據(jù)主要來源于電網(wǎng)配電變壓器臺區(qū)的專用變壓器數(shù)據(jù)。特別是對于居民用電負(fù)荷,雖然其用電數(shù)據(jù)波動較大,但是由于其具有較為明顯的日相關(guān)性和日周期性規(guī)律,LSTM網(wǎng)絡(luò)模型能夠?qū)W習(xí)這種特性并提升預(yù)測精度,進(jìn)而能夠有效挖掘出特定的異常點(diǎn)。此外,由于LSTM網(wǎng)絡(luò)模型同時建立了歷史數(shù)據(jù)與待預(yù)測數(shù)據(jù)的映射關(guān)系和歷史數(shù)據(jù)之間的映射關(guān)系,克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測精度差的問題,成功地將預(yù)測方法和深度學(xué)習(xí)技術(shù)引入了異常數(shù)據(jù)甄別領(lǐng)域,并提升了異常檢測的準(zhǔn)確性。

    通過本研究中算例分析,無論是人工添加噪聲的異常曲線或是實(shí)際運(yùn)行故障的異常曲線,在保證有足夠量歷史訓(xùn)練樣本的前提下,本文所提出的基于LSTM網(wǎng)絡(luò)的甄別方法都能夠有效檢測。此外該研究結(jié)果同時表明,在實(shí)際運(yùn)行工況中若無故障曲線,可以通過人為添加噪聲點(diǎn)構(gòu)造異常曲線,以此試驗(yàn)異常數(shù)據(jù)甄別方法的準(zhǔn)確性和可靠性。因此,本文提出的方法作為一種基于深度學(xué)習(xí)的異常甄別手段,進(jìn)一步提升了異常檢測的準(zhǔn)確性和靠性,能夠有效地指導(dǎo)電力系統(tǒng)的運(yùn)行檢修人員,進(jìn)而及時對異常電表進(jìn)行排查維護(hù)。

    4 結(jié)束語

    本文結(jié)合當(dāng)下人工智能和深度學(xué)習(xí)領(lǐng)域研究熱點(diǎn),對用電異常數(shù)據(jù)甄別開展了如下研究:

    a)獲取計量裝置歷史電壓數(shù)據(jù)曲線,以連續(xù)96點(diǎn)數(shù)據(jù)為一組時間序列,采用滾動抽樣作為訓(xùn)練樣本特征。樣本標(biāo)簽設(shè)置為每一組時間序列下一個時間點(diǎn)數(shù)據(jù)值,構(gòu)建學(xué)習(xí)樣本庫。同時,分別測試了人工添加噪聲的時間序列和實(shí)際運(yùn)行工況下的故障時間序列,充分驗(yàn)證了本文所提出方法的優(yōu)越性。在智能電網(wǎng)大數(shù)據(jù)發(fā)展背景下,因電表數(shù)據(jù)采集和存儲技術(shù)的不斷提升,可獲得大量的歷史訓(xùn)練數(shù)據(jù)樣本,為基于深度學(xué)習(xí)方法的異常數(shù)據(jù)甄別手段提供了可靠的保證。

    b)提出了一種基于新型深層神經(jīng)網(wǎng)絡(luò)模型的異常數(shù)據(jù)甄別方法,即LSTM網(wǎng)絡(luò)模型。該模型能夠同時建立歷史數(shù)據(jù)與待預(yù)測數(shù)據(jù)的映射關(guān)系和歷史數(shù)據(jù)之間的映射關(guān)系,對目標(biāo)計量裝置的歷史用電曲線進(jìn)行有效擬合,進(jìn)而獲取更為準(zhǔn)確的電力系統(tǒng)模擬序列。通過設(shè)定閾值并將模擬序列和真實(shí)序列進(jìn)行比較,成功地將預(yù)測方法用于判斷篩選異常點(diǎn)。

    c)比較了所提出的LSTM檢測方法和原型聚類法、密度聚類法、概率密度法和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型在異常數(shù)據(jù)中的檢測正確率。比較結(jié)果顯示,本文提出的模型能夠?qū)v史序列數(shù)據(jù)進(jìn)行深層特征挖掘,并學(xué)習(xí)歷史序列中的時序規(guī)律,克服了傳統(tǒng)機(jī)器學(xué)習(xí)預(yù)測方法在異常檢測上的不足,異常甄別準(zhǔn)確率明顯提升。該方法適用于配電變壓器臺區(qū)下的專用變壓器用電數(shù)據(jù)和居民用電數(shù)據(jù),能夠有效地指導(dǎo)電力系統(tǒng)的運(yùn)行檢修人員,進(jìn)而及時對異常電表進(jìn)行排查維護(hù),保證了電力系統(tǒng)的長期穩(wěn)定可靠運(yùn)行。

    猜你喜歡
    電表時刻用電
    用電安全
    巧判電表測量對象
    冬“傲”時刻
    電表“對”與“錯”歸類巧掌握
    捕獵時刻
    用煤用電用氣保障工作的通知
    安全用電知識多
    用電安全要注意
    看電表
    街拍的歡樂時刻到來了
    国产日韩欧美视频二区| 国产欧美亚洲国产| 日韩视频一区二区在线观看| 两性夫妻黄色片| 亚洲第一欧美日韩一区二区三区 | a级毛片黄视频| www.自偷自拍.com| 高清视频免费观看一区二区| 免费人妻精品一区二区三区视频| 国产片内射在线| 精品卡一卡二卡四卡免费| 美女视频免费永久观看网站| kizo精华| 男女免费视频国产| 亚洲成国产人片在线观看| 高潮久久久久久久久久久不卡| 黄色成人免费大全| 他把我摸到了高潮在线观看 | 一级a爱视频在线免费观看| 一个人免费看片子| 99精国产麻豆久久婷婷| 日本撒尿小便嘘嘘汇集6| 日日夜夜操网爽| 激情视频va一区二区三区| 一区福利在线观看| 欧美精品一区二区大全| 少妇的丰满在线观看| 国产成人精品久久二区二区免费| 97在线人人人人妻| 俄罗斯特黄特色一大片| 99热网站在线观看| 一本久久精品| 国产一区有黄有色的免费视频| 免费高清在线观看日韩| 日本撒尿小便嘘嘘汇集6| 午夜日韩欧美国产| 人人妻,人人澡人人爽秒播| 岛国毛片在线播放| 操出白浆在线播放| 在线观看免费高清a一片| 悠悠久久av| 亚洲男人天堂网一区| 18在线观看网站| 久久久精品94久久精品| 黄色视频在线播放观看不卡| 精品人妻在线不人妻| 国产成人精品无人区| 成年女人毛片免费观看观看9 | 久久国产精品影院| 国产精品久久久人人做人人爽| 国产精品自产拍在线观看55亚洲 | 久久精品国产综合久久久| 久久久久久久国产电影| 视频区欧美日本亚洲| 99香蕉大伊视频| 一级毛片女人18水好多| 日韩中文字幕欧美一区二区| 亚洲第一青青草原| 亚洲色图 男人天堂 中文字幕| 久久热在线av| 建设人人有责人人尽责人人享有的| 国产精品久久久人人做人人爽| 久久亚洲真实| 久久久国产一区二区| 中文字幕精品免费在线观看视频| 日韩视频在线欧美| 一级,二级,三级黄色视频| 国产片内射在线| 在线观看免费视频日本深夜| 亚洲男人天堂网一区| 两性夫妻黄色片| 久久99热这里只频精品6学生| 欧美亚洲日本最大视频资源| av有码第一页| 日韩大片免费观看网站| 亚洲一区中文字幕在线| 亚洲国产看品久久| 亚洲精品自拍成人| 精品一区二区三区av网在线观看 | 亚洲av欧美aⅴ国产| 国产精品 欧美亚洲| 国产精品99久久99久久久不卡| 精品一品国产午夜福利视频| 亚洲精华国产精华精| 久久久久精品国产欧美久久久| 国产精品1区2区在线观看. | 免费高清在线观看日韩| 国产亚洲欧美精品永久| 侵犯人妻中文字幕一二三四区| 少妇被粗大的猛进出69影院| 国产欧美日韩一区二区精品| 国产免费视频播放在线视频| 丝瓜视频免费看黄片| 视频区欧美日本亚洲| aaaaa片日本免费| 搡老熟女国产l中国老女人| videos熟女内射| 免费观看av网站的网址| 一级毛片电影观看| 免费在线观看视频国产中文字幕亚洲| 国产主播在线观看一区二区| 午夜福利在线观看吧| 久久午夜综合久久蜜桃| 日韩免费av在线播放| 久久久国产精品麻豆| 国产麻豆69| 女人爽到高潮嗷嗷叫在线视频| 97在线人人人人妻| 亚洲精华国产精华精| 9色porny在线观看| 日韩免费av在线播放| 精品国产一区二区三区久久久樱花| 午夜老司机福利片| 久久精品亚洲熟妇少妇任你| 1024香蕉在线观看| 人成视频在线观看免费观看| 国产精品一区二区免费欧美| 狠狠精品人妻久久久久久综合| 国产男女超爽视频在线观看| 免费久久久久久久精品成人欧美视频| 欧美亚洲日本最大视频资源| 日韩欧美免费精品| 一级毛片电影观看| 老司机靠b影院| 日韩熟女老妇一区二区性免费视频| 日本wwww免费看| 两性午夜刺激爽爽歪歪视频在线观看 | 欧美精品人与动牲交sv欧美| 18禁美女被吸乳视频| 1024视频免费在线观看| 亚洲人成电影免费在线| 精品久久久久久电影网| 成人影院久久| 精品高清国产在线一区| 黄网站色视频无遮挡免费观看| 黄色 视频免费看| 97在线人人人人妻| 十八禁网站网址无遮挡| 久久天躁狠狠躁夜夜2o2o| 高清毛片免费观看视频网站 | 精品视频人人做人人爽| 男人操女人黄网站| 超碰成人久久| 天堂动漫精品| 亚洲精品乱久久久久久| 亚洲精品在线美女| 男女免费视频国产| 日日夜夜操网爽| 亚洲成人免费av在线播放| 交换朋友夫妻互换小说| av国产精品久久久久影院| 精品亚洲成国产av| 亚洲人成电影观看| 亚洲自偷自拍图片 自拍| 国产主播在线观看一区二区| 国产一区二区在线观看av| 热99国产精品久久久久久7| 欧美老熟妇乱子伦牲交| 操美女的视频在线观看| 午夜两性在线视频| 俄罗斯特黄特色一大片| 人人澡人人妻人| 丝瓜视频免费看黄片| 纵有疾风起免费观看全集完整版| 一级毛片精品| 一进一出好大好爽视频| 99久久精品国产亚洲精品| 一边摸一边抽搐一进一出视频| 国产91精品成人一区二区三区 | 免费少妇av软件| 久久精品成人免费网站| 色播在线永久视频| 另类亚洲欧美激情| 菩萨蛮人人尽说江南好唐韦庄| 五月天丁香电影| 国产91精品成人一区二区三区 | 久热这里只有精品99| 亚洲一卡2卡3卡4卡5卡精品中文| 成年人午夜在线观看视频| 亚洲,欧美精品.| 99久久国产精品久久久| 黑人巨大精品欧美一区二区mp4| 精品人妻熟女毛片av久久网站| 操美女的视频在线观看| 日韩一区二区三区影片| 免费观看人在逋| 精品第一国产精品| 天天影视国产精品| 99香蕉大伊视频| 在线 av 中文字幕| 女性生殖器流出的白浆| 色综合欧美亚洲国产小说| 欧美日韩黄片免| 国产av精品麻豆| 一级毛片电影观看| 亚洲av成人不卡在线观看播放网| 桃红色精品国产亚洲av| 亚洲专区字幕在线| 女性生殖器流出的白浆| 亚洲精品国产色婷婷电影| 亚洲 国产 在线| 人成视频在线观看免费观看| 精品久久久精品久久久| 亚洲成av片中文字幕在线观看| 色婷婷av一区二区三区视频| 妹子高潮喷水视频| 高清黄色对白视频在线免费看| xxxhd国产人妻xxx| 久久天堂一区二区三区四区| 国产区一区二久久| 999精品在线视频| 中文字幕另类日韩欧美亚洲嫩草| 啦啦啦在线免费观看视频4| 国产一区有黄有色的免费视频| 如日韩欧美国产精品一区二区三区| 精品久久久精品久久久| 国产欧美亚洲国产| 9色porny在线观看| 久久久精品免费免费高清| 亚洲国产av新网站| 妹子高潮喷水视频| 1024视频免费在线观看| 亚洲va日本ⅴa欧美va伊人久久| 黄片小视频在线播放| 99热网站在线观看| 12—13女人毛片做爰片一| 在线看a的网站| 人人澡人人妻人| 亚洲第一av免费看| 麻豆国产av国片精品| 亚洲午夜精品一区,二区,三区| 美女高潮到喷水免费观看| 欧美中文综合在线视频| 精品亚洲成a人片在线观看| 亚洲人成电影观看| 手机成人av网站| 人人妻人人澡人人爽人人夜夜| 中文字幕最新亚洲高清| 搡老岳熟女国产| 亚洲人成电影免费在线| 久久国产精品影院| 男女下面插进去视频免费观看| 啦啦啦中文免费视频观看日本| 精品视频人人做人人爽| 久久精品国产99精品国产亚洲性色 | 国产一卡二卡三卡精品| 精品欧美一区二区三区在线| 极品少妇高潮喷水抽搐| 精品熟女少妇八av免费久了| 天堂俺去俺来也www色官网| 中文字幕另类日韩欧美亚洲嫩草| 窝窝影院91人妻| 久热这里只有精品99| 夜夜夜夜夜久久久久| 亚洲三区欧美一区| 69av精品久久久久久 | 纵有疾风起免费观看全集完整版| 又黄又粗又硬又大视频| 久久久国产精品麻豆| 久久热在线av| 蜜桃在线观看..| 18禁裸乳无遮挡动漫免费视频| 久久久久久免费高清国产稀缺| 亚洲七黄色美女视频| 少妇猛男粗大的猛烈进出视频| 久久久精品免费免费高清| 国产区一区二久久| 亚洲精品在线观看二区| 麻豆国产av国片精品| 一二三四在线观看免费中文在| 黄色视频,在线免费观看| 黑人猛操日本美女一级片| 黑人巨大精品欧美一区二区mp4| 啦啦啦免费观看视频1| 丝袜美腿诱惑在线| 久9热在线精品视频| 亚洲精品av麻豆狂野| 飞空精品影院首页| 亚洲第一青青草原| 1024视频免费在线观看| 免费av中文字幕在线| 欧美精品啪啪一区二区三区| 亚洲av成人不卡在线观看播放网| 美女高潮到喷水免费观看| 汤姆久久久久久久影院中文字幕| 日本av手机在线免费观看| 伊人久久大香线蕉亚洲五| 久久人妻福利社区极品人妻图片| 久久天堂一区二区三区四区| 两性夫妻黄色片| 国产日韩一区二区三区精品不卡| 国产亚洲av高清不卡| 91精品三级在线观看| 精品一区二区三区四区五区乱码| 一本大道久久a久久精品| 一区福利在线观看| 99riav亚洲国产免费| 国产免费视频播放在线视频| 久久狼人影院| 又大又爽又粗| 两个人看的免费小视频| 国产一区二区三区视频了| 国产一区二区三区在线臀色熟女 | 少妇被粗大的猛进出69影院| 99热国产这里只有精品6| 大片免费播放器 马上看| 搡老岳熟女国产| 日韩大码丰满熟妇| 热re99久久国产66热| 日韩精品免费视频一区二区三区| 又大又爽又粗| 91大片在线观看| 新久久久久国产一级毛片| 精品福利永久在线观看| 欧美久久黑人一区二区| 自线自在国产av| 天堂中文最新版在线下载| 欧美大码av| 男人舔女人的私密视频| 亚洲一码二码三码区别大吗| 淫妇啪啪啪对白视频| 亚洲成人免费av在线播放| 欧美亚洲 丝袜 人妻 在线| 啦啦啦视频在线资源免费观看| 精品视频人人做人人爽| 亚洲国产av影院在线观看| 一区二区三区激情视频| 精品福利永久在线观看| 国产成人精品久久二区二区免费| 亚洲av美国av| 色综合欧美亚洲国产小说| 人人妻,人人澡人人爽秒播| 久久性视频一级片| 免费日韩欧美在线观看| 亚洲第一青青草原| 婷婷丁香在线五月| 亚洲专区中文字幕在线| 日韩大码丰满熟妇| 老司机深夜福利视频在线观看| 99re6热这里在线精品视频| 午夜久久久在线观看| 天天躁狠狠躁夜夜躁狠狠躁| 三级毛片av免费| 国产精品一区二区精品视频观看| 国产一区二区三区综合在线观看| 老司机午夜福利在线观看视频 | 19禁男女啪啪无遮挡网站| 美女扒开内裤让男人捅视频| 午夜精品国产一区二区电影| 色精品久久人妻99蜜桃| 午夜福利影视在线免费观看| 日韩三级视频一区二区三区| 免费av中文字幕在线| 精品亚洲成国产av| 成人黄色视频免费在线看| 久热爱精品视频在线9| 国产一区二区激情短视频| 欧美精品av麻豆av| 久久av网站| 国产人伦9x9x在线观看| 日韩欧美三级三区| 久久国产精品人妻蜜桃| 免费在线观看完整版高清| 制服人妻中文乱码| 在线永久观看黄色视频| 欧美久久黑人一区二区| 99在线人妻在线中文字幕 | 热re99久久精品国产66热6| 丝袜人妻中文字幕| 日韩中文字幕欧美一区二区| 成人手机av| 亚洲熟女毛片儿| 亚洲五月婷婷丁香| 国产高清视频在线播放一区| 精品一区二区三区四区五区乱码| 久久久国产欧美日韩av| 老司机午夜福利在线观看视频 | 精品一区二区三区四区五区乱码| 亚洲成人免费av在线播放| 一本—道久久a久久精品蜜桃钙片| 精品人妻1区二区| 亚洲免费av在线视频| 免费黄频网站在线观看国产| 亚洲国产欧美在线一区| av视频免费观看在线观看| 欧美国产精品一级二级三级| kizo精华| 国产99久久九九免费精品| 日本黄色日本黄色录像| 亚洲av成人一区二区三| 51午夜福利影视在线观看| 久久久久网色| 男女边摸边吃奶| 亚洲成人免费电影在线观看| 99精品久久久久人妻精品| 天天躁夜夜躁狠狠躁躁| 国产97色在线日韩免费| 日本欧美视频一区| √禁漫天堂资源中文www| 免费少妇av软件| 美女扒开内裤让男人捅视频| 欧美老熟妇乱子伦牲交| 国产av国产精品国产| 99在线人妻在线中文字幕 | 精品亚洲乱码少妇综合久久| 一本色道久久久久久精品综合| 国产又爽黄色视频| √禁漫天堂资源中文www| 欧美午夜高清在线| 亚洲 欧美一区二区三区| 国产精品九九99| 成人精品一区二区免费| 国产亚洲精品久久久久5区| 亚洲自偷自拍图片 自拍| 99国产精品一区二区蜜桃av | 在线永久观看黄色视频| 色视频在线一区二区三区| 十八禁网站网址无遮挡| 亚洲 欧美一区二区三区| 久久精品人人爽人人爽视色| 日韩免费高清中文字幕av| 男女之事视频高清在线观看| 少妇 在线观看| 日本av免费视频播放| 亚洲专区中文字幕在线| 亚洲精品乱久久久久久| 在线永久观看黄色视频| 99精品在免费线老司机午夜| 午夜福利,免费看| 2018国产大陆天天弄谢| 一级毛片女人18水好多| 国产精品一区二区精品视频观看| 19禁男女啪啪无遮挡网站| 国产片内射在线| 热99久久久久精品小说推荐| 黄色a级毛片大全视频| 成人免费观看视频高清| 无限看片的www在线观看| 亚洲精品粉嫩美女一区| 制服人妻中文乱码| 国产成人av教育| 99久久99久久久精品蜜桃| 久久毛片免费看一区二区三区| 精品一区二区三区四区五区乱码| 午夜视频精品福利| 国产成人精品无人区| 日韩免费高清中文字幕av| 国产深夜福利视频在线观看| 久久精品成人免费网站| 激情在线观看视频在线高清 | 精品免费久久久久久久清纯 | 热99久久久久精品小说推荐| 亚洲色图综合在线观看| 免费观看av网站的网址| 一边摸一边做爽爽视频免费| av福利片在线| 天天躁狠狠躁夜夜躁狠狠躁| svipshipincom国产片| 亚洲成人国产一区在线观看| 热re99久久国产66热| 亚洲七黄色美女视频| 女同久久另类99精品国产91| 午夜精品久久久久久毛片777| 男女午夜视频在线观看| 2018国产大陆天天弄谢| 精品人妻熟女毛片av久久网站| 亚洲成人手机| 亚洲一码二码三码区别大吗| 国产一区二区三区视频了| 老司机午夜十八禁免费视频| 韩国精品一区二区三区| 美女主播在线视频| 人人妻人人澡人人看| 成年版毛片免费区| 亚洲精品中文字幕一二三四区 | 考比视频在线观看| 成人18禁在线播放| 1024香蕉在线观看| 国产片内射在线| a级片在线免费高清观看视频| 男女高潮啪啪啪动态图| 热99久久久久精品小说推荐| 狂野欧美激情性xxxx| 国产在线一区二区三区精| 午夜老司机福利片| 国产亚洲精品第一综合不卡| 国产一区二区在线观看av| 极品少妇高潮喷水抽搐| 夜夜夜夜夜久久久久| 97在线人人人人妻| 国产成人av教育| 黄色成人免费大全| 久久99一区二区三区| 亚洲欧美精品综合一区二区三区| 国产精品美女特级片免费视频播放器 | 大香蕉久久成人网| 97在线人人人人妻| 搡老乐熟女国产| 露出奶头的视频| 色老头精品视频在线观看| 高清毛片免费观看视频网站 | 成人永久免费在线观看视频 | 自线自在国产av| 2018国产大陆天天弄谢| 黄色视频不卡| 亚洲午夜精品一区,二区,三区| 制服诱惑二区| 巨乳人妻的诱惑在线观看| 国产aⅴ精品一区二区三区波| 国产精品一区二区在线观看99| 老司机亚洲免费影院| 在线观看免费日韩欧美大片| 人人妻,人人澡人人爽秒播| 国产精品 欧美亚洲| 美女高潮到喷水免费观看| 亚洲午夜精品一区,二区,三区| 久9热在线精品视频| 国产在线观看jvid| 黑人欧美特级aaaaaa片| 精品国产一区二区三区久久久樱花| 在线观看66精品国产| 国产精品秋霞免费鲁丝片| 精品视频人人做人人爽| 久久 成人 亚洲| 亚洲一码二码三码区别大吗| 国产高清视频在线播放一区| 2018国产大陆天天弄谢| 亚洲中文av在线| 757午夜福利合集在线观看| 国产精品成人在线| 男女午夜视频在线观看| 国产精品一区二区免费欧美| 久久人妻熟女aⅴ| 一区二区三区激情视频| 少妇的丰满在线观看| 亚洲久久久国产精品| 精品国产国语对白av| 99riav亚洲国产免费| 国产男靠女视频免费网站| 成人影院久久| 精品国产乱码久久久久久男人| 日本黄色视频三级网站网址 | www日本在线高清视频| 麻豆国产av国片精品| 日韩视频在线欧美| 日日摸夜夜添夜夜添小说| 国产成人精品无人区| 午夜精品国产一区二区电影| 国产精品欧美亚洲77777| 美女高潮到喷水免费观看| 国产精品98久久久久久宅男小说| 亚洲人成伊人成综合网2020| 欧美老熟妇乱子伦牲交| 我要看黄色一级片免费的| 麻豆国产av国片精品| 国产淫语在线视频| 热re99久久国产66热| 久久精品成人免费网站| 精品亚洲成国产av| 午夜免费鲁丝| 精品福利永久在线观看| 嫩草影视91久久| 一级毛片电影观看| 叶爱在线成人免费视频播放| 亚洲精品中文字幕在线视频| 亚洲avbb在线观看| 国产精品.久久久| 国产精品98久久久久久宅男小说| 国产一区二区在线观看av| 国产伦理片在线播放av一区| 久久精品亚洲熟妇少妇任你| 免费在线观看黄色视频的| 亚洲精品久久成人aⅴ小说| 精品卡一卡二卡四卡免费| 桃红色精品国产亚洲av| 免费少妇av软件| 少妇猛男粗大的猛烈进出视频| 免费看十八禁软件| 无遮挡黄片免费观看| 人人澡人人妻人| 久久久久久久精品吃奶| 久久精品国产a三级三级三级| 亚洲精品国产色婷婷电影| 中文字幕另类日韩欧美亚洲嫩草| 每晚都被弄得嗷嗷叫到高潮| 多毛熟女@视频| 一个人免费在线观看的高清视频| 一区二区三区激情视频| 一级片'在线观看视频| 国产一区二区激情短视频| 黑人巨大精品欧美一区二区mp4| 一本色道久久久久久精品综合| 日本黄色日本黄色录像| 亚洲专区国产一区二区| 亚洲精品乱久久久久久| 大香蕉久久网| 亚洲五月色婷婷综合| 欧美黄色淫秽网站| 啦啦啦 在线观看视频| 又紧又爽又黄一区二区| 狂野欧美激情性xxxx| 女人久久www免费人成看片| 在线观看66精品国产| 中文字幕色久视频| 亚洲av日韩精品久久久久久密| 麻豆成人av在线观看| 精品欧美一区二区三区在线| 久久久国产精品麻豆| 热re99久久精品国产66热6| 国产激情久久老熟女| 天天添夜夜摸| 久久久久久免费高清国产稀缺| 午夜久久久在线观看| 香蕉丝袜av| 亚洲全国av大片|