• <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LSTM神經(jīng)網(wǎng)絡(luò)模型的泵站能耗預(yù)測(cè)

    2022-03-16 18:26:33王薪凱于忠清
    關(guān)鍵詞:能耗預(yù)測(cè)優(yōu)化

    王薪凱 于忠清

    摘要:為優(yōu)化泵站的工作方式,降低能耗,建立一種基于長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)的神經(jīng)網(wǎng)絡(luò)模型來(lái)對(duì)泵站的能耗進(jìn)預(yù)測(cè),優(yōu)化學(xué)習(xí)率、時(shí)間步長(zhǎng)、批處理、隱含層層數(shù)、訓(xùn)練次數(shù)等參數(shù)。將LSTM網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果與BP模型、RNN模型進(jìn)行對(duì)比,研究結(jié)果表明,基于LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)具有較高的精度和泛化能力。

    關(guān)鍵詞:LSTM網(wǎng)絡(luò)模型;能耗;預(yù)測(cè);優(yōu)化

    中圖分類(lèi)號(hào):TV675???????? 文獻(xiàn)標(biāo)志碼:A

    隨著中國(guó)工業(yè)化和城市化進(jìn)程的不斷推進(jìn),對(duì)水資源的需求量日益增長(zhǎng),由于污水量的增加,使污水處理面臨著巨大的挑戰(zhàn)[1]。一方面,中國(guó)水資源利用率低,基礎(chǔ)設(shè)施不完善,相比于發(fā)達(dá)國(guó)家,污水處理工藝相對(duì)落后,另一方面,污水處理屬于高能耗行業(yè),包括電能消耗、化學(xué)藥劑的使用及燃料的消耗,其中電耗占污水處理綜合能耗的比重較高,在降低污水處理能耗中有著舉足輕重的作用[2]。過(guò)多的電能消耗造成運(yùn)營(yíng)成本的增加和資源的浪費(fèi),不利于企業(yè)的發(fā)展和中國(guó)工業(yè)化進(jìn)程的推進(jìn),也不利于中國(guó)所倡導(dǎo)的可持續(xù)發(fā)展[3]。由于能耗數(shù)據(jù)具有時(shí)間序列的特性,目前BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)[4]、支持向量機(jī)(SVM)[5]、多元線(xiàn)性回歸模型[6]等傳統(tǒng)的人工智能算法在進(jìn)行預(yù)測(cè)時(shí)沒(méi)有考慮到延遲和滯后效應(yīng),無(wú)法解決長(zhǎng)期依賴(lài)問(wèn)題,具有局限性。隨著深度學(xué)習(xí)的不斷發(fā)展,LSTM模型憑借其優(yōu)勢(shì)逐漸興起,該模型能更加充分提取數(shù)據(jù)中的重要信息,發(fā)現(xiàn)數(shù)據(jù)之間的關(guān)系和規(guī)律,能有效地處理非線(xiàn)性和非平穩(wěn)序列數(shù)據(jù),具有良好的泛化能力,LSTM模型在建筑能耗預(yù)測(cè)[7],空調(diào)系統(tǒng)能耗預(yù)測(cè)[8],航空公司能耗預(yù)測(cè)[9]中應(yīng)用廣泛。相比于其他模型,在處理具有時(shí)間序列屬性的數(shù)據(jù)方面,LSTM模型表現(xiàn)出較高的預(yù)測(cè)精度和性能,但LSTM模型在泵站能耗領(lǐng)域的應(yīng)用并不多見(jiàn)。本文針對(duì)污水處理中泵站的能耗預(yù)測(cè)問(wèn)題,提出一種基于LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)方法,對(duì)學(xué)習(xí)率、時(shí)間步長(zhǎng)、批處理、隱含層層數(shù)、訓(xùn)練次數(shù)這些參數(shù)進(jìn)行優(yōu)化,通過(guò)與BP神經(jīng)網(wǎng)絡(luò)模型、RNN網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比,利用均方誤差(MSE)、平均絕對(duì)誤差(MAE)和均方根誤差(RMSE)這三種評(píng)價(jià)指標(biāo)進(jìn)行評(píng)估。

    1 研究方法

    1.1 RNN算法

    循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)是一種特殊的神經(jīng)網(wǎng)絡(luò)。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型是從輸入層到隱含層再到輸出層,層與層之間是全連接,每層的節(jié)點(diǎn)之間是無(wú)連接的,而RNN之所以稱(chēng)為循環(huán)神經(jīng)網(wǎng)絡(luò)是因?yàn)橐粋€(gè)序列的輸出與前一時(shí)刻的輸出有關(guān)[10],該網(wǎng)絡(luò)會(huì)把前面的信息進(jìn)行記憶并應(yīng)用到當(dāng)前輸出的計(jì)算中,即隱含層的節(jié)點(diǎn)是相互連接的。

    RNN模型結(jié)構(gòu)展開(kāi)圖見(jiàn)圖1,其中x表示輸入樣本,y表示訓(xùn)練后的輸出樣本,t-1,t,t+1分別表示時(shí)間序列,U、W、V是在每一刻都共享的網(wǎng)絡(luò)權(quán)重,U為某一時(shí)刻輸入樣本的權(quán)重、W為隱含層的權(quán)重、V表示輸出的樣本權(quán)重。st表示當(dāng)前t時(shí)刻的隱藏狀態(tài),由當(dāng)前時(shí)刻的輸入樣本xt和t-1時(shí)刻的隱藏狀態(tài)共同決定,表述為

    st=f(Uxt+Wst-1)(1)

    yt=g(Vst)(2)

    其中,f、g表示激活函數(shù)。

    1.2 LSTM算法

    傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)能夠處理一定的短期依賴(lài)問(wèn)題,但無(wú)法處理長(zhǎng)期依賴(lài)問(wèn)題。長(zhǎng)短期記憶網(wǎng)絡(luò)是一種改進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò),使用LSTM算法可以解決RNN無(wú)法處理長(zhǎng)距離的依賴(lài)問(wèn)題,可以處理非線(xiàn)性、非平穩(wěn)的時(shí)間序列數(shù)據(jù)[11]。LSTM模型廣泛應(yīng)用在眾多領(lǐng)域,如預(yù)測(cè)旅游流量[12],預(yù)測(cè)股價(jià)[13]等。

    原始RNN的隱藏層只有一個(gè)單元狀態(tài),對(duì)短期的輸入非常敏感,在隱藏層增加一個(gè)單元狀態(tài),構(gòu)建LSTM模型使其保存長(zhǎng)期的狀態(tài),在模型實(shí)現(xiàn)的過(guò)程中用三個(gè)控制開(kāi)關(guān)來(lái)控制長(zhǎng)期狀態(tài),開(kāi)關(guān)的控制功能由“門(mén)”來(lái)實(shí)現(xiàn)。

    (1)遺忘門(mén):決定從單元狀態(tài)中丟棄哪些消息

    nt=σ(Wn·ht-1,xt+bn)(3)

    (2)輸入門(mén):決定需要在單元狀態(tài)中保存哪些新信息

    lt=σ(Wl·ht-1,xt+bl)(4)

    rt=tanh(Wr·ht-1,xt+br)(5)

    ct=nt*ct-1+lt*rt(6)

    (3)輸出門(mén):決定單元狀態(tài)中的哪些信息作為輸出

    mt=σ(Wm·ht-1,xt+bm)(7)

    ht=mt*tanh (ct)(8)

    其中,σ表示為sigmoid激活函數(shù),該函數(shù)把值映射到0到1之間,以此來(lái)控制傳遞多少信息,0代表遺忘所有信息,1代表保留全部信息;tanh是雙曲正切激活函數(shù),xt表示當(dāng)前時(shí)刻的樣本輸入,其中,Wn、Wl、Wr、Wm為權(quán)值矩陣,bn、bl、br、bm表示為參數(shù)矩陣,nt表示遺忘門(mén)輸出,lt為輸入門(mén)輸入,mt為輸出門(mén)輸出,rt表示當(dāng)前時(shí)刻保存的信息。

    2 數(shù)據(jù)描述和性能評(píng)估

    2.1 數(shù)據(jù)采集

    本文數(shù)據(jù)采用的是中國(guó)某污水處理廠(chǎng)的泵站能耗數(shù)據(jù),泵站共有5臺(tái)水泵,數(shù)據(jù)在2020年11月18日到2020年12月1日之間采集,其中在一天時(shí)間內(nèi),每隔5 min獲取一次數(shù)據(jù),數(shù)據(jù)包括每臺(tái)泵的能耗值、出水流量、以及當(dāng)前的液位。用0或1來(lái)描述泵的開(kāi)關(guān)狀態(tài),0代表當(dāng)前泵處于關(guān)閉狀態(tài),1代表當(dāng)前泵處于工作狀態(tài),單個(gè)樣本輸入的變量包括:5臺(tái)泵的總能耗E(kW·h)、每臺(tái)泵的開(kāi)關(guān)狀態(tài)(0或1)、出水流量F(m3)、當(dāng)前的液位L(m),共3 000條數(shù)據(jù)樣本。

    2.2 數(shù)據(jù)預(yù)處理

    2.2.1 數(shù)據(jù)整理 泵能耗監(jiān)測(cè)平臺(tái)在數(shù)據(jù)采集、傳輸、存儲(chǔ)等過(guò)程中容易受到噪聲干擾,通信中斷和傳感器故障等原因,產(chǎn)生一些空值、不合理值、重復(fù)值,刪除這些異常值,泵站的總能耗、當(dāng)前的液位精確到小數(shù)點(diǎn)后兩位。由于樣本的各個(gè)指標(biāo)的量綱和量綱單位不同,對(duì)數(shù)據(jù)歸一化使各指標(biāo)處于同一數(shù)量級(jí),本文采用min-max標(biāo)準(zhǔn)化對(duì)個(gè)別指標(biāo)歸一化處理,將數(shù)據(jù)映射到[0,1]范圍內(nèi)

    x=x-TminTmax-Tmin(9)

    其中,x是該屬性的原始值,x是歸一化后的值,Tmin和Tmax分別為在全部樣本中屬性的最小值和最大值,本文把輸入樣本的出水流量、當(dāng)前液位、泵站總能耗這三個(gè)屬性歸一化處理。

    2.2.2 劃分訓(xùn)練集和測(cè)試集 數(shù)據(jù)樣本歸一化后共3 000條,將其中的80%作為訓(xùn)練集用于訓(xùn)練模型,20%作為測(cè)試集用于評(píng)估模型的性能,Xi=(x1,x2,…,x8)(i=1,2,3,…,3 000),X=[Xi,Xi+1,Xi+2,…,Xi+s-1]。其中,Xi表示第i個(gè)數(shù)據(jù)樣本,x1為泵站總能耗,x2到x6對(duì)應(yīng)每臺(tái)泵的開(kāi)關(guān)狀態(tài),x7表示出水流量,x8為當(dāng)前液位。泵站能耗數(shù)據(jù)具有時(shí)間序列的特性,若LSTM模型的時(shí)間步長(zhǎng)(time steps)設(shè)為s,時(shí)間窗口每次用前s個(gè)數(shù)據(jù)樣本組成的矩陣作為輸入特征,第s+1個(gè)樣本Xi+s-1的總能耗E作為輸出,時(shí)間窗口每次移動(dòng)的步數(shù)為s,假設(shè)訓(xùn)練集和測(cè)試集樣本長(zhǎng)度分別為n和m,實(shí)際上將n-s個(gè)樣本數(shù)據(jù)在訓(xùn)練模型上訓(xùn)練,將m-s個(gè)樣本用作測(cè)試數(shù)據(jù)。時(shí)間窗口移動(dòng)方式如圖3所示,s個(gè)數(shù)據(jù)樣本組成的矩陣X作為輸入,用Y中數(shù)據(jù)樣本的泵站總能耗作為輸出。

    2.3 模型性能評(píng)價(jià)

    選取MSE、MAE、RMSE作為預(yù)測(cè)結(jié)果評(píng)價(jià)指標(biāo),范圍[0,+∞),數(shù)值越低說(shuō)明預(yù)測(cè)值和真實(shí)值之間的誤差越小,模型的精確度越高,i為第i個(gè)樣本的能耗預(yù)測(cè)值,ei為真實(shí)值,n是樣本數(shù)量。

    (1)均方誤差(Mean Square Error,MSE)

    MSE=1n∑ni=1(i-ei)2(10)

    (2)平均絕對(duì)誤差(Mean Absolute Error,MAE)

    MAE=1n∑ni=1|i-ei|(11)

    (3)均方根誤差(Root Mean Square Error,RMSE)

    RMSE= 1n∑ni=1(i-ei)2(12)

    3 建立LSTM能耗模型

    3.1 模型構(gòu)建及實(shí)驗(yàn)流程

    本文對(duì)比了LSTM模型、BP神經(jīng)網(wǎng)絡(luò)模型、RNN模型,三者均在PyCharm開(kāi)發(fā)環(huán)境下運(yùn)行。LSTM模型用Keras框架搭建,模型結(jié)構(gòu)由輸入層、隱含層和輸出層組成,LSTM模型的參數(shù)包括學(xué)習(xí)率、批處理、時(shí)間步長(zhǎng)、隱含層層數(shù)、訓(xùn)練次數(shù)等。本文采用試錯(cuò)法尋找適合的參數(shù),在模型訓(xùn)練和測(cè)試完成后,將數(shù)據(jù)進(jìn)行逆歸一化處理,然后進(jìn)行性能評(píng)估,實(shí)驗(yàn)的具體流程如圖4所示。

    采用Adam優(yōu)化算法(Adaptive Moment Estimation,自適應(yīng)矩估計(jì)),損失函數(shù)采用平均絕對(duì)誤差(MAE)。Adam優(yōu)化算法是梯度下降優(yōu)化算法的擴(kuò)展,能基于訓(xùn)練數(shù)據(jù)迭代更新神經(jīng)網(wǎng)絡(luò)權(quán)重隨機(jī)梯度下降保持單一的學(xué)習(xí)率更新所有的權(quán)重,學(xué)習(xí)率在訓(xùn)練過(guò)程中并不會(huì)改變。而Adam通過(guò)計(jì)算梯度的一階矩估計(jì)和二階矩估計(jì)為不同的參數(shù)設(shè)計(jì)獨(dú)立的自適應(yīng)性學(xué)習(xí)率,相比于其他自適應(yīng)學(xué)習(xí)率算法,Adam算法收斂速度較快,學(xué)習(xí)效果更好,可以解決學(xué)習(xí)率消失、收斂速度較慢所導(dǎo)致的損失函數(shù)波動(dòng)較大等問(wèn)題。

    3.2 模型參數(shù)尋優(yōu)

    LSTM網(wǎng)絡(luò)模型參數(shù)包括隱含層學(xué)習(xí)率、時(shí)間步長(zhǎng)、批處理、隱含層層數(shù)、訓(xùn)練次數(shù),設(shè)置各參數(shù)的取值范圍,其中隱含層層數(shù)取值范圍為[1,3],時(shí)間步長(zhǎng)取值范圍為[2,4],批處理取值范圍為[20,60],訓(xùn)練次數(shù)取值范圍為[25,300]。

    3.2.1 學(xué)習(xí)率和訓(xùn)練次數(shù) 學(xué)習(xí)率(lr)用來(lái)表示通過(guò)損失函數(shù)來(lái)調(diào)整網(wǎng)絡(luò)權(quán)重的程度,影響模型收斂到局部極小值的速度,學(xué)習(xí)率過(guò)小,函數(shù)收斂速度較慢,耗費(fèi)的時(shí)間更長(zhǎng),會(huì)產(chǎn)生過(guò)擬合現(xiàn)象;學(xué)習(xí)率過(guò)大,可能錯(cuò)過(guò)局部極小值,損失函數(shù)容易發(fā)生振蕩。在實(shí)驗(yàn)過(guò)程中l(wèi)r的取值從0.01到0.000 01,以10倍的速度間隔逐漸降低,選取MAE作為誤差評(píng)估標(biāo)準(zhǔn),觀(guān)察誤差曲線(xiàn)變化的狀態(tài),在曲線(xiàn)趨于穩(wěn)定并收斂到一定值時(shí),確定學(xué)習(xí)率的數(shù)量級(jí),再采用微調(diào)方法確定最佳的學(xué)習(xí)率,圖5所示為不同的學(xué)習(xí)率對(duì)應(yīng)誤差曲線(xiàn)變化。

    由圖5可知,當(dāng)lr取值0.01向0.001降低時(shí),學(xué)習(xí)率過(guò)大,損失函數(shù)曲線(xiàn)發(fā)生振蕩,無(wú)法收斂到最優(yōu)值,當(dāng)lr取值從0.000 1向0.000 01降低時(shí),學(xué)習(xí)率過(guò)小,在訓(xùn)練次數(shù)內(nèi)表現(xiàn)出欠擬合,無(wú)法完成收斂,但在lr取值為0.000 1時(shí),誤差曲線(xiàn)逐漸平滑下降,且收斂到最優(yōu)值,在確定數(shù)量級(jí)的情況下,經(jīng)過(guò)微調(diào)方法確定最佳學(xué)習(xí)率為0.000 7。

    訓(xùn)練次數(shù)(epochs)是將訓(xùn)練樣本中所有數(shù)據(jù)訓(xùn)練的次數(shù),過(guò)少的訓(xùn)練次數(shù)會(huì)導(dǎo)致預(yù)測(cè)值和實(shí)際值之間的偏差較大,不同的訓(xùn)練次數(shù)會(huì)使損失函數(shù)收斂到不同的值,選取合適的訓(xùn)練次數(shù)使得誤差收斂到最優(yōu)。在訓(xùn)練過(guò)程中選取MSE作為誤差評(píng)估標(biāo)準(zhǔn),如圖6所示,epochs值在25到300之間時(shí),誤差曲線(xiàn)快速下降,epochs的值在150開(kāi)始逐漸趨于穩(wěn)定,200個(gè)epochs之后變化不明顯,為了防止訓(xùn)練次數(shù)過(guò)大導(dǎo)致的過(guò)擬合現(xiàn)象,200個(gè)epochs就可以滿(mǎn)足訓(xùn)練精度,因此LSTM網(wǎng)絡(luò)模型選取epochs的值為200。

    3.2.2 時(shí)間步長(zhǎng) 在LSTM網(wǎng)絡(luò)模型中,由于其具有長(zhǎng)時(shí)間記憶的特性,下一時(shí)刻的樣本可能會(huì)用到之前的歷史樣本數(shù)據(jù),時(shí)間步長(zhǎng)(time steps)表示每個(gè)訓(xùn)練樣本中包含的歷史狀態(tài)數(shù)目,通常根據(jù)數(shù)據(jù)的時(shí)間特性來(lái)確定,若時(shí)間步長(zhǎng)為n,表示用前n條樣本預(yù)測(cè)第n+1個(gè)樣本的總能耗,本實(shí)驗(yàn)設(shè)置時(shí)間步長(zhǎng)的范圍從2到4,通過(guò)平均絕對(duì)誤差(MAE)來(lái)衡量在不同時(shí)間步長(zhǎng)下訓(xùn)練樣本誤差變化曲線(xiàn)。

    如圖7所示,在訓(xùn)練次數(shù)的不斷增加下,相比于其他時(shí)間步長(zhǎng),time steps為2時(shí),誤差變化曲線(xiàn)快速下降,收斂速度較快,降低了模型的訓(xùn)練難度,節(jié)省了時(shí)間成本,所以選擇時(shí)間步長(zhǎng)為2來(lái)構(gòu)建LSTM神經(jīng)網(wǎng)絡(luò)模型。

    3.2.3 批處理和隱含層層數(shù) Adam是基于梯度下降的,批處理用于定義在更新內(nèi)部模型參數(shù)之前要處理的樣本數(shù),代表著每次進(jìn)行訓(xùn)練樣本的數(shù)量,將批處理視為循環(huán)迭代一個(gè)或多個(gè)樣本并進(jìn)行預(yù)測(cè),比較預(yù)測(cè)值和真實(shí)值,并計(jì)算誤差,從而動(dòng)態(tài)更新內(nèi)部模型參數(shù)。批處理過(guò)小會(huì)導(dǎo)致誤差震蕩嚴(yán)重,在一定的訓(xùn)練次數(shù)內(nèi)無(wú)法收斂,批處理增大會(huì)使訓(xùn)練的收斂更加平滑穩(wěn)定,訓(xùn)練一個(gè)迭代的時(shí)間會(huì)變短,但過(guò)大也會(huì)降低模型的泛化能力,達(dá)到相同精度的速度會(huì)變慢,所以選擇合適的批處理來(lái)提升模型的預(yù)測(cè)精度。

    多隱層的網(wǎng)絡(luò)結(jié)構(gòu)對(duì)數(shù)據(jù)有更好的表示能力,通過(guò)逐層的特征提取將數(shù)據(jù)表示的更加抽象,從而降低誤差,提高預(yù)測(cè)精度,但是隱含層層數(shù)過(guò)大可能會(huì)帶來(lái)過(guò)擬合問(wèn)題,同時(shí)也會(huì)增加模型的訓(xùn)練時(shí)間,造成無(wú)法收斂。

    本文LSTM網(wǎng)絡(luò)模型隱含層層數(shù)的范圍是1層到3層,批處理從20到60,每次間隔10個(gè),在不同的隱含層層數(shù)和批處理大小結(jié)合時(shí)進(jìn)行實(shí)驗(yàn),相應(yīng)的評(píng)價(jià)指標(biāo)如表1所示。

    不同的隱含層層數(shù)和批處理會(huì)影響預(yù)測(cè)精度和訓(xùn)練的時(shí)間,從表1可以看出,模型隱含層層數(shù)為3,批處理為30時(shí),各個(gè)評(píng)價(jià)指標(biāo)相對(duì)較優(yōu),LSTM模型的性能顯著,模型的精度較高,因此最終選定的LSTM模型的隱含層層數(shù)為3,批處理為30。

    3.3 構(gòu)建LSTM能耗預(yù)測(cè)模型

    如表2所示,LSTM能耗預(yù)測(cè)模型中,學(xué)習(xí)率為0.000 7,時(shí)間步長(zhǎng)為2,訓(xùn)練次數(shù)為200,隱含層層數(shù)為3,第一個(gè)隱含層的神經(jīng)元數(shù)量為32,第二個(gè)隱含層神經(jīng)元數(shù)量為16,第三層隱含層神經(jīng)元數(shù)量為8,批處理大小為30,隱含層的激活函數(shù)為tanh函數(shù),在優(yōu)化選擇方面,采用Adam優(yōu)化算法進(jìn)行優(yōu)化。

    4 與其他模型對(duì)比評(píng)估

    為了驗(yàn)證LSTM模型預(yù)測(cè)能耗的優(yōu)越性,對(duì)比LSTM模型、BPNN模型、RNN模型,利用訓(xùn)練集訓(xùn)練模型,并用來(lái)對(duì)測(cè)試集來(lái)進(jìn)行預(yù)測(cè),使用評(píng)價(jià)指標(biāo)MAE、MSE、RMSE對(duì)模型評(píng)估和對(duì)比,數(shù)據(jù)均由逆歸一化數(shù)據(jù)計(jì)算得到。為了更加直觀(guān)的體現(xiàn)LSTM模型的優(yōu)越性,圖8、圖9、圖10顯示了BPNN、RNN、LSTM三種模型對(duì)泵能耗預(yù)測(cè)結(jié)果,可知,LSTM網(wǎng)絡(luò)模型的預(yù)測(cè)值和真實(shí)值的擬合程度較高,相比于其他模型,LSTM對(duì)泵的能耗預(yù)測(cè)更接近于真實(shí)值。

    表3顯示的3種模型對(duì)比的評(píng)估指標(biāo),由于BPNN和RNN模型在預(yù)測(cè)時(shí)沒(méi)有考慮到延遲和滯后效應(yīng),無(wú)法解決長(zhǎng)期依賴(lài)問(wèn)題,預(yù)測(cè)值和真實(shí)值差距較大,LSTM網(wǎng)絡(luò)模型的誤差指標(biāo)均小于其他模型,在數(shù)據(jù)的擬合度上表現(xiàn)出較好的性能,這也表明,LSTM模型在泵站能耗預(yù)測(cè)方面具有較大的優(yōu)勢(shì)。

    5 結(jié)論

    本文提出了基于LSTM神經(jīng)網(wǎng)絡(luò)模型對(duì)泵站能耗的預(yù)測(cè)方法,通過(guò)實(shí)驗(yàn)對(duì)參數(shù)進(jìn)行優(yōu)化,選取了合適的學(xué)習(xí)率、訓(xùn)練次數(shù)、隱含層層數(shù)及時(shí)間步長(zhǎng)等參數(shù),構(gòu)建了一個(gè)多層的LSTM模型,用來(lái)預(yù)測(cè)泵站能耗,并與BP模型、RNN模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比。在性能評(píng)估方面,多層的LSTM網(wǎng)絡(luò)模型具有較好的性能,相比于BP模型和RNN模型,多層LSTM網(wǎng)絡(luò)模型最優(yōu)擬合結(jié)果預(yù)測(cè)出的泵站能耗,在MAE、MSE、RMSE評(píng)估指標(biāo)上誤差較低,預(yù)測(cè)精度較BP模型和RNN模型有所提高,因此LSTM模型能更準(zhǔn)確的對(duì)泵站能耗進(jìn)行預(yù)測(cè)。LSTM能耗模型相比于傳統(tǒng)的能耗模型,能更好的處理長(zhǎng)期依賴(lài)問(wèn)題,保持信息的持久性,能夠發(fā)現(xiàn)數(shù)據(jù)之間的關(guān)系和規(guī)律,在預(yù)測(cè)時(shí)考慮到延遲和滯后效應(yīng),在處理序列數(shù)據(jù)和非線(xiàn)性問(wèn)題中具有優(yōu)勢(shì),對(duì)泵站的能耗預(yù)測(cè)精度更為準(zhǔn)確,在泵站的節(jié)能領(lǐng)域具有廣闊的應(yīng)用前景。但是當(dāng)前方法還存在局限性,參數(shù)優(yōu)化過(guò)程中設(shè)置的范圍區(qū)間過(guò)小,參數(shù)組合優(yōu)化的種類(lèi)過(guò)于單一,所以在以后的研究中可以從參數(shù)的取值范圍和選擇參數(shù)組合兩個(gè)方面深入研究。

    參考文獻(xiàn)

    [1]李旭.城市污水處理能耗能效研究進(jìn)展[J].科技創(chuàng)新與應(yīng)用,2020(5):67-68.

    [2]周亞梁,黃東月.城市污水處理廠(chǎng)能耗分析及節(jié)能降耗措施研究[J].環(huán)境與發(fā)展,2019,31(5):30+34.

    [3]龍麗萍.城鎮(zhèn)污水處理廠(chǎng)能耗分析及節(jié)能措施研究[J].工程技術(shù)研究,2019,4(14):239-240.

    [4]杜冠洲,韋古強(qiáng),高正平.基于BP神經(jīng)網(wǎng)絡(luò)的公用建筑電力能耗預(yù)測(cè)研究[J].工程經(jīng)濟(jì),2017,27(6):76-80.

    [5]侯博文,譚澤漢,陳煥新,等.基于支持向量機(jī)的建筑能耗預(yù)測(cè)研究[J].制冷技術(shù),2019,39(2):1-6.

    [6]莫甘茗.基于多元線(xiàn)性回歸模型的建筑能耗預(yù)測(cè)與建筑節(jié)能分析[J].建材與裝飾,2016(43):89-90.

    [7]章挺飛,羅恒,劉杭.基于LSTM網(wǎng)絡(luò)的建筑能耗預(yù)測(cè)方法[J].蘇州科技大學(xué)學(xué)報(bào)(自然科學(xué)版),2020,37(4):78-84.

    [8]廖文強(qiáng),王江宇,陳煥新,等.基于短期記憶神經(jīng)網(wǎng)絡(luò)的暖通空調(diào)系統(tǒng)能耗預(yù)測(cè)[J].制冷技術(shù),2019,39(1):45-50+54.

    [9]劉家學(xué),沈貴賓.基于LSTM的航空公司能耗序列預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用與軟件,2019,36(10):60-65.

    [10]楊欽榕,陳萬(wàn)培,高紳,等.寬窄帶融合下基于RNN-LSTM網(wǎng)絡(luò)的溫度預(yù)測(cè)[J].無(wú)線(xiàn)電工程,2021,51(4):283-287.

    [11]黃超斌,程希明.基于LSTM神經(jīng)網(wǎng)絡(luò)的股票價(jià)格預(yù)測(cè)研究[J].北京信息科技大學(xué)學(xué)報(bào)(自然科學(xué)版),2021,36(1):79-83.

    [12]LI Y F, CAO H. Prediction for tourism flow based on LSTM neural network[C]// 6th International Conference on Identification, Information and Knowledge in the Internet of Things (IIKI), Qufu, 2017: 277-283.

    [13]DING G Y, QIN L X. Study on the prediction of stock price based on the associated network model of LSTM[J]. International Journal of Machine Learning and Cybernetics, 2020, 11: 1307-1317.

    Energy Consumption Prediction of Pumping Station Based

    on LSTM Neural Network Model

    WANG Xin-kai, YU Zhong-qing

    (College of Computer Science & Technology, Qingdao University, Qingdao 266071, China)

    Abstract:

    A neural network model based on Long Short-Term Memory (LSTM) is established to predict the energy consumption of pumping stations, which optimizes the working methods and reduces energy consumption, and the learning rate, time step, batch size, the number of layers, training times are optimized. The prediction results of the LSTM network model are compared with the BP model and the RNN model, and the research results show that the prediction based on the LSTM neural network model has high accuracy and generalization ability.

    Keywords:

    LSTM network model; energy consumption; prediction; optimization

    收稿日期:2021-09-01

    基金項(xiàng)目:

    山東省重點(diǎn)研發(fā)計(jì)劃(批準(zhǔn)號(hào):2019JZZY020101)資助。

    通信作者:

    于忠清,男,博士,教授,主要研究方向?yàn)楣I(yè)大數(shù)據(jù)。E-mail: yuzq@qdu.edu.cn

    猜你喜歡
    能耗預(yù)測(cè)優(yōu)化
    無(wú)可預(yù)測(cè)
    黃河之聲(2022年10期)2022-09-27 13:59:46
    120t轉(zhuǎn)爐降低工序能耗生產(chǎn)實(shí)踐
    昆鋼科技(2022年2期)2022-07-08 06:36:14
    超限高層建筑結(jié)構(gòu)設(shè)計(jì)與優(yōu)化思考
    選修2-2期中考試預(yù)測(cè)卷(A卷)
    選修2-2期中考試預(yù)測(cè)卷(B卷)
    能耗雙控下,漲價(jià)潮再度來(lái)襲!
    民用建筑防煙排煙設(shè)計(jì)優(yōu)化探討
    關(guān)于優(yōu)化消防安全告知承諾的一些思考
    一道優(yōu)化題的幾何解法
    探討如何設(shè)計(jì)零能耗住宅
    在线观看av片永久免费下载| videossex国产| 国产精品一及| 91麻豆精品激情在线观看国产| 色吧在线观看| 五月伊人婷婷丁香| 日韩人妻高清精品专区| 国产精品综合久久久久久久免费| 欧美日韩国产亚洲二区| 久久中文看片网| 精品日产1卡2卡| 18禁在线播放成人免费| 小说图片视频综合网站| 观看免费一级毛片| videossex国产| 国产不卡一卡二| 免费人成在线观看视频色| 久久久国产成人精品二区| 亚洲av免费高清在线观看| 性插视频无遮挡在线免费观看| 亚洲一级一片aⅴ在线观看| 91av网一区二区| 男女那种视频在线观看| 18禁裸乳无遮挡免费网站照片| a级毛片a级免费在线| 欧洲精品卡2卡3卡4卡5卡区| 精品久久久久久久久av| 亚洲经典国产精华液单| 中文在线观看免费www的网站| 内地一区二区视频在线| 国产黄色视频一区二区在线观看 | 国产69精品久久久久777片| 精品欧美国产一区二区三| 性色avwww在线观看| 男人的好看免费观看在线视频| 久久天躁狠狠躁夜夜2o2o| 丰满的人妻完整版| 亚洲一区二区三区色噜噜| 亚洲国产精品久久男人天堂| 在线观看午夜福利视频| 日韩av在线大香蕉| av在线老鸭窝| 亚洲国产欧洲综合997久久,| 亚洲中文字幕一区二区三区有码在线看| 人妻久久中文字幕网| 精品久久久久久久末码| 草草在线视频免费看| 在线a可以看的网站| 欧美日韩一区二区视频在线观看视频在线 | 伊人久久精品亚洲午夜| 中文字幕免费在线视频6| 欧美成人a在线观看| 91久久精品国产一区二区三区| 国产精品综合久久久久久久免费| .国产精品久久| 欧美激情国产日韩精品一区| 最新在线观看一区二区三区| 久久天躁狠狠躁夜夜2o2o| 欧美精品国产亚洲| 婷婷色综合大香蕉| 国产真实伦视频高清在线观看| a级一级毛片免费在线观看| 国产精品久久久久久久久免| 丝袜美腿在线中文| 香蕉av资源在线| 免费在线观看影片大全网站| 欧美最黄视频在线播放免费| 亚洲国产精品国产精品| 亚洲av电影不卡..在线观看| 久久人人爽人人片av| 中文字幕熟女人妻在线| 国国产精品蜜臀av免费| 搡老岳熟女国产| 12—13女人毛片做爰片一| 精品福利观看| 成人二区视频| 久久精品夜色国产| 亚洲成人久久爱视频| 欧美zozozo另类| 免费av毛片视频| 成人三级黄色视频| 国产成人a区在线观看| 欧美丝袜亚洲另类| 嫩草影院新地址| 国国产精品蜜臀av免费| 亚洲一级一片aⅴ在线观看| 成人特级黄色片久久久久久久| 久久久久久久久久成人| 日本一本二区三区精品| 亚洲四区av| 免费人成视频x8x8入口观看| 波多野结衣高清作品| 亚洲精品成人久久久久久| 身体一侧抽搐| 亚洲色图av天堂| 成人欧美大片| 成年av动漫网址| 国产日本99.免费观看| 成人漫画全彩无遮挡| 床上黄色一级片| 我的女老师完整版在线观看| 亚洲美女视频黄频| 黄片wwwwww| 亚洲精品日韩在线中文字幕 | 亚洲欧美精品自产自拍| 网址你懂的国产日韩在线| 天堂网av新在线| 中文字幕人妻熟人妻熟丝袜美| av视频在线观看入口| 春色校园在线视频观看| 极品教师在线视频| 国产激情偷乱视频一区二区| 国产精品亚洲一级av第二区| 在线播放无遮挡| av福利片在线观看| 美女免费视频网站| 久久精品国产自在天天线| 午夜影院日韩av| 寂寞人妻少妇视频99o| 男人舔奶头视频| 久久精品夜夜夜夜夜久久蜜豆| 色综合站精品国产| 国内精品宾馆在线| 国产精品伦人一区二区| 插阴视频在线观看视频| 99riav亚洲国产免费| 热99re8久久精品国产| 国产综合懂色| 十八禁网站免费在线| 永久网站在线| 国产乱人视频| 日本免费一区二区三区高清不卡| 国产高清视频在线播放一区| 日本五十路高清| 久久精品人妻少妇| 永久网站在线| 两个人的视频大全免费| 18禁黄网站禁片免费观看直播| 3wmmmm亚洲av在线观看| 亚洲自拍偷在线| 色哟哟哟哟哟哟| 国内少妇人妻偷人精品xxx网站| 又粗又爽又猛毛片免费看| 一区二区三区高清视频在线| 日日摸夜夜添夜夜添av毛片| 日韩成人伦理影院| 内射极品少妇av片p| 少妇熟女aⅴ在线视频| 欧美不卡视频在线免费观看| 亚洲人成网站在线观看播放| 18+在线观看网站| 人妻久久中文字幕网| 最近最新中文字幕大全电影3| 麻豆国产av国片精品| 国产片特级美女逼逼视频| 亚洲最大成人手机在线| 最近中文字幕高清免费大全6| 少妇猛男粗大的猛烈进出视频 | 久久精品国产99精品国产亚洲性色| 精品免费久久久久久久清纯| videossex国产| 日韩亚洲欧美综合| 99热这里只有是精品在线观看| 一卡2卡三卡四卡精品乱码亚洲| 麻豆精品久久久久久蜜桃| 可以在线观看的亚洲视频| 国产成人aa在线观看| 在现免费观看毛片| 日韩欧美精品免费久久| 欧美色视频一区免费| 亚洲欧美日韩高清专用| 99久久精品国产国产毛片| 干丝袜人妻中文字幕| 日韩在线高清观看一区二区三区| 身体一侧抽搐| 人人妻,人人澡人人爽秒播| 黄片wwwwww| 一区二区三区高清视频在线| 村上凉子中文字幕在线| 亚洲成人精品中文字幕电影| 久久精品人妻少妇| 久久精品国产自在天天线| 成人特级av手机在线观看| 天堂√8在线中文| 狠狠狠狠99中文字幕| 俺也久久电影网| 午夜福利视频1000在线观看| 国模一区二区三区四区视频| 99久久精品国产国产毛片| 国产一区二区亚洲精品在线观看| 久久99热这里只有精品18| 丰满的人妻完整版| 亚洲av.av天堂| 日韩中字成人| 插逼视频在线观看| 99久久九九国产精品国产免费| 插逼视频在线观看| ponron亚洲| 日本色播在线视频| 男人舔奶头视频| 黄片wwwwww| 久久精品国产亚洲av香蕉五月| 久久亚洲精品不卡| 久久精品国产自在天天线| 久久久精品94久久精品| av女优亚洲男人天堂| 干丝袜人妻中文字幕| 欧美中文日本在线观看视频| a级一级毛片免费在线观看| 亚洲av五月六月丁香网| 寂寞人妻少妇视频99o| 亚洲精品一区av在线观看| 一a级毛片在线观看| 日产精品乱码卡一卡2卡三| 一进一出好大好爽视频| 精品午夜福利在线看| 淫秽高清视频在线观看| 丝袜美腿在线中文| 色播亚洲综合网| 一本一本综合久久| av视频在线观看入口| 综合色丁香网| 亚洲五月天丁香| 精品无人区乱码1区二区| 99热6这里只有精品| 我的老师免费观看完整版| 伊人久久精品亚洲午夜| 中文亚洲av片在线观看爽| 日韩av不卡免费在线播放| 久久人人精品亚洲av| 91麻豆精品激情在线观看国产| 俄罗斯特黄特色一大片| 成人无遮挡网站| 18禁裸乳无遮挡免费网站照片| 欧美xxxx性猛交bbbb| 男人狂女人下面高潮的视频| 亚洲精品乱码久久久v下载方式| 久久久精品大字幕| 日韩一区二区视频免费看| 欧美+日韩+精品| 1000部很黄的大片| 色噜噜av男人的天堂激情| 亚洲精品一区av在线观看| 久久这里只有精品中国| 波多野结衣高清作品| 日韩av在线大香蕉| 晚上一个人看的免费电影| 国产欧美日韩精品一区二区| av福利片在线观看| 精品人妻视频免费看| 99久久精品热视频| 国产高清视频在线观看网站| 天美传媒精品一区二区| 少妇熟女欧美另类| 午夜精品一区二区三区免费看| 日韩大尺度精品在线看网址| 欧美人与善性xxx| 亚洲精品在线观看二区| 搡老岳熟女国产| 91久久精品国产一区二区三区| 亚洲av熟女| 久久久久国内视频| 非洲黑人性xxxx精品又粗又长| 别揉我奶头 嗯啊视频| a级一级毛片免费在线观看| 最近在线观看免费完整版| 搡女人真爽免费视频火全软件 | 国产精品不卡视频一区二区| 国语自产精品视频在线第100页| 久久热精品热| 精品午夜福利在线看| 欧美在线一区亚洲| 51国产日韩欧美| 成人二区视频| 最近手机中文字幕大全| 男人的好看免费观看在线视频| 99热全是精品| 日本一本二区三区精品| 色综合色国产| 国产真实伦视频高清在线观看| 国产一区二区亚洲精品在线观看| 国产精品美女特级片免费视频播放器| 春色校园在线视频观看| 午夜久久久久精精品| 欧美激情国产日韩精品一区| av.在线天堂| 久久婷婷人人爽人人干人人爱| 日日摸夜夜添夜夜爱| 亚洲av不卡在线观看| 欧美高清成人免费视频www| 老熟妇仑乱视频hdxx| 国产精品人妻久久久影院| 禁无遮挡网站| 成年av动漫网址| 国产伦在线观看视频一区| 亚洲电影在线观看av| 91麻豆精品激情在线观看国产| 99久久无色码亚洲精品果冻| 欧美另类亚洲清纯唯美| 伦精品一区二区三区| 少妇被粗大猛烈的视频| 亚洲高清免费不卡视频| 淫妇啪啪啪对白视频| 欧美又色又爽又黄视频| 亚洲av第一区精品v没综合| 国产精品永久免费网站| 国产女主播在线喷水免费视频网站 | 成人av一区二区三区在线看| 亚洲av一区综合| 久久精品国产亚洲av天美| 国产极品精品免费视频能看的| 91久久精品国产一区二区三区| 成人亚洲精品av一区二区| 你懂的网址亚洲精品在线观看 | 国产精品1区2区在线观看.| 国产成人福利小说| 欧美3d第一页| 中文亚洲av片在线观看爽| 综合色av麻豆| 亚洲av电影不卡..在线观看| 亚洲电影在线观看av| 嫩草影院精品99| 99热这里只有精品一区| 寂寞人妻少妇视频99o| 久久久精品欧美日韩精品| 亚洲图色成人| 亚洲中文字幕日韩| 国产精品人妻久久久影院| 麻豆av噜噜一区二区三区| 在线观看免费视频日本深夜| 国产成人福利小说| 色av中文字幕| 国产成人精品久久久久久| 久久精品综合一区二区三区| 好男人在线观看高清免费视频| 91精品国产九色| 欧美日本视频| 变态另类成人亚洲欧美熟女| 亚洲精品日韩av片在线观看| 日韩成人av中文字幕在线观看 | 悠悠久久av| 亚洲国产欧洲综合997久久,| 国产亚洲精品久久久com| 国产aⅴ精品一区二区三区波| 亚洲av五月六月丁香网| 美女大奶头视频| 18禁在线无遮挡免费观看视频 | 免费看a级黄色片| 日本a在线网址| 亚洲精品456在线播放app| 免费观看精品视频网站| 在线观看av片永久免费下载| 高清日韩中文字幕在线| 18禁裸乳无遮挡免费网站照片| 午夜精品国产一区二区电影 | 国产精品99久久久久久久久| 伊人久久精品亚洲午夜| 日本五十路高清| 亚洲精品国产成人久久av| 日韩 亚洲 欧美在线| 美女被艹到高潮喷水动态| 身体一侧抽搐| 国产黄a三级三级三级人| 一进一出抽搐动态| 午夜日韩欧美国产| 久久人人精品亚洲av| 丰满乱子伦码专区| 一进一出抽搐动态| av在线老鸭窝| 亚洲中文字幕日韩| 亚洲无线在线观看| 秋霞在线观看毛片| 欧美潮喷喷水| 日韩欧美 国产精品| 亚洲内射少妇av| 亚洲av免费高清在线观看| 亚洲av成人精品一区久久| 成人av一区二区三区在线看| 99九九线精品视频在线观看视频| 美女 人体艺术 gogo| 99热精品在线国产| 成人特级黄色片久久久久久久| 五月伊人婷婷丁香| av在线播放精品| 别揉我奶头 嗯啊视频| 99久久九九国产精品国产免费| 亚洲自拍偷在线| 两个人视频免费观看高清| 久久久久久久久久久丰满| 亚洲经典国产精华液单| 免费不卡的大黄色大毛片视频在线观看 | a级一级毛片免费在线观看| 日本黄大片高清| 亚洲精品色激情综合| 国产人妻一区二区三区在| 人人妻人人看人人澡| 亚洲欧美日韩无卡精品| 69人妻影院| 国产v大片淫在线免费观看| 成人高潮视频无遮挡免费网站| 日韩欧美一区二区三区在线观看| videossex国产| 国产又黄又爽又无遮挡在线| 身体一侧抽搐| 黄色视频,在线免费观看| 性欧美人与动物交配| 成年女人看的毛片在线观看| 精品一区二区免费观看| 午夜亚洲福利在线播放| 成熟少妇高潮喷水视频| 日本成人三级电影网站| 亚洲av免费在线观看| 热99re8久久精品国产| 免费看光身美女| 黑人高潮一二区| 能在线免费观看的黄片| 青春草视频在线免费观看| 亚洲乱码一区二区免费版| av视频在线观看入口| 日本在线视频免费播放| 91久久精品电影网| 深爱激情五月婷婷| 亚洲国产精品久久男人天堂| 国产女主播在线喷水免费视频网站 | 不卡一级毛片| 色综合站精品国产| 欧美成人精品欧美一级黄| 永久网站在线| 亚洲性夜色夜夜综合| 欧洲精品卡2卡3卡4卡5卡区| 99视频精品全部免费 在线| 欧美日韩乱码在线| 老师上课跳d突然被开到最大视频| 亚洲av二区三区四区| 丰满的人妻完整版| 国内精品宾馆在线| 天堂网av新在线| 亚洲第一区二区三区不卡| 亚洲综合色惰| aaaaa片日本免费| 欧美高清成人免费视频www| 亚洲美女黄片视频| 午夜福利在线观看吧| 久久久久久久亚洲中文字幕| 国产成人精品久久久久久| 国产一区二区在线av高清观看| 国产麻豆成人av免费视频| av在线亚洲专区| 99久久精品热视频| 男人和女人高潮做爰伦理| 熟妇人妻久久中文字幕3abv| 国产精品av视频在线免费观看| 嫩草影院入口| 欧洲精品卡2卡3卡4卡5卡区| 国语自产精品视频在线第100页| 国产成年人精品一区二区| 男插女下体视频免费在线播放| 欧美最新免费一区二区三区| 亚洲精品日韩在线中文字幕 | 少妇裸体淫交视频免费看高清| av专区在线播放| 精品一区二区三区av网在线观看| av天堂在线播放| 久久久久九九精品影院| 白带黄色成豆腐渣| 亚洲av一区综合| 免费av观看视频| 精品久久国产蜜桃| 内地一区二区视频在线| 色在线成人网| 男人和女人高潮做爰伦理| av在线亚洲专区| 男女边吃奶边做爰视频| 精品久久久久久久久久久久久| 欧美日韩在线观看h| 国产淫片久久久久久久久| 成人亚洲欧美一区二区av| 中文字幕av成人在线电影| 亚洲va在线va天堂va国产| 日韩国内少妇激情av| 97在线视频观看| 亚洲三级黄色毛片| 精品一区二区免费观看| 人妻久久中文字幕网| 97人妻精品一区二区三区麻豆| 啦啦啦啦在线视频资源| 日本与韩国留学比较| 在线免费观看不下载黄p国产| 亚洲精品亚洲一区二区| 成年免费大片在线观看| 久久久成人免费电影| 欧美最黄视频在线播放免费| 日本免费a在线| 老熟妇乱子伦视频在线观看| 老司机影院成人| 日产精品乱码卡一卡2卡三| 99热这里只有精品一区| 亚洲熟妇熟女久久| 国产伦一二天堂av在线观看| 亚洲aⅴ乱码一区二区在线播放| 在线观看66精品国产| 国产人妻一区二区三区在| 亚洲欧美日韩无卡精品| 日韩欧美国产在线观看| 一级毛片电影观看 | 最近中文字幕高清免费大全6| 插逼视频在线观看| 久久久久性生活片| 精品人妻一区二区三区麻豆 | 国产av一区在线观看免费| 亚洲内射少妇av| 国产精品亚洲美女久久久| а√天堂www在线а√下载| 日本黄色视频三级网站网址| aaaaa片日本免费| 久久精品国产亚洲av香蕉五月| 美女被艹到高潮喷水动态| 最近中文字幕高清免费大全6| 你懂的网址亚洲精品在线观看 | 最后的刺客免费高清国语| 在线观看av片永久免费下载| 欧美另类亚洲清纯唯美| 国产亚洲91精品色在线| 成人永久免费在线观看视频| 亚洲精品国产av成人精品 | 一级av片app| 亚洲av.av天堂| 欧美高清成人免费视频www| 亚洲婷婷狠狠爱综合网| 日本免费一区二区三区高清不卡| 亚洲人与动物交配视频| 国产精品久久久久久亚洲av鲁大| 麻豆国产av国片精品| 99视频精品全部免费 在线| 夜夜爽天天搞| 亚洲色图av天堂| 一个人观看的视频www高清免费观看| 国产亚洲精品综合一区在线观看| 深夜精品福利| 观看免费一级毛片| 日韩制服骚丝袜av| 亚洲欧美精品综合久久99| 最好的美女福利视频网| 国产日本99.免费观看| 日韩一本色道免费dvd| 给我免费播放毛片高清在线观看| 成人亚洲欧美一区二区av| 99九九线精品视频在线观看视频| av在线亚洲专区| av在线播放精品| 晚上一个人看的免费电影| 免费av观看视频| or卡值多少钱| 在线国产一区二区在线| 成人特级av手机在线观看| 午夜日韩欧美国产| 一级毛片久久久久久久久女| 免费看光身美女| 美女内射精品一级片tv| 国产老妇女一区| 一本一本综合久久| 成人毛片a级毛片在线播放| 国产美女午夜福利| 国产男靠女视频免费网站| 国产精品久久久久久久久免| 久久精品夜夜夜夜夜久久蜜豆| 在线播放国产精品三级| 美女黄网站色视频| 99精品在免费线老司机午夜| 欧美一区二区国产精品久久精品| 亚洲欧美成人精品一区二区| 偷拍熟女少妇极品色| 看免费成人av毛片| 亚洲精品影视一区二区三区av| 全区人妻精品视频| 国产美女午夜福利| 无遮挡黄片免费观看| 亚洲不卡免费看| 亚洲精品色激情综合| 小蜜桃在线观看免费完整版高清| 亚洲性夜色夜夜综合| 看免费成人av毛片| 六月丁香七月| 高清午夜精品一区二区三区 | 免费看美女性在线毛片视频| 黄色配什么色好看| 高清毛片免费观看视频网站| 老熟妇仑乱视频hdxx| 久久99热6这里只有精品| 精品久久久久久久久亚洲| 校园春色视频在线观看| 日韩制服骚丝袜av| 国产高清三级在线| 变态另类丝袜制服| 少妇的逼水好多| 日本免费a在线| 三级经典国产精品| 亚洲va在线va天堂va国产| 午夜福利在线观看免费完整高清在 | 久久亚洲精品不卡| 亚洲在线自拍视频| 国产一区二区三区在线臀色熟女| 看免费成人av毛片| 久久久久九九精品影院| 精品人妻偷拍中文字幕| 成年女人毛片免费观看观看9| 日韩欧美一区二区三区在线观看| 中文字幕久久专区| 免费看美女性在线毛片视频| 三级毛片av免费| 少妇熟女aⅴ在线视频| 午夜免费激情av| 国产乱人视频| 成人二区视频| 久久精品国产清高在天天线|