• <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 ?

    基于改進(jìn)隨機(jī)森林的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估

    2022-05-06 13:05:00劉煉王強(qiáng)陳浩
    科學(xué)技術(shù)與工程 2022年11期
    關(guān)鍵詞:互信息特征選擇子集

    劉煉, 王強(qiáng), 陳浩

    (三峽大學(xué)電氣與新能源學(xué)院, 宜昌 443002)

    隨著現(xiàn)代電力系統(tǒng)的廣域互聯(lián)和電力電子設(shè)備的廣泛部署,電力系統(tǒng)運(yùn)行的不定因素劇增且運(yùn)行狀態(tài)愈發(fā)接近穩(wěn)定運(yùn)行的極限,對(duì)其進(jìn)行快速、準(zhǔn)確的暫態(tài)穩(wěn)定評(píng)估已成為保證系統(tǒng)安全穩(wěn)定運(yùn)行的重要手段[1-2]。近年來(lái),隨著同步相量測(cè)量單元(phasor measurement unit,PMU)在電網(wǎng)中的廣泛應(yīng)用,電力系統(tǒng)運(yùn)行數(shù)據(jù)的采集變得更加迅速和精確,數(shù)據(jù)量變得尤為龐大[3]。同時(shí),由于智能電網(wǎng)建設(shè)的逐步推進(jìn)和人工智能技術(shù)的飛速發(fā)展,促使基于機(jī)器學(xué)習(xí)的暫態(tài)穩(wěn)定評(píng)估方法成為電網(wǎng)安全領(lǐng)域的研究熱點(diǎn)[4-5]。

    目前,常用于分析電力系統(tǒng)暫態(tài)穩(wěn)定的機(jī)器學(xué)習(xí)算法有支持向量機(jī)(support vector machine,SVM)[6-7]、人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)[8-10]、決策樹(decision tree,DT)[11-12]和隨機(jī)森林(random forest,RF)[13-14]等。在文獻(xiàn)[6]中,考慮暫態(tài)穩(wěn)定評(píng)估的時(shí)效性要求,提出了一種基于SVM的預(yù)想事故篩選方法。文獻(xiàn)[9]基于遺傳算法和極限學(xué)習(xí)機(jī)對(duì)暫態(tài)穩(wěn)定評(píng)估中的特征選擇問(wèn)題進(jìn)行了探討。文獻(xiàn)[10]通過(guò)數(shù)據(jù)增強(qiáng)技術(shù)處理輸入數(shù)據(jù)存在噪聲和信息缺失的問(wèn)題,并基于深度殘差網(wǎng)絡(luò)構(gòu)建電力系統(tǒng)暫態(tài)穩(wěn)定預(yù)測(cè)模型。文獻(xiàn)[12]提出了一種由線性SVM和DT構(gòu)成的組合式暫態(tài)穩(wěn)定評(píng)估方法。文獻(xiàn)[13]為了實(shí)現(xiàn)實(shí)時(shí)的電力系統(tǒng)暫態(tài)穩(wěn)定監(jiān)測(cè),提出了一個(gè)基于迭代隨機(jī)森林的在線應(yīng)用框架。

    雖然上述方法已經(jīng)取得了較好的效果,但在實(shí)際應(yīng)用過(guò)程中仍會(huì)面臨以下問(wèn)題:一方面,隨著電網(wǎng)規(guī)模的不斷擴(kuò)大,電力系統(tǒng)運(yùn)行數(shù)據(jù)的維度也在不斷增加,如何選取與暫態(tài)穩(wěn)定標(biāo)簽具有強(qiáng)相關(guān)性的關(guān)鍵特征是一個(gè)難題;另一方面,在離線訓(xùn)練過(guò)程中,由于數(shù)據(jù)庫(kù)中的穩(wěn)定樣本遠(yuǎn)多于失穩(wěn)樣本,導(dǎo)致暫態(tài)穩(wěn)定評(píng)估模型會(huì)傾向于對(duì)穩(wěn)定樣本的學(xué)習(xí),容易造成對(duì)失穩(wěn)樣本的誤判。

    基于以上分析,提出一種基于特征選擇和改進(jìn)隨機(jī)森林的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估方法。通過(guò)最大化聯(lián)合互信息(joint mutual information maximisation,JMIM)進(jìn)行特征選擇,篩選出初始特征集中的關(guān)鍵特征子集,并基于改進(jìn)的RF構(gòu)建關(guān)鍵特征子集與暫態(tài)穩(wěn)定標(biāo)簽之間的映射關(guān)系,建立相應(yīng)的暫態(tài)穩(wěn)定評(píng)估模型。在新英格蘭10機(jī)39節(jié)點(diǎn)系統(tǒng)進(jìn)行仿真實(shí)驗(yàn),結(jié)果表明,該方法能夠較好地處理樣本數(shù)據(jù)的類別不平衡問(wèn)題,具有較高的評(píng)估精度和較強(qiáng)的泛化能力。

    1 關(guān)鍵特征集的構(gòu)造

    1.1 初始輸入特征集

    電力系統(tǒng)在運(yùn)行過(guò)程中,PMU會(huì)實(shí)時(shí)采集系統(tǒng)運(yùn)行的電氣量信息。常用于反映電力系統(tǒng)運(yùn)行狀態(tài)的特征包括節(jié)點(diǎn)的電壓幅值/相角、負(fù)荷節(jié)點(diǎn)的有功/無(wú)功功率、發(fā)電機(jī)節(jié)點(diǎn)的有功/無(wú)功功率和線路傳輸?shù)挠泄?無(wú)功功率等。這些特征可以組成一個(gè)電力系統(tǒng)運(yùn)行的樣本o,通過(guò)結(jié)合多個(gè)運(yùn)行樣本,可以將初始特征集構(gòu)建為矩陣形式,即

    (1)

    式(1)中:u為初始輸入樣本的數(shù)量;v為包含電壓、相角、有功/無(wú)功功率等運(yùn)行狀態(tài)信息的特征維度。

    1.2 基于JMIM的特征選擇

    基于機(jī)器學(xué)習(xí)算法建立暫態(tài)穩(wěn)定評(píng)估模型的本質(zhì)就是建立特征數(shù)據(jù)與暫態(tài)穩(wěn)定標(biāo)簽之間的映射關(guān)系。因此,選擇合適的輸入特征能夠降低評(píng)估模型的計(jì)算負(fù)擔(dān),提高模型計(jì)算的效率。本文中采用JMIM對(duì)初始樣本進(jìn)行特征選擇,JMIM是一種基于聯(lián)合互信息和“最大最小原則”的特征選擇方法,能夠有效處理某些特征的高估問(wèn)題[15]。JMIM進(jìn)行特征選擇的原理介紹如下。

    對(duì)于變量X=[x1,x2,…,xm],其熵的計(jì)算式為

    (2)

    式(2)中:p(xi)為xi在X中的概率密度函數(shù)。信息熵越大,表明相關(guān)變量的信息含量越大,不確定性就越高。

    對(duì)于X和變量C=[c1,c2,…,cn],X和C之間的條件熵被定義為

    (3)

    式(3)中:p(xi,cj)為xi和cj的聯(lián)合概率密度函數(shù);p(xi|cj)為已知cj條件下xi的條件概率密度函數(shù)。

    熵的大小用于衡量變量之間的穩(wěn)定性,而互信息的大小用于衡量變量之間的相關(guān)性。根據(jù)式(2)和式(3),將變量X和C之間的互信息定義為

    I(X;C)=H(X)-H(X|C)=

    (4)

    式(4)中:p(cj)為cj的概率密度函數(shù)。互信息I(X;C)越大,表明變量X和C之間的相關(guān)性越強(qiáng)。如果兩個(gè)隨機(jī)變量之間相互獨(dú)立,則它們的互信息值為0。

    當(dāng)加入另一條件Y=[y1,y2,…,yn]時(shí),在Y條件下X和C的條件互信息定義為

    I(X;C|Y)=H(X|C)-H(X|C,Y)

    (5)

    根據(jù)式(4)和式(5),將X、C和Y之間的聯(lián)合互信息定義為

    I(X,Y;C)=I(X;C|Y)+I(C;Y)

    (6)

    聯(lián)合互信息I(X,Y;C)考慮了X、Y整體和變量C之間的聯(lián)系,I(X,Y;C)越大,表明X、Y和C之間的相關(guān)性越強(qiáng)。

    基于以上分析,文中將電力系統(tǒng)的初始特征集定義為F={f1,f2,…,fn},需要選擇的特征子集定義為S,且fi∈F-S,類別為C。JMIM的計(jì)算公式為

    fJMIM=argmaxfi∈F-S{minfs∈S[I(fi,fs;C)]}

    (7)

    式(7)中:I(fi,fs;C)表示特征fi和fs以及類別C之間的聯(lián)合互信息;minfs∈SI(fi,fs;C)表示每個(gè)特征fi加入到集合S時(shí)計(jì)算I(fi,fs;C)得到的最小值,稱為最小聯(lián)合互信息。其中,I(fi,fs;C)的計(jì)算公式為

    (8)

    式(8)中:p(fi,fs,cj|fs)為已知fs條件下,fi、fs和cj的聯(lián)合條件概率密度函數(shù);p(fi|fs)和p(cj|fs)分別為已知fs條件下,fi和cj的條件概率密度函數(shù)。

    每個(gè)特征fi計(jì)算得到一個(gè)最小聯(lián)合互信息,最終的集合為{minfs∈SI(fi,fs;C)}。JMIM選擇集合{minfs∈SI(fi,fs;C)}中使最小聯(lián)合互信息值最大的特征作為新選擇的特征,并通過(guò)如下迭代貪婪搜索算法在特征空間內(nèi)尋找一個(gè)大小為k的特征子集S。

    2 改進(jìn)的RF算法

    改進(jìn)的RF算法整體流程如圖1所示,主要包括bootstrap抽樣方法的改進(jìn)和DT的加權(quán)投票。

    R、R′分別為初始樣本和抽取樣本的不平衡度;w1,w2,…,wT為決策樹的投票權(quán)重圖1 加權(quán)隨機(jī)森林算法Fig.1 Weighted random forest algorithm

    2.1 帶約束的bootstrap抽樣

    RF是一種集成學(xué)習(xí)算法,由多棵DT組成[16]。傳統(tǒng)的RF使用bootstrap進(jìn)行有放回的隨機(jī)抽樣,每次隨機(jī)抽取初始樣本的2/3作為一個(gè)子集訓(xùn)練一棵樹。bootstrap抽樣是RF隨機(jī)性的保證,但這存在一個(gè)問(wèn)題,假設(shè)初始樣本集P為類別不平衡數(shù)據(jù)集,樣本的不平衡度為R,其計(jì)算式為

    (9)

    式(9)中:Pmax和Pmin分別表示初始樣本中的多數(shù)類和少數(shù)類樣本。

    在bootstrap抽樣過(guò)程中,若隨機(jī)抽取的子集的不平衡度比R大,表明該子集的類別不平衡問(wèn)題較為突出,由此類子集訓(xùn)練得到的DT會(huì)更加傾向于對(duì)多數(shù)類樣本的學(xué)習(xí),不利于對(duì)少數(shù)類樣本的識(shí)別。為了降低抽樣過(guò)程的影響,文中通過(guò)在bootstrap抽樣中添加約束條件,可以保證在每次抽樣過(guò)程中至少抽取2/3的少數(shù)類樣本。該約束條件為

    (10)

    (11)

    式中:P′max和P′min分別表示抽取的多數(shù)類和少數(shù)類樣本。

    2.2 加權(quán)隨機(jī)森林算法

    傳統(tǒng)的RF不加以區(qū)分的對(duì)待所有的DT,導(dǎo)致分類性能不同的DT具有相同的投票權(quán)重。為了提高RF對(duì)少數(shù)類樣本的識(shí)別能力,現(xiàn)提出一種加權(quán)隨機(jī)森林算法(weighted random forest,WRF)。在DT訓(xùn)練階段,通過(guò)評(píng)估每棵DT的分類性能,為能夠準(zhǔn)確分類少數(shù)類樣本的DT賦予一個(gè)更高的權(quán)重,并通過(guò)加權(quán)投票的方式獲得最終的預(yù)測(cè)結(jié)果。文中將WRF的預(yù)測(cè)結(jié)果定義為

    (12)

    式(12)中:N為測(cè)試集;T為DT的數(shù)量;I(·)為指示函數(shù);ft(N)為第t棵DT的預(yù)測(cè)結(jié)果;y表示類別;ωt為第t棵DT的投票權(quán)重。當(dāng)DT的預(yù)測(cè)結(jié)果為真時(shí),指示函數(shù)I(·)的值為1,反之為0。

    首先,列出如表1所示的混淆矩陣。其中,TP表示將穩(wěn)定樣本判別為穩(wěn)定樣本,F(xiàn)N表示將穩(wěn)定樣本判別為失穩(wěn)樣本,F(xiàn)P表示將失穩(wěn)樣本判別為穩(wěn)定樣本,TN表示將失穩(wěn)樣本判別為失穩(wěn)樣本。

    表1 混淆矩陣Table 1 Confusion matrix

    文中使用每棵DT對(duì)失穩(wěn)樣本分類的精確率Pre(precision)和召回率Rec(recall)的調(diào)和平均值F1作為該樹的權(quán)重,將每棵樹的投票權(quán)值ωt定義為

    (13)

    (14)

    (15)

    F1越大,表明該決策樹對(duì)少數(shù)類樣本的分類性能越好。

    3 在線暫態(tài)穩(wěn)定評(píng)估

    基于JMIM和WRF的在線暫態(tài)穩(wěn)定評(píng)估流程如圖2所示,主要包括離線訓(xùn)練和在線應(yīng)用兩個(gè)階段。

    圖2 在線暫態(tài)穩(wěn)定評(píng)估流程Fig.2 Online transient stability assessment process

    3.1 離線訓(xùn)練

    3.1.1 數(shù)據(jù)庫(kù)生成

    通過(guò)電力系統(tǒng)仿真軟件PSS/E進(jìn)行時(shí)域暫態(tài)仿真,生成一個(gè)包含多個(gè)樣本的暫態(tài)穩(wěn)定數(shù)據(jù)庫(kù),并為每個(gè)樣本附上其對(duì)應(yīng)的暫態(tài)穩(wěn)定標(biāo)簽。

    3.1.2 特征選擇

    通過(guò)仿真生成的初始特征集中包含了各發(fā)電機(jī)、母線和輸電線路等關(guān)鍵設(shè)備的運(yùn)行狀態(tài)信息,特征維度較高。為了降低模型計(jì)算的復(fù)雜度,通過(guò)JMIM挖掘初始特征之間的相關(guān)性,剔除冗余特征,篩選出一個(gè)與暫態(tài)穩(wěn)定標(biāo)簽具有強(qiáng)相關(guān)性的關(guān)鍵特征子集。

    3.1.3 模型訓(xùn)練及測(cè)試

    基于篩選的關(guān)鍵特征子集,對(duì)WRF模型進(jìn)行訓(xùn)練及測(cè)試,建立一個(gè)能夠準(zhǔn)確反映關(guān)鍵特征數(shù)據(jù)與暫態(tài)穩(wěn)定標(biāo)簽之間的映射關(guān)系離線暫態(tài)穩(wěn)定評(píng)估模型。

    3.1.4 知識(shí)庫(kù)建立

    考慮到電力系統(tǒng)是一個(gè)時(shí)變的大系統(tǒng),經(jīng)常會(huì)因?yàn)闄z修等原因造成系統(tǒng)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)發(fā)生變化。由于初始訓(xùn)練樣本中不可能涵蓋電力系統(tǒng)所有的運(yùn)行拓?fù)鋱?chǎng)景,當(dāng)電力系統(tǒng)的拓?fù)浣Y(jié)構(gòu)發(fā)生改變時(shí),原模型會(huì)出現(xiàn)評(píng)估精度降低甚至變得不適用。因此,需要進(jìn)行多種電力系統(tǒng)拓?fù)浣Y(jié)構(gòu)下的仿真,針對(duì)不同的運(yùn)行場(chǎng)景進(jìn)行暫態(tài)穩(wěn)定分析,建立相對(duì)應(yīng)的離線評(píng)估模型。然后,將所有的離線模型集成到一個(gè)知識(shí)庫(kù)中,以備后續(xù)出現(xiàn)緊急事故時(shí)的快速調(diào)用。

    3.2 在線應(yīng)用

    在應(yīng)用階段,首先通過(guò)控制中心服務(wù)器判斷電力系統(tǒng)的網(wǎng)絡(luò)架構(gòu),并從知識(shí)庫(kù)中調(diào)用與當(dāng)前網(wǎng)絡(luò)拓?fù)湎鄬?duì)應(yīng)的暫態(tài)穩(wěn)定評(píng)估模型。選擇PMU采集的關(guān)鍵特征數(shù)據(jù)輸入離線訓(xùn)練好的評(píng)估模型,實(shí)時(shí)監(jiān)測(cè)系統(tǒng)的穩(wěn)定狀況。當(dāng)系統(tǒng)被判別為穩(wěn)定運(yùn)行時(shí),則保持對(duì)系統(tǒng)運(yùn)行狀態(tài)的持續(xù)監(jiān)測(cè);當(dāng)系統(tǒng)被判別為失穩(wěn)運(yùn)行時(shí),則應(yīng)立即采取控制措施。

    3.3 模型性能評(píng)價(jià)指標(biāo)

    由于電力系統(tǒng)長(zhǎng)期處于穩(wěn)定運(yùn)行狀態(tài),導(dǎo)致電力系統(tǒng)數(shù)據(jù)庫(kù)中穩(wěn)定樣本數(shù)量遠(yuǎn)多于失穩(wěn)樣本,若模型能夠較好地分類穩(wěn)定樣本,即使對(duì)失穩(wěn)樣本的識(shí)別能力較低,模型也能獲得較高的總體分類精度。而在電力系統(tǒng)的暫態(tài)穩(wěn)定評(píng)估中,將失穩(wěn)樣本判別為穩(wěn)定樣本這類誤判情況對(duì)系統(tǒng)的影響更大。因此,文中采用WRF模型分類的總體準(zhǔn)確率Acc(accuracy)和對(duì)失穩(wěn)樣本識(shí)別的召回率Rec兩個(gè)指標(biāo)作為模型性能的評(píng)價(jià)指標(biāo)。其中,Rec用于反映所有失穩(wěn)樣本被正確識(shí)別的比例,其計(jì)算式見式(15),Acc為正確分類的穩(wěn)定樣本和失穩(wěn)樣本占所有樣本的比例,其計(jì)算式為

    (16)

    4 算例分析

    4.1 數(shù)據(jù)生成

    為了驗(yàn)證所提方法的有效性,將圖3所示的新英格蘭10機(jī)39節(jié)點(diǎn)系統(tǒng)作為測(cè)試系統(tǒng)。所有測(cè)試均是在一臺(tái)配置Intel Core i7 3.40-GHz CPU和8 GB運(yùn)行內(nèi)存的電腦上進(jìn)行。

    圖3 新英格蘭10機(jī)39節(jié)點(diǎn)系統(tǒng)Fig.3 New England 10-machine 39-bus system

    在仿真過(guò)程中,將負(fù)荷模型設(shè)置為恒阻抗模型,通過(guò)在不同的線路上設(shè)置三相短路故障來(lái)模擬多種運(yùn)行工況。模擬總的負(fù)荷為[80%,120%]增長(zhǎng)變化,以5%為步長(zhǎng),并根據(jù)負(fù)荷水平相應(yīng)調(diào)整發(fā)電機(jī)的出力。將故障的持續(xù)時(shí)間分別設(shè)置為0.1、0.15、0.2、0.25、0.3 s,單次仿真時(shí)長(zhǎng)設(shè)置為10 s。文中以任意兩臺(tái)發(fā)電機(jī)的功角是否超過(guò)360°作為暫態(tài)穩(wěn)定的判斷依據(jù)。最終生成了4 680個(gè)樣本,其中穩(wěn)定樣本3 694,失穩(wěn)樣本986。隨機(jī)選取仿真樣本的80%作為訓(xùn)練集,其余20%作為測(cè)試集。

    4.2 特征選擇

    文中通過(guò)JMIM方法分別選擇不同維度的特征進(jìn)行模型性能的測(cè)試,測(cè)試結(jié)果如圖4所示。結(jié)果表明,隨著特征數(shù)量的增多,模型的評(píng)估精度逐步上升,最后趨于穩(wěn)定。由于基于機(jī)器學(xué)習(xí)的暫態(tài)穩(wěn)定評(píng)估模型需要經(jīng)常進(jìn)行更新迭代,在考慮精度的同時(shí),模型的訓(xùn)練時(shí)間需越短越好。因此,文中考慮時(shí)間與精度的權(quán)衡,最終選擇初始特征的42維作為關(guān)鍵特征子集。

    圖4 特征選擇的影響Fig.4 Influence of feature selection

    為了體現(xiàn)文中所提特征選擇方法的優(yōu)越性,將其與互信息特征選擇(mutual information feature selection,MIFS)[17]、聯(lián)合互信息(joint mutual information,JMI)[18]和最大相關(guān)最小冗余(maximum relevance minimum redundancy,MRMR)[19]三種特征選擇方法進(jìn)行對(duì)比測(cè)試?;诓煌椒ㄟx擇的子集,模型的性能測(cè)試結(jié)果如表2所示。

    表2 不同特征選擇方法的對(duì)比Table 2 Comparison of different feature selection methods

    MIFS和MRMR在特征選擇時(shí)只考慮單個(gè)特征加入的互信息值,而無(wú)法排除多個(gè)特征相關(guān)的情況,因此模型的評(píng)估精度總體偏低。JMIM和JMI不僅考慮了多個(gè)特征相關(guān)的情況,并且在計(jì)算特征之間互信息值的同時(shí)考慮了類別標(biāo)簽的影響,JMIM是JMI方法的改進(jìn),JMIM能夠緩解JMI在特征選擇過(guò)程中對(duì)部分特征的高估問(wèn)題??傮w來(lái)看,基于JMIM選擇的特征子集,模型能夠獲得最優(yōu)的評(píng)估性能,分類的總體準(zhǔn)確率和對(duì)失穩(wěn)樣本識(shí)別的召回率分別高達(dá)99.07%和98.87%。

    4.3 不同機(jī)器學(xué)習(xí)模型的性能對(duì)比

    將WRF模型與不同的機(jī)器學(xué)習(xí)模型進(jìn)行對(duì)比測(cè)試,主要包括ANN、SVM、DT和傳統(tǒng)的RF,所有的機(jī)器學(xué)習(xí)模型均基于Scikit-learn搭建。在測(cè)試過(guò)程中,ANN使用單隱藏層網(wǎng)絡(luò)結(jié)構(gòu),隱藏層的激活函數(shù)使用的ReLU激活函數(shù),SVM使用多項(xiàng)式核函數(shù),DT使用C4.5算法。所有模型在訓(xùn)練過(guò)程中使用相同的輸入特征。其中,RF和WRF在不同DT數(shù)量下評(píng)估的準(zhǔn)確率如圖5所示。結(jié)果表明,當(dāng)DT數(shù)量達(dá)到100左右時(shí),模型的評(píng)估精度趨于穩(wěn)定。因此,文中將RF和WRF的DT數(shù)量均設(shè)置為100。

    圖5 不同決策樹數(shù)量下的準(zhǔn)確率Fig.5 Accuracy under different number of decision trees

    不同機(jī)器學(xué)習(xí)模型的性能測(cè)試結(jié)果如表3所示??傮w來(lái)看,RF為基于樹的集成模型,其評(píng)估精度優(yōu)于SVM、DT和ANN這類淺層模型。此外,由于RF需要經(jīng)過(guò)多次迭代,模型訓(xùn)練的時(shí)間復(fù)雜度也相對(duì)更高。與傳統(tǒng)的RF相比,bootstrap抽樣的改進(jìn)和加權(quán)投票的方式雖然增加了模型的訓(xùn)練時(shí)間,但WRF分類的總體準(zhǔn)確率和對(duì)失穩(wěn)樣本識(shí)別的召回率分別提高了0.22%和1.25%,表明算法的改進(jìn)在一定程度增強(qiáng)了RF對(duì)失穩(wěn)樣本的識(shí)別能力,提高了模型的總體分類精度。

    表3 不同模型的性能對(duì)比Table 3 Performance comparison of different models

    4.4 魯棒性測(cè)試

    PMU在數(shù)據(jù)采集過(guò)程中,可能會(huì)出現(xiàn)兩類數(shù)據(jù)異常情況:①PMU在監(jiān)測(cè)過(guò)程中可能會(huì)產(chǎn)生測(cè)量誤差,這會(huì)給數(shù)據(jù)疊加一定的噪聲;②由于PMU發(fā)生故障和通信鏈路延遲等原因,可能會(huì)造成部分監(jiān)測(cè)數(shù)據(jù)缺失。本文中針對(duì)這兩種情況分別進(jìn)行了模型性能的測(cè)試。

    根據(jù)IEEE C37.118標(biāo)準(zhǔn),PMU測(cè)量的總矢量誤差應(yīng)小于1%[20]。文中通過(guò)在數(shù)據(jù)集中加入不同信噪比(signal to noise ratio,SNR)的高斯白噪聲來(lái)模擬PMU的測(cè)量誤差。其中,噪聲為20 dB對(duì)應(yīng)的測(cè)量誤差為1%。文中主要考慮了以下兩種測(cè)試場(chǎng)景:①在測(cè)試集加入噪聲;②在訓(xùn)練集和測(cè)試集中同時(shí)加入噪聲。

    兩種場(chǎng)景下WRF分類的準(zhǔn)確率如圖6所示,對(duì)失穩(wěn)樣本識(shí)別的召回率如圖7所示。結(jié)果表明,由于WRF為基于樹的集成模型,原本就對(duì)噪聲具有一定的魯棒性。在上述兩種場(chǎng)景下,隨著噪聲的增加,WRF仍能夠維持評(píng)估的總體準(zhǔn)確率在97%以上,雖然WRF對(duì)失穩(wěn)樣本識(shí)別的召回率下降幅度偏高,但仍能維持在一個(gè)可接受的范圍,表明了針對(duì)數(shù)據(jù)存在噪聲的問(wèn)題,本文所提方法具有一定的魯棒性。此外,當(dāng)訓(xùn)練集和測(cè)試集都存在噪聲時(shí),模型能夠給出更加穩(wěn)定的評(píng)估結(jié)果。

    圖6 不同噪聲條件下的準(zhǔn)確率Fig.6 Accuracy under different noise conditions

    圖7 不同噪聲條件下的召回率Fig.7 Recall rate under different noise conditions

    為了檢驗(yàn)數(shù)據(jù)缺失對(duì)WRF模型評(píng)估性能的影響,在測(cè)試集中考慮了10%、20%、30%和40%四種比例的特征缺失情況。其中,缺失特征的選擇是隨機(jī)的。測(cè)試的結(jié)果如表4所示。結(jié)果表明,隨著特征缺失比例的增加,對(duì)WRF模型的負(fù)面影響也越來(lái)越大。由于WRF由多棵樹組成,每棵樹都是隨機(jī)選取多個(gè)特征進(jìn)行訓(xùn)練,這在一定程度緩解了特征缺失的影響。總體來(lái)看,WRF的評(píng)估精度并不會(huì)因?yàn)樘卣魅笔П壤脑黾佣霈F(xiàn)大幅度下降,仍能夠維持評(píng)估的精度在96%以上,表明了針對(duì)數(shù)據(jù)缺失問(wèn)題,WRF具有一定的容錯(cuò)性。

    表4 不同數(shù)據(jù)缺失下的性能測(cè)試Table 4 Performance test under different data missing

    4.5 模型的泛化能力測(cè)試

    由于電力系統(tǒng)數(shù)據(jù)庫(kù)中很難涵蓋電力系統(tǒng)所有的運(yùn)行場(chǎng)景,針對(duì)新的運(yùn)行場(chǎng)景,模型的評(píng)估性能也會(huì)發(fā)生改變。因此,模型的泛化能力也是衡量模型性能的重要指標(biāo)。

    基于4.1節(jié)所提的樣本生成方法,文中通過(guò)考慮多種未包含在初始數(shù)據(jù)庫(kù)中的電力系統(tǒng)拓?fù)浣Y(jié)構(gòu)進(jìn)行模型的泛化能力測(cè)試。針對(duì)每種拓?fù)浣Y(jié)構(gòu)仿真生成300個(gè)新樣本,將新樣本直接輸入WRF進(jìn)行性能測(cè)試。其中,電力系統(tǒng)的拓?fù)浣Y(jié)構(gòu)變化如表5所示,模型的泛化能力測(cè)試結(jié)果如表6所示。結(jié)果表明,雖然拓?fù)浣Y(jié)構(gòu)的變化在一定程度影響了WRF評(píng)估的準(zhǔn)確性,但模型仍能夠維持評(píng)估的精度在94%以上,表明針對(duì)未知的電力系統(tǒng)拓?fù)鋱?chǎng)景,文中所提模型具有一定的泛化能力。

    表5 拓?fù)浣Y(jié)構(gòu)的變化Table 5 Changes of topological structure

    表6 不同拓?fù)浣Y(jié)構(gòu)下的評(píng)估精度Table 6 Assessment accuracy under different topologies

    5 結(jié)論

    為了進(jìn)一步提高電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估的準(zhǔn)確性,文中提出了一種基于JMIM和WRF的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估方法。在新英格蘭10機(jī)39節(jié)點(diǎn)系統(tǒng)對(duì)所提方法的性能進(jìn)行仿真驗(yàn)證,結(jié)果表明:

    (1)采用JMIM方法挖掘電網(wǎng)運(yùn)行數(shù)據(jù)之間的相關(guān)性,能夠有效降低數(shù)據(jù)的維度。JMIM能夠篩選一個(gè)與暫態(tài)穩(wěn)定標(biāo)簽具有強(qiáng)相關(guān)性的關(guān)鍵特征子集,有利于降低后續(xù)模型訓(xùn)練的時(shí)間復(fù)雜度,提高計(jì)算效率。

    (2)通過(guò)在bootstrap抽樣中添加約束條件和DT的加權(quán)處理,降低了訓(xùn)練樣本類別不平衡帶來(lái)的影響。與ANN、DT、SVM和傳統(tǒng)的RF相比,文中的WRF模型對(duì)失穩(wěn)樣本的識(shí)別能力更強(qiáng),能夠獲得更高的評(píng)估精度。

    (3)針對(duì)未知的電力系統(tǒng)運(yùn)行拓?fù)鋱?chǎng)景以及輸入數(shù)據(jù)存在噪聲和數(shù)據(jù)缺失問(wèn)題,文中所提WRF模型的評(píng)估精度不會(huì)出現(xiàn)大幅度下降,仍能夠給出相對(duì)穩(wěn)定的評(píng)估結(jié)果,具有較強(qiáng)的魯棒性和泛化能力。

    猜你喜歡
    互信息特征選擇子集
    由一道有關(guān)集合的子集個(gè)數(shù)題引發(fā)的思考
    拓?fù)淇臻g中緊致子集的性質(zhì)研究
    關(guān)于奇數(shù)階二元子集的分離序列
    Kmeans 應(yīng)用與特征選擇
    電子制作(2017年23期)2017-02-02 07:17:06
    基于互信息的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)
    聯(lián)合互信息水下目標(biāo)特征選擇算法
    改進(jìn)的互信息最小化非線性盲源分離算法
    每一次愛情都只是愛情的子集
    都市麗人(2015年4期)2015-03-20 13:33:22
    基于增量式互信息的圖像快速匹配方法
    基于特征選擇和RRVPMCD的滾動(dòng)軸承故障診斷方法
    操美女的视频在线观看| 亚洲,欧美精品.| 成人国产一区最新在线观看| 在线亚洲精品国产二区图片欧美| 999久久久国产精品视频| 美女视频免费永久观看网站| 午夜精品国产一区二区电影| 在线观看人妻少妇| 免费在线观看视频国产中文字幕亚洲 | 人人妻人人添人人爽欧美一区卜| 午夜福利视频精品| 国产亚洲av高清不卡| 热re99久久精品国产66热6| 欧美性长视频在线观看| 动漫黄色视频在线观看| 久久精品国产a三级三级三级| 国产真人三级小视频在线观看| 午夜福利,免费看| 国产一区二区激情短视频 | 亚洲成人手机| 99久久精品国产亚洲精品| 伦理电影免费视频| 亚洲精品国产av成人精品| 黄网站色视频无遮挡免费观看| 一个人免费看片子| 成年人免费黄色播放视频| 国产黄频视频在线观看| 亚洲国产日韩一区二区| 热re99久久精品国产66热6| 亚洲成人手机| 午夜免费观看性视频| 欧美黑人精品巨大| 考比视频在线观看| 亚洲精品久久成人aⅴ小说| 国产精品香港三级国产av潘金莲| 1024香蕉在线观看| 99国产综合亚洲精品| 久久亚洲国产成人精品v| 亚洲精品粉嫩美女一区| 黄片小视频在线播放| 狠狠婷婷综合久久久久久88av| 久久久久国内视频| 免费不卡黄色视频| 精品少妇久久久久久888优播| 亚洲成人手机| 不卡一级毛片| 国产又色又爽无遮挡免| 国产亚洲精品久久久久5区| 国产亚洲欧美在线一区二区| 男女之事视频高清在线观看| 亚洲国产av影院在线观看| 男女国产视频网站| 国产成人免费无遮挡视频| 国产99久久九九免费精品| 日韩免费高清中文字幕av| 在线 av 中文字幕| 丝袜在线中文字幕| 午夜福利乱码中文字幕| 久久亚洲国产成人精品v| 中文字幕人妻丝袜一区二区| 黄色视频,在线免费观看| 五月开心婷婷网| 制服人妻中文乱码| 亚洲熟女精品中文字幕| 两性夫妻黄色片| 男人操女人黄网站| 午夜精品久久久久久毛片777| 最新在线观看一区二区三区| 丰满人妻熟妇乱又伦精品不卡| 丝袜美足系列| 午夜福利影视在线免费观看| 男男h啪啪无遮挡| 91麻豆av在线| 人成视频在线观看免费观看| 亚洲国产欧美一区二区综合| 免费高清在线观看视频在线观看| 少妇人妻久久综合中文| 国产精品欧美亚洲77777| 少妇猛男粗大的猛烈进出视频| 午夜激情av网站| 在线亚洲精品国产二区图片欧美| 狠狠精品人妻久久久久久综合| 黄网站色视频无遮挡免费观看| 两性午夜刺激爽爽歪歪视频在线观看 | av天堂久久9| 啦啦啦中文免费视频观看日本| 亚洲国产精品成人久久小说| 国产精品影院久久| 亚洲成人国产一区在线观看| 在线看a的网站| 国产一区二区在线观看av| 丰满迷人的少妇在线观看| 亚洲成人手机| 丰满饥渴人妻一区二区三| 亚洲国产毛片av蜜桃av| 男女床上黄色一级片免费看| 永久免费av网站大全| 久久久精品国产亚洲av高清涩受| 久久国产精品人妻蜜桃| 高清欧美精品videossex| 亚洲国产成人一精品久久久| 久久毛片免费看一区二区三区| 国产男女超爽视频在线观看| 免费看十八禁软件| av又黄又爽大尺度在线免费看| 国产1区2区3区精品| 热re99久久精品国产66热6| 巨乳人妻的诱惑在线观看| 精品人妻1区二区| 自线自在国产av| 久热这里只有精品99| 高清视频免费观看一区二区| 十八禁网站网址无遮挡| a在线观看视频网站| 国产97色在线日韩免费| 国产亚洲欧美精品永久| 男女免费视频国产| 亚洲五月婷婷丁香| 午夜精品久久久久久毛片777| 免费av中文字幕在线| 久久精品国产综合久久久| 天堂俺去俺来也www色官网| 国产成人欧美| 日韩欧美一区视频在线观看| 久热这里只有精品99| 成在线人永久免费视频| 亚洲精品日韩在线中文字幕| 久久久精品国产亚洲av高清涩受| 两个人看的免费小视频| 色老头精品视频在线观看| 亚洲伊人色综图| 国产精品九九99| 黄片大片在线免费观看| 狂野欧美激情性xxxx| 精品国产一区二区三区久久久樱花| av欧美777| 少妇被粗大的猛进出69影院| 国产一区二区三区在线臀色熟女 | 后天国语完整版免费观看| 亚洲国产中文字幕在线视频| 亚洲国产欧美网| 999久久久精品免费观看国产| av欧美777| 日韩欧美免费精品| 国产欧美日韩综合在线一区二区| 久久影院123| 91字幕亚洲| 亚洲一区二区三区欧美精品| 丝袜美腿诱惑在线| 亚洲av日韩在线播放| 三级毛片av免费| 国产99久久九九免费精品| 性色av一级| 另类亚洲欧美激情| 亚洲黑人精品在线| 女人精品久久久久毛片| 亚洲成国产人片在线观看| 久久久久视频综合| 中文字幕av电影在线播放| 欧美国产精品一级二级三级| 麻豆av在线久日| 一进一出抽搐动态| av网站在线播放免费| 丝袜美足系列| 男人舔女人的私密视频| 精品人妻熟女毛片av久久网站| 亚洲成人国产一区在线观看| 亚洲精品日韩在线中文字幕| 欧美国产精品一级二级三级| 欧美日韩精品网址| 999久久久国产精品视频| 国产免费av片在线观看野外av| 一级片免费观看大全| 一本色道久久久久久精品综合| 精品高清国产在线一区| 亚洲专区中文字幕在线| 欧美日本中文国产一区发布| 色94色欧美一区二区| 国产欧美日韩一区二区精品| 精品国产国语对白av| 亚洲国产成人一精品久久久| 午夜福利一区二区在线看| 亚洲视频免费观看视频| 黄频高清免费视频| 国产国语露脸激情在线看| av在线播放精品| 欧美成人午夜精品| 无遮挡黄片免费观看| 久久免费观看电影| 一本—道久久a久久精品蜜桃钙片| 免费高清在线观看视频在线观看| 免费高清在线观看日韩| 久久女婷五月综合色啪小说| 亚洲熟女精品中文字幕| 天天躁日日躁夜夜躁夜夜| 亚洲伊人色综图| 国产一区二区三区综合在线观看| 成人黄色视频免费在线看| 91大片在线观看| 国产精品一区二区免费欧美 | 他把我摸到了高潮在线观看 | 久久人妻熟女aⅴ| 精品熟女少妇八av免费久了| 中国国产av一级| 黄网站色视频无遮挡免费观看| 性高湖久久久久久久久免费观看| 免费高清在线观看日韩| 少妇裸体淫交视频免费看高清 | 成年人免费黄色播放视频| 成年美女黄网站色视频大全免费| 在线观看免费午夜福利视频| 国产精品久久久人人做人人爽| 欧美日韩一级在线毛片| 精品熟女少妇八av免费久了| 丰满少妇做爰视频| 两个人免费观看高清视频| 亚洲九九香蕉| 免费av中文字幕在线| 国产高清视频在线播放一区 | 亚洲人成电影免费在线| 在线观看舔阴道视频| 久久精品aⅴ一区二区三区四区| 亚洲精品中文字幕一二三四区 | 人妻人人澡人人爽人人| 考比视频在线观看| 日本一区二区免费在线视频| 女人爽到高潮嗷嗷叫在线视频| 人妻 亚洲 视频| 久久久国产成人免费| 一区二区三区乱码不卡18| 热99久久久久精品小说推荐| 99热国产这里只有精品6| 欧美精品啪啪一区二区三区 | 女警被强在线播放| 成年人午夜在线观看视频| 亚洲视频免费观看视频| 国产成人av教育| a级毛片黄视频| 黄网站色视频无遮挡免费观看| 国产精品.久久久| 日本猛色少妇xxxxx猛交久久| 美女视频免费永久观看网站| 欧美激情高清一区二区三区| 国产高清videossex| 亚洲av成人不卡在线观看播放网 | 精品高清国产在线一区| 国产在线观看jvid| 欧美日韩成人在线一区二区| 午夜福利视频精品| 亚洲欧美色中文字幕在线| a级毛片在线看网站| 国产片内射在线| 妹子高潮喷水视频| 99国产精品免费福利视频| 国产欧美日韩一区二区精品| 啦啦啦中文免费视频观看日本| 亚洲精品国产av蜜桃| 国产三级黄色录像| 久久精品久久久久久噜噜老黄| 亚洲成人手机| 精品亚洲成国产av| 国产精品自产拍在线观看55亚洲 | 精品国产一区二区三区久久久樱花| 精品福利永久在线观看| 操美女的视频在线观看| 丝袜美足系列| 国产精品影院久久| 人妻一区二区av| cao死你这个sao货| 午夜久久久在线观看| 亚洲精品久久午夜乱码| 一区二区三区激情视频| 波多野结衣av一区二区av| 久热这里只有精品99| 国产免费现黄频在线看| 大型av网站在线播放| 大香蕉久久成人网| 午夜久久久在线观看| 在线十欧美十亚洲十日本专区| 在线亚洲精品国产二区图片欧美| 国产精品二区激情视频| 免费人妻精品一区二区三区视频| √禁漫天堂资源中文www| 在线十欧美十亚洲十日本专区| 午夜福利视频在线观看免费| 国内毛片毛片毛片毛片毛片| 亚洲伊人久久精品综合| 国产成人a∨麻豆精品| 热re99久久精品国产66热6| 91麻豆精品激情在线观看国产 | 少妇精品久久久久久久| 日韩有码中文字幕| 美女视频免费永久观看网站| 一级片免费观看大全| 国产亚洲精品一区二区www | 日本精品一区二区三区蜜桃| 欧美少妇被猛烈插入视频| 国产亚洲av片在线观看秒播厂| 男人操女人黄网站| 菩萨蛮人人尽说江南好唐韦庄| 一区二区三区四区激情视频| 久久av网站| 亚洲avbb在线观看| 国产xxxxx性猛交| 日本一区二区免费在线视频| 每晚都被弄得嗷嗷叫到高潮| 青草久久国产| 一区二区三区激情视频| a在线观看视频网站| 岛国在线观看网站| 久久精品国产亚洲av高清一级| 亚洲成人手机| 日韩熟女老妇一区二区性免费视频| 亚洲av电影在线观看一区二区三区| 极品少妇高潮喷水抽搐| 亚洲国产av影院在线观看| 国产一级毛片在线| 成年人黄色毛片网站| 狂野欧美激情性bbbbbb| 国产精品 国内视频| 国产精品久久久久成人av| 精品少妇黑人巨大在线播放| 久久ye,这里只有精品| 在线观看一区二区三区激情| 桃花免费在线播放| 精品人妻1区二区| 日韩有码中文字幕| 中文字幕制服av| 国产色视频综合| 侵犯人妻中文字幕一二三四区| 在线看a的网站| 人妻人人澡人人爽人人| 国产精品av久久久久免费| 99国产精品99久久久久| 成人免费观看视频高清| 精品高清国产在线一区| 人人妻人人澡人人爽人人夜夜| 精品少妇久久久久久888优播| 欧美午夜高清在线| av天堂久久9| 两个人免费观看高清视频| 欧美精品一区二区大全| netflix在线观看网站| 国产欧美亚洲国产| 免费一级毛片在线播放高清视频 | 日本a在线网址| 欧美日韩国产mv在线观看视频| 欧美激情极品国产一区二区三区| 啦啦啦在线免费观看视频4| 宅男免费午夜| 成人影院久久| 欧美+亚洲+日韩+国产| 无遮挡黄片免费观看| 精品第一国产精品| 午夜日韩欧美国产| 国产无遮挡羞羞视频在线观看| av欧美777| 99精国产麻豆久久婷婷| 一本—道久久a久久精品蜜桃钙片| 欧美激情久久久久久爽电影 | 国精品久久久久久国模美| 美女视频免费永久观看网站| 成人免费观看视频高清| 亚洲精品自拍成人| 叶爱在线成人免费视频播放| 成人三级做爰电影| 亚洲精品在线美女| 99国产综合亚洲精品| 国产日韩一区二区三区精品不卡| 男女午夜视频在线观看| 亚洲精品日韩在线中文字幕| 久久国产亚洲av麻豆专区| 久久亚洲精品不卡| 中文字幕人妻熟女乱码| 精品福利观看| 亚洲av电影在线进入| 黑人猛操日本美女一级片| 国产欧美日韩一区二区三区在线| 久久99一区二区三区| 中国国产av一级| 丝袜喷水一区| 欧美日韩成人在线一区二区| 一本综合久久免费| 少妇被粗大的猛进出69影院| 丝袜人妻中文字幕| 黄片播放在线免费| 91字幕亚洲| 中文字幕另类日韩欧美亚洲嫩草| 久久香蕉激情| 91九色精品人成在线观看| 一区福利在线观看| 欧美日韩一级在线毛片| 老司机深夜福利视频在线观看 | av福利片在线| 亚洲自偷自拍图片 自拍| 一区二区日韩欧美中文字幕| 久久香蕉激情| 欧美精品亚洲一区二区| 国产精品av久久久久免费| 久久久久久久精品精品| 久久精品aⅴ一区二区三区四区| 极品人妻少妇av视频| 啦啦啦啦在线视频资源| 大型av网站在线播放| 99久久综合免费| a级片在线免费高清观看视频| 国产成人欧美在线观看 | 国产片内射在线| 丝袜喷水一区| 人人妻人人澡人人看| 久久久精品区二区三区| 老鸭窝网址在线观看| 久久久精品94久久精品| 国产淫语在线视频| 青春草亚洲视频在线观看| 两个人免费观看高清视频| av天堂久久9| 91精品三级在线观看| 亚洲精品av麻豆狂野| 亚洲精品美女久久av网站| 真人做人爱边吃奶动态| 国内毛片毛片毛片毛片毛片| 色老头精品视频在线观看| 亚洲国产欧美一区二区综合| 欧美日韩精品网址| 久久九九热精品免费| 悠悠久久av| 国产极品粉嫩免费观看在线| av在线app专区| 可以免费在线观看a视频的电影网站| 搡老岳熟女国产| 亚洲精品国产一区二区精华液| 久久精品国产亚洲av香蕉五月 | 可以免费在线观看a视频的电影网站| 国产又爽黄色视频| 精品一区在线观看国产| 十八禁网站网址无遮挡| 亚洲国产欧美网| 肉色欧美久久久久久久蜜桃| 亚洲国产精品成人久久小说| 欧美人与性动交α欧美软件| 国精品久久久久久国模美| 国产精品香港三级国产av潘金莲| 亚洲av男天堂| 亚洲精品国产av蜜桃| 嫁个100分男人电影在线观看| 男人爽女人下面视频在线观看| 国产一区二区三区在线臀色熟女 | 午夜福利影视在线免费观看| 女人久久www免费人成看片| 久久久久久久久免费视频了| 国产免费av片在线观看野外av| 精品久久蜜臀av无| 国产精品影院久久| 99热国产这里只有精品6| 亚洲中文字幕日韩| 在线观看免费午夜福利视频| 国产一区有黄有色的免费视频| 欧美国产精品一级二级三级| 日韩,欧美,国产一区二区三区| 少妇猛男粗大的猛烈进出视频| 少妇裸体淫交视频免费看高清 | 精品久久久久久久毛片微露脸 | 日韩视频一区二区在线观看| 欧美激情久久久久久爽电影 | 久久精品亚洲熟妇少妇任你| 亚洲精品粉嫩美女一区| 黑人欧美特级aaaaaa片| 欧美在线黄色| 两人在一起打扑克的视频| 成人av一区二区三区在线看 | 国产无遮挡羞羞视频在线观看| 最近最新免费中文字幕在线| 男人爽女人下面视频在线观看| 久久人妻熟女aⅴ| 久久精品国产综合久久久| 成人免费观看视频高清| 亚洲精品久久午夜乱码| 人妻一区二区av| 青青草视频在线视频观看| 欧美日韩中文字幕国产精品一区二区三区 | 国产一区二区三区av在线| 不卡一级毛片| 麻豆国产av国片精品| 精品国产乱码久久久久久小说| 免费在线观看视频国产中文字幕亚洲 | 日韩欧美免费精品| 王馨瑶露胸无遮挡在线观看| 人人妻人人爽人人添夜夜欢视频| 精品久久蜜臀av无| 国产高清视频在线播放一区 | 两性午夜刺激爽爽歪歪视频在线观看 | 久久久久久久精品精品| 午夜福利,免费看| 国产精品一区二区免费欧美 | 国产人伦9x9x在线观看| 久久久精品免费免费高清| 精品欧美一区二区三区在线| 波多野结衣av一区二区av| 女人精品久久久久毛片| 男女午夜视频在线观看| 老司机午夜十八禁免费视频| 99国产极品粉嫩在线观看| 亚洲国产av新网站| 黑人巨大精品欧美一区二区蜜桃| av福利片在线| videos熟女内射| 欧美精品av麻豆av| 90打野战视频偷拍视频| 一二三四在线观看免费中文在| 欧美日韩福利视频一区二区| 男人添女人高潮全过程视频| 亚洲精品久久午夜乱码| 男女免费视频国产| 国产成人欧美| 中文精品一卡2卡3卡4更新| 欧美老熟妇乱子伦牲交| 亚洲欧美一区二区三区久久| 丝袜人妻中文字幕| 日本五十路高清| 精品一区在线观看国产| 午夜福利在线免费观看网站| 亚洲精品一卡2卡三卡4卡5卡 | 建设人人有责人人尽责人人享有的| 精品一区二区三区四区五区乱码| 久久久精品免费免费高清| 国产1区2区3区精品| 精品福利永久在线观看| 亚洲专区中文字幕在线| 夫妻午夜视频| 国产免费现黄频在线看| 久久国产精品影院| 日本撒尿小便嘘嘘汇集6| 少妇被粗大的猛进出69影院| 亚洲国产欧美网| 男女边摸边吃奶| 91字幕亚洲| svipshipincom国产片| 久久久国产精品麻豆| 亚洲精品一卡2卡三卡4卡5卡 | 欧美亚洲日本最大视频资源| 91麻豆av在线| 日韩三级视频一区二区三区| 色老头精品视频在线观看| 99精品久久久久人妻精品| 青春草视频在线免费观看| 窝窝影院91人妻| 亚洲黑人精品在线| 丝袜在线中文字幕| 亚洲avbb在线观看| 欧美日韩中文字幕国产精品一区二区三区 | netflix在线观看网站| 亚洲av国产av综合av卡| 精品亚洲成国产av| 亚洲国产中文字幕在线视频| 他把我摸到了高潮在线观看 | www.精华液| 丁香六月欧美| 国产精品自产拍在线观看55亚洲 | 在线看a的网站| 精品少妇一区二区三区视频日本电影| 男女免费视频国产| 国产老妇伦熟女老妇高清| 亚洲欧美精品自产自拍| 在线 av 中文字幕| 1024视频免费在线观看| 啦啦啦啦在线视频资源| 黄色片一级片一级黄色片| 人人妻,人人澡人人爽秒播| 亚洲精品乱久久久久久| 欧美在线黄色| 亚洲av电影在线观看一区二区三区| 日韩,欧美,国产一区二区三区| 亚洲av成人一区二区三| 性色av乱码一区二区三区2| 欧美激情久久久久久爽电影 | 久久久国产一区二区| 国产在线观看jvid| 狂野欧美激情性xxxx| 亚洲国产看品久久| 精品一区在线观看国产| 亚洲av美国av| 国产免费视频播放在线视频| 精品免费久久久久久久清纯 | 一本—道久久a久久精品蜜桃钙片| 国产精品香港三级国产av潘金莲| av一本久久久久| 99国产精品免费福利视频| 中文字幕高清在线视频| 久久99一区二区三区| 午夜两性在线视频| bbb黄色大片| 精品国产一区二区三区四区第35| 青春草亚洲视频在线观看| 色94色欧美一区二区| 一边摸一边抽搐一进一出视频| 欧美亚洲 丝袜 人妻 在线| 亚洲国产成人一精品久久久| 夜夜夜夜夜久久久久| 考比视频在线观看| 日日爽夜夜爽网站| 成年美女黄网站色视频大全免费| 亚洲欧美日韩另类电影网站| 国产黄频视频在线观看| 免费在线观看影片大全网站| 精品一区二区三区四区五区乱码| 女人高潮潮喷娇喘18禁视频| 欧美日韩亚洲国产一区二区在线观看 | 国产亚洲欧美在线一区二区| 国产在视频线精品| 国产精品 国内视频| 亚洲五月色婷婷综合| 国产av又大| videos熟女内射| 午夜久久久在线观看|