• <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MAPSO優(yōu)化LSSVM的鍋爐燃燒建模研究

    2022-05-12 05:07:50藍茂蔚李楊趙國欽周元祥江政緯甘云華
    中南大學學報(自然科學版) 2022年4期
    關鍵詞:適應度全局鍋爐

    藍茂蔚,李楊,趙國欽,周元祥,江政緯,甘云華

    (1. 華南理工大學電力學院,廣東廣州,510640;2. 西安熱工研究院有限公司,陜西西安,710054;3. 廣東粵電靖海發(fā)電有限公司,廣東揭陽,515223)

    提高鍋爐效率、降低NOx的排放是電站運行的重要目標,然而燃煤電站鍋爐效率和NOx排放特性十分復雜,受到煤種、鍋爐負荷、配風方式等多種因素的影響,且各參數(shù)之間互相耦合,導致數(shù)據(jù)分析困難[1-2]。燃燒過程還伴隨能量轉(zhuǎn)換、物理化學變化、強耦合和非線性等特性,是一個非常復雜的過程,從而難以用機理模型來正確描述。人工智能技術(shù)能夠有效保留參數(shù)之間復雜的非線性關系,因此,在強耦合模型建模上得到了廣泛的關注[3-6]。

    SHIN 等[7]利用人工神經(jīng)網(wǎng)絡和遺傳算法建立了NOx還原系統(tǒng)模型。TUTTLE 等[8]采用在線神經(jīng)網(wǎng)絡進行建模,利用粒子群優(yōu)化算法(particle swarm optimization,PSO)實現(xiàn)了燃煤電廠NOx排放濃度的降低。周昊等[9-10]利用神經(jīng)網(wǎng)絡模型對NOx排放建立模型,并用遺傳算法進行尋優(yōu)。馬良玉等[11]提出了一種基于改進PSO 和雙隱層神經(jīng)網(wǎng)絡的鍋爐氧量優(yōu)化策略,為更快地搜索到最優(yōu)氧量,提出一種引入變異機制的混沌簡化粒子群算法。但人工神經(jīng)網(wǎng)絡模型存在訓練時間長、結(jié)果不確定性大、容易陷入局部極值和過學習等問題[12]。

    支持向量機(support vector machine,SVM)根據(jù)結(jié)構(gòu)風險最小化原則,能夠有效地抑制欠學習和過學習現(xiàn)象,泛化能力較強[13-14]。ZHOU等[15]利用SVM 提出了新型在線煤識別系統(tǒng),以實現(xiàn)可變?nèi)紵龡l件下的在線煤識別,實現(xiàn)電站的連續(xù)優(yōu)化。FAN 等[16]提出了一種使用連續(xù)受限玻爾茲曼機和支持向量機的新型深層結(jié)構(gòu),并使用PSO 算法優(yōu)化支持向量機的模型參數(shù)。TANG等[17]基于最小二乘支持向量機(least squares support vector machines,LSSVM)和差分進化方法自適應地構(gòu)建了爐溫的預測模型,并利用微分進化算法對鍋爐燃燒進行了優(yōu)化。Lü 等[18]提出了一種自適應LSSVM 模型來對燃煤鍋爐NOx進行預測,該模型具有新穎的模型更新方式,通過樣品添加和樣品替換來更新模型,并進行了帶有時變非線性函數(shù)的基準仿真,以評估更新算法的有效性。AHMED等[19]將實時更新方案應用于LSSVM,構(gòu)建了用于預測NOx的實時版本,可增強LSSVM對長期預測的概括能力,并且具有較高的預測精度。Lü 等[20]提出了一種基于LSSVM 方法和實際運行數(shù)據(jù)的300 MW 循環(huán)流化床的鍋爐床層溫度預測的動態(tài)模型,可以實現(xiàn)對床溫的準確預測,有利于減少溫度波動。馮磊華等[21-22]針對燃煤鍋爐NOx排放的SVM 模型,使用一種改進的PSO 算法,對標準PSO 算法進行了更新,加入自適應變異算子,在一定程度上緩解了未成熟收斂問題。馮旭剛等[23]針對燃氣發(fā)電鍋爐存在的純滯后、大慣性和參數(shù)模型易變等問題,設計了一種改進PSO 優(yōu)化的主汽壓模糊廣義預測控制策略,系統(tǒng)受模型失配影響更小,穩(wěn)定性和抗擾動能力顯著提升。孫衛(wèi)紅等[24]采用一種改進的PSO 優(yōu)化算法對模型參數(shù)進行尋優(yōu),建立鍋爐燃燒NOx排放特性模型,結(jié)果表明改進的PSO 與LSSVM 結(jié)合可改善模型的預測精度和泛化能力,對NOx排放預測有指導意義。龍文等[25]采用LSSVM 建立了鍋爐煙氣含氧量預測模型,在此基礎上結(jié)合全局尋優(yōu)的混合PSO 算法,對鍋爐煙氣含氧量進行控制。由上述研究可以發(fā)現(xiàn),目前大多數(shù)研究采用PSO算法對LSSVM模型進行優(yōu)化時都對標準PSO 算法進行改進,這是因為標準PSO算法局部搜索能力較差,易陷入局部最優(yōu)解。

    針對標準PSO 算法的缺點,改進的方法多種多樣,普遍采用的是增強擾動保持粒子多樣性的變異算子方法,本文作者提出一種改進型的PSO算法,通過結(jié)合蟻群算法的移動規(guī)則,增加粒子群的小步長局部搜索,從而增強粒子群算法的局部搜索能力。本文以某電站負荷為1 000 MW的超超臨界鍋爐作為研究對象,基于標準PSO 智能優(yōu)化算法進行改進,建立LSSVM目標模型,分析對比改進型PSO 算法與標準PSO 算法所優(yōu)化建立的LSSVM模型之間的差異。

    1 模型算法簡介

    1.1 最小二乘支持向量機

    最小二乘支持向量機(LSSVM)是SUYKENS等[26-27]在支持向量機[13-14](SVM)的基礎上提出的一種變形算法。LSSVM 利用二范數(shù)對目標函數(shù)的優(yōu)化公式進行變形,并將SVM 中的不等式約束條件轉(zhuǎn)化為等式約束條件。因此,LSSVM 將原來的二次規(guī)劃問題求解變成了線性方程組的求解,不僅簡化了計算,還減少了計算時間。LSSVM 不僅具有SVM 泛化能力強、全局最優(yōu)等優(yōu)點,而且其訓練時間短,結(jié)果更具確定性,在參數(shù)估計和函數(shù)逼近的問題研究中得到了廣泛應用[28-30]。LSSVM運用于回歸問題時,基本原理如下:

    對訓練樣本{xi,yi}(i=1,2,…,n,xi∈Rn)進行非線性回歸時,引入非線性映射函數(shù)φ(x),將訓練樣本映射到高維特征空間作線性回歸。在特征空間中LSSVM模型可表示為

    式中:w為權(quán)向量;b為偏置量。

    其目標函數(shù)minJ(w,ξ為

    式中:ξ為訓練集預測誤差;ξi為每一個樣本的誤差;γ為正規(guī)化參數(shù),γ>0。

    需滿足的約束條件為

    引入Lagrange乘子α=[α1,α2,…,αn],將目標函數(shù)轉(zhuǎn)化為Lagrange函數(shù):

    根據(jù)優(yōu)化條件:

    可得到如下線性方程組:

    式中:K(xi,xj)=φ(xi)Tφ(xj);i,j=1,2,…,n。

    可得LSSVM 模型對每一個樣本的回歸函數(shù)式為

    取不同的核函數(shù)將構(gòu)成不同的LSSVM,本文選用徑向基函數(shù)(radial basis function, RBF)作為LSSVM 的核函數(shù),RBF 函數(shù)表達式為K(xi,xj)=對于RBF 核函數(shù)的LSSVM 模型,需要確定的參數(shù)僅為核參數(shù)σ和正規(guī)化參數(shù)γ。

    1.2 粒子群算法

    粒子群優(yōu)化算法PSO 是對鳥類、蜂群等群居性動物的覓食行為進行模擬而產(chǎn)生的一種群體智能優(yōu)化方法,最早由KENNEDY 等[31]提出。基本思想是通過個體間的信息傳遞與共享,尋找最優(yōu)解。PSO 算法粒子僅具有速度v和位置u這2 個屬性,其中速度代表移動的快慢,位置代表移動的方向。粒子群通過跟蹤2個極值來更新以上2個屬性:第一個極值稱為個體極值pbest,即粒子個體搜尋到的最優(yōu)解;另一個極值稱為全局極值gbest,即整個種群目前找到的最優(yōu)解。更新速度和位置的公式如下:

    式中:第m個粒子在第t代的速度;d為變量粒子的維度;為第m個粒子在第t代的當前位置;c1和c2為加速常數(shù),c1表示粒子跟蹤自己歷史最優(yōu)值的權(quán)重,使粒子局部搜索能力得到擴大,c2表示粒子跟蹤群體最優(yōu)值的權(quán)重,代表群體個體之間的協(xié)助和信息共享過程,反映粒子群的全局搜索能力;r1和r2為介于[0,1]之間的隨機數(shù);ω為慣性權(quán)重,用于保持原來速度,對于粒子群算法的收斂性起到很大作用,ω越大,粒子飛躍幅度越大,容易錯失局部尋優(yōu)能力,而全局搜索能力越強;反之,則局部搜索能力越強,全局搜索能力越弱。因此,在迭代開始時將慣性因子設置得較大,然后在迭代過程中逐步減小,衰減公式為

    式中:t為當前迭代次數(shù);tmax為總迭代次數(shù)。

    但標準粒子群算法存在早熟現(xiàn)象,在優(yōu)化后期粒子群的多樣性迅速降低,同時算法全局搜索能力強而局部搜索能力較差,易陷入局部最優(yōu)解。主要原因是在迭代尋優(yōu)的過程中,粒子群在飛躍的過程中可能會錯失全局最優(yōu)解,而粒子更新速度較大,導致迭代過程粒子位置變化較大,無法在最優(yōu)解附近進行局部搜索。

    1.3 改進型的螞蟻-粒子群算法

    根據(jù)標準PSO 算法飛躍后期失去粒子多樣性的不足及過早收斂于局部最優(yōu)值的問題,借鑒蟻群算法的移動規(guī)則,將粒子狀態(tài)更新策略進行進一步改進,提出改進型的螞蟻-粒子群優(yōu)化算法(modified ant-particle swarm optimization,MAPSO)。蟻群算法中,螞蟻在完成一次搜索后,會根據(jù)相應的移動規(guī)則進行下一次搜索。根據(jù)模式搜索的“探測”思想,參考蟻群算法的移動規(guī)則二[32],改進粒子群算法,讓每一步迭代所得的最優(yōu)粒子在鄰域內(nèi)進行小步長的局部精細搜索,以便找到更好的全局最優(yōu)解。移動規(guī)則如下:對上次迭代中獲得最優(yōu)解的粒子gbest,在其鄰域內(nèi)進行精細的局部搜索,搜索算法如下:

    式中:λ= 0.1 · rand(),rand()為一隨機數(shù)。

    式中:h為局部動態(tài)搜索步長;f為粒子群的群體適應度函數(shù);hmax和hmin分別為初始設定的局部動態(tài)搜索步長最大值和最小值,其均為常數(shù),一般取hmin= 0.1hmax。

    式(11)中正、負號的確定借鑒模式搜索中探測的思想,由下式進行先驗性預判斷:

    若f<f(gbest),則式(11)中符號取“+”,否則取“-”。

    由上述分析可知,LSSVM 模型采用徑向基核函數(shù),需要確定的參數(shù)為核參數(shù)σ和正規(guī)化參數(shù)γ,通過MAPSO 算法對LSSVM 模型參數(shù)進行優(yōu)化,使LSSVM 模型預測誤差達到預設的理想狀態(tài)。LSSVM模型參數(shù)為2,因此,MAPSO算法的先驗性預判斷組合共有8種,通過對比先驗性粒子各個方向的適應度,保證粒子群在最優(yōu)粒子鄰域內(nèi)向正確的方向進行小步長局部搜索。

    2 鍋爐燃燒系統(tǒng)預測模型

    2.1 LSSVM模型的輸入與輸出變量

    電站鍋爐效率和NOx排放特性復雜,受多種因素的制約,如鍋爐熱負荷、風煤比、配風方式、爐膛溫度等,而影響因素之間又具有很強的耦合性。本文研究的鍋爐為某電站的1 000 MW的超超臨界鍋爐,經(jīng)過電站現(xiàn)場進行鍋爐燃燒調(diào)整試驗,選取31 個變量作為影響NOx排放與熱效率的LSSVM 輸入變量,而NOx排放濃度ρ(NOx)和鍋爐效率η作為LSSVM 的輸出變量。本文以總煤量、機組負荷和運行氧量表示鍋爐熱效率與燃燒氧量對燃燒特性的影響;熱一次風母管壓力表示一次風風速,空氣預熱器一二次風溫度加權(quán)表示預熱空氣對爐內(nèi)平均溫度的影響;2 個熱二次風流量、6 個磨煤機進口一次風風量和6 臺磨煤機分離器轉(zhuǎn)速表示煤粉和一二次風沿爐膛高度方向的分布;4個燃盡風開度表示投用燃盡風的影響;8個二次風門開度值表示8層外二次風的影響;由于電廠生產(chǎn)采用同種煤種,因此,不考慮煤種特性的影響。具體建??蚣苋鐖D1所示,其中變量后的數(shù)字代表變量個數(shù),如機組負荷為一個變量。

    2.2 數(shù)據(jù)預處理

    樣本數(shù)據(jù)來自該電廠的數(shù)據(jù)采集系統(tǒng),共142組,按照訓練集和測試集樣本比例為6∶4,隨機選取85組作為訓練集,剩余57組作為測試集。為了解決不同數(shù)據(jù)變量之間的可比性問題,需要先進行歸一化數(shù)據(jù)預處理,如式(16)所示。其中,xmax和xmin分別為變量x在所有樣本中的最大值和最小值;xn為歸一化后的數(shù)據(jù);x為原始數(shù)據(jù)。相應地,對模型預測結(jié)果采取反歸一化操作以得到實際的結(jié)果。

    2.3 建模過程

    對于鍋爐熱效率與NOx濃度的鍋爐燃燒系統(tǒng)模型,基于改進型MAPSO 優(yōu)化的LSSVM 預測控制算法的建模流程如圖2所示,具體步驟如下:

    1)設置PSO 算法和LSSVM 算法的初始參數(shù),隨機得到初始化的LSSVM模型參數(shù)的粒子群Dm=[σm,γm],m= 1,2,…,M,M為種群個數(shù);以及粒子群的初始速度vm=[vm1,vm2],m= 1,2,…,M。

    2)對鍋爐燃燒采樣得到輸入輸出數(shù)據(jù)構(gòu)成樣本集,使用LSSVM對訓練樣本進行訓練,適應度函數(shù)為各粒子的預測均方差。將初始適應度作為當前每個粒子的最優(yōu)適應度,并記錄當前的位置作為個體最優(yōu)位置。將最佳的初始適應度作為當前全局最優(yōu)適應度,并記錄當前最佳初始適應度的位置為全局最優(yōu)位置。

    3)在限定的速度、位置范圍內(nèi)更新粒子群的速度和位置,并根據(jù)當前已經(jīng)更新的位置計算適應度。

    4)更新個體最優(yōu):比較當前適應度與粒子最優(yōu)適應度,如果當前適應度更優(yōu),則將粒子當前位置作為其個體最優(yōu)位置;更新全局最優(yōu):比較每個粒子的當前適應度與粒子群的全局最優(yōu)適應度,若當前適應度更優(yōu),則將該更優(yōu)的適應度更新為全局最優(yōu)適應度,該粒子當前位置更新為全局最優(yōu)位置。

    5)以全局最優(yōu)粒子為基礎,在全局最優(yōu)粒子的鄰域進行小步長局部搜索,更新全局最優(yōu)。

    6)尋優(yōu)結(jié)束條件判斷:判斷是否達到預先設定的最大迭代次數(shù)或達到預設精度,若滿足,則尋優(yōu)結(jié)束;若不滿足,則重復步驟3)~5),繼續(xù)尋優(yōu)。

    3 預測結(jié)果及分析

    3.1 模型參數(shù)

    分別利用MAPSO 和PSO 算法對LSSVM 模型參數(shù)進行尋優(yōu),初始種群規(guī)模為50,迭代次數(shù)為100,慣性權(quán)重ω取值范圍為0.5~0.9,加速常數(shù)c1=1,c2=2,鍋爐效率以及NOx排放濃度的模型參數(shù)經(jīng)過MAPSO 和PSO 算法尋優(yōu)的結(jié)果如表1 所示。尋優(yōu)過程的全局最優(yōu)適應度函數(shù)f(u)變化曲線如圖3所示。

    由圖3 可知:使用PSO 和MAPSO 算法對LSSVM 模型參數(shù)進行優(yōu)化,收斂速度都很快,其中加速常數(shù)c2=2 以及使用逐漸衰減的權(quán)重因子ω,有效保證了算法的全局搜索能力。而相較于標準的PSO算法優(yōu)化,MAPSO算法能夠快速地尋找到更小的適應度函數(shù)。這是因為MAPSO算法增加了小步長局部搜索的步驟,在上一次迭代所找到的全局最優(yōu)基礎上進行小范圍局部搜索,能夠有效地尋找在飛躍的過程中因為速度過快而可能會錯失全局最優(yōu)解。由此可知,改進型的MAPSO算法能夠克服尋優(yōu)初期過快收斂及易陷入局部最優(yōu)的缺點,保持了種群的多樣性,到尋優(yōu)后期則尋優(yōu)速度明顯加快并找到最優(yōu)解。

    3.2 模型精度

    將MAPSO和PSO算法優(yōu)化所得的模型參數(shù)代入LSSVM 模型進行訓練,預測精度如表2 所示,預測結(jié)果如圖4~5 所示,其中δ為預測相對誤差,EMR為平均相對誤差,EMS為均方誤差,EMS=f(u)。

    表2 模型預測精度Table 2 Prediction accuracy of model

    由表2 及圖4 可知:對于鍋爐效率模型,MAPSO-LSSVM 和PSO-LSSVM 模型對訓練樣本的預測效果好,EMR(η)分 別 為7.273 1×10-5和8.626 7×10-5,說明使用MAPSO和PSO算法優(yōu)化的LSSVM 模型都具有較好的逼近能力;同時,對測試樣本的預測相對誤差較低,EMR(η)分別為2.084 0×10-3和2.500 0×10-3,說明2 個模型的泛化能力較強。而相較于PSO-LSSVM 模型,MAPSOLSSVM 的EMS更小,表示改進型的MAPSOLSSVM 預測結(jié)果偏離實測值的距離更小,更加收斂,泛化能力更強,綜合表現(xiàn)能力更優(yōu)越。

    由表2 以及圖5 可知:對于NOx排放濃度模型,MAPSO-LSSVM 和PSO-LSSVM 模型對訓練樣本的預測效果好,EMR[ρ(NOx)]分別為2.437 2×10-4和3.098 2×10-2,說明使用MAPSO優(yōu)化的LSSVM 模型具有更好的逼近能力;同時,對測試樣本的預測相對誤差較低,EMR[ρ(NOx)]分別為5.373 9×10-2和5.588 6×10-2,說明2個模型的泛化能力較強,MAPSO 算法的平均相對誤差更小。而相較于PSO-LSSVM 模型,MAPSO-LSSVM 的EMS更小,其中訓練集的EMS為1.602 9×10-7,測試集EMS為0.011 5,表明改進型的MAPSO-LSSVM 預測結(jié)果偏離實測值的距離更小,更加收斂,泛化能力更強,綜合表現(xiàn)能力更優(yōu)越。

    綜上所述,通過改進型的MAPSO算法優(yōu)化模型參數(shù)所建立的LSSVM模型能夠得到較好的擬合效果,能夠以較高的精度實現(xiàn)對鍋爐效率以及NOx的預測,同時泛化能力強,可信度高。

    4 結(jié)論

    1)提出的改進型的MAPSO算法,粒子群在上一次迭代尋找到的全局最優(yōu)的基礎上進行小步長局部搜索,有效保留了標準PSO 算法全局搜索能力強的優(yōu)點,同時克服了尋優(yōu)初期過快收斂及易陷入局部最優(yōu)的缺點,保持了種群的多樣性。

    2)相較于PSO-LSSVM 模型, MAPSOLSSVM 模型建立過程收斂速度更快,同時具有更高的逼近能力和泛化能力,均方誤差更小,表明MAPSO-LSSVM 模型的預測偏離更小,綜合表現(xiàn)能力更好。

    猜你喜歡
    適應度全局鍋爐
    改進的自適應復制、交叉和突變遺傳算法
    計算機仿真(2022年8期)2022-09-28 09:53:02
    Cahn-Hilliard-Brinkman系統(tǒng)的全局吸引子
    量子Navier-Stokes方程弱解的全局存在性
    對干熄焦余熱鍋爐運行爆管的幾點探討
    昆鋼科技(2020年6期)2020-03-29 06:39:50
    12CrlMoV鍋爐吊桿用鋼的開發(fā)生產(chǎn)實踐
    山東冶金(2018年5期)2018-11-22 05:12:06
    落子山東,意在全局
    金橋(2018年4期)2018-09-26 02:24:54
    關于鍋爐檢驗的探討
    基于空調(diào)導風板成型工藝的Kriging模型適應度研究
    中國塑料(2016年11期)2016-04-16 05:26:02
    新思路:牽一發(fā)動全局
    75t/h鍋爐電除塵器提效改造
    日本与韩国留学比较| 两性夫妻黄色片 | 男女无遮挡免费网站观看| 色哟哟·www| 久久97久久精品| 国产伦理片在线播放av一区| 在线免费观看不下载黄p国产| 精品少妇久久久久久888优播| 亚洲av福利一区| 卡戴珊不雅视频在线播放| 少妇 在线观看| 亚洲国产精品国产精品| 国产亚洲av片在线观看秒播厂| 国产老妇伦熟女老妇高清| 欧美97在线视频| 亚洲成人手机| 精品一区二区免费观看| 日本与韩国留学比较| 亚洲av男天堂| 十分钟在线观看高清视频www| 成人手机av| 丝袜喷水一区| 曰老女人黄片| 日韩免费高清中文字幕av| 18禁裸乳无遮挡动漫免费视频| 久久久久精品久久久久真实原创| 久久综合国产亚洲精品| 黄色怎么调成土黄色| av一本久久久久| 全区人妻精品视频| 麻豆精品久久久久久蜜桃| 综合色丁香网| 国产精品人妻久久久影院| 观看av在线不卡| 69精品国产乱码久久久| 久久97久久精品| 建设人人有责人人尽责人人享有的| 国产精品久久久久久av不卡| 欧美 亚洲 国产 日韩一| 日本猛色少妇xxxxx猛交久久| 亚洲国产精品国产精品| 久久久久久久精品精品| 九色成人免费人妻av| 99热国产这里只有精品6| 两性夫妻黄色片 | 搡女人真爽免费视频火全软件| 国产在线免费精品| 日韩,欧美,国产一区二区三区| 午夜视频国产福利| 高清在线视频一区二区三区| 人人妻人人澡人人爽人人夜夜| 国产黄频视频在线观看| 成人国产麻豆网| 日韩大片免费观看网站| 国产极品粉嫩免费观看在线| 性色av一级| 国产福利在线免费观看视频| 欧美97在线视频| 建设人人有责人人尽责人人享有的| 视频在线观看一区二区三区| 麻豆乱淫一区二区| 毛片一级片免费看久久久久| 国产成人午夜福利电影在线观看| 在线观看www视频免费| 日韩 亚洲 欧美在线| 男女国产视频网站| xxx大片免费视频| 亚洲av电影在线观看一区二区三区| 综合色丁香网| 咕卡用的链子| 免费不卡的大黄色大毛片视频在线观看| 国产免费现黄频在线看| 麻豆乱淫一区二区| a 毛片基地| 男男h啪啪无遮挡| 精品少妇内射三级| 国产老妇伦熟女老妇高清| 少妇人妻精品综合一区二区| 午夜影院在线不卡| 亚洲第一区二区三区不卡| 国产极品天堂在线| 亚洲精品日韩在线中文字幕| 久久亚洲国产成人精品v| 如何舔出高潮| 青春草国产在线视频| 国产精品一区www在线观看| 人妻人人澡人人爽人人| 精品国产国语对白av| 纯流量卡能插随身wifi吗| 国产一区二区三区综合在线观看 | 一本久久精品| 男人爽女人下面视频在线观看| 国产精品久久久久久精品电影小说| 99久久综合免费| 日本av免费视频播放| 日本免费在线观看一区| 久久女婷五月综合色啪小说| 成年美女黄网站色视频大全免费| 精品福利永久在线观看| av福利片在线| 一本色道久久久久久精品综合| 国产精品国产三级专区第一集| 免费女性裸体啪啪无遮挡网站| 91精品三级在线观看| 不卡视频在线观看欧美| 免费大片黄手机在线观看| 国产探花极品一区二区| 少妇被粗大猛烈的视频| 一二三四中文在线观看免费高清| 秋霞在线观看毛片| 国产老妇伦熟女老妇高清| 欧美丝袜亚洲另类| 国产极品粉嫩免费观看在线| 女性生殖器流出的白浆| 亚洲人成网站在线观看播放| 乱码一卡2卡4卡精品| 精品亚洲成a人片在线观看| 欧美精品高潮呻吟av久久| 涩涩av久久男人的天堂| 一级爰片在线观看| 永久网站在线| 中国三级夫妇交换| 黄片播放在线免费| 美女内射精品一级片tv| 国产乱来视频区| 久久久久网色| 麻豆精品久久久久久蜜桃| 大片电影免费在线观看免费| 欧美日韩成人在线一区二区| 国产男女超爽视频在线观看| 99精国产麻豆久久婷婷| 日本-黄色视频高清免费观看| 亚洲精品,欧美精品| 国产熟女午夜一区二区三区| 国产精品国产三级国产av玫瑰| 狂野欧美激情性xxxx在线观看| 亚洲国产最新在线播放| 久久热在线av| 亚洲,一卡二卡三卡| 亚洲一级一片aⅴ在线观看| 亚洲熟女精品中文字幕| 日产精品乱码卡一卡2卡三| 欧美精品一区二区免费开放| 最黄视频免费看| 欧美精品av麻豆av| 国产老妇伦熟女老妇高清| 男人舔女人的私密视频| 久久精品国产鲁丝片午夜精品| 一二三四在线观看免费中文在 | 国产精品国产三级国产av玫瑰| 日韩精品有码人妻一区| 亚洲精品色激情综合| 精品第一国产精品| 男人爽女人下面视频在线观看| 国产精品国产三级国产专区5o| 欧美日韩亚洲高清精品| 晚上一个人看的免费电影| 免费看av在线观看网站| 飞空精品影院首页| 午夜福利视频在线观看免费| 亚洲国产日韩一区二区| av.在线天堂| 亚洲精品视频女| 九色成人免费人妻av| 51国产日韩欧美| 亚洲国产毛片av蜜桃av| 人人妻人人爽人人添夜夜欢视频| 日韩在线高清观看一区二区三区| 秋霞在线观看毛片| 97精品久久久久久久久久精品| 99久久人妻综合| 免费人成在线观看视频色| 男人爽女人下面视频在线观看| 久久精品国产鲁丝片午夜精品| 中文字幕另类日韩欧美亚洲嫩草| www.熟女人妻精品国产 | 久久毛片免费看一区二区三区| 熟女av电影| 久久久久久久国产电影| 久久久精品区二区三区| 婷婷成人精品国产| 两个人免费观看高清视频| 在线观看一区二区三区激情| 熟妇人妻不卡中文字幕| 国产色爽女视频免费观看| 最近最新中文字幕大全免费视频 | 精品久久久久久电影网| 成人黄色视频免费在线看| 美女主播在线视频| 人人妻人人澡人人看| 亚洲欧美成人综合另类久久久| 五月玫瑰六月丁香| 久久热在线av| 婷婷色综合www| 麻豆乱淫一区二区| 在线观看一区二区三区激情| 精品一品国产午夜福利视频| 成年av动漫网址| 内地一区二区视频在线| 国产免费又黄又爽又色| 国产伦理片在线播放av一区| 国产男女超爽视频在线观看| av福利片在线| 伦理电影免费视频| 看免费av毛片| 天堂8中文在线网| 国产亚洲欧美精品永久| 久久午夜综合久久蜜桃| 在线观看免费高清a一片| 人妻人人澡人人爽人人| 最近的中文字幕免费完整| 国产 精品1| 精品久久久精品久久久| 国产精品久久久久成人av| 色婷婷久久久亚洲欧美| 日韩一区二区三区影片| 蜜桃国产av成人99| 亚洲人成77777在线视频| 搡女人真爽免费视频火全软件| 啦啦啦中文免费视频观看日本| 又黄又粗又硬又大视频| 韩国高清视频一区二区三区| 水蜜桃什么品种好| 亚洲av综合色区一区| 一个人免费看片子| 人人妻人人澡人人爽人人夜夜| 精品第一国产精品| 天天躁夜夜躁狠狠躁躁| 久久久久久久久久久久大奶| 国产激情久久老熟女| 在线 av 中文字幕| 久久精品久久久久久久性| 新久久久久国产一级毛片| 国产色婷婷99| 亚洲,欧美精品.| 波野结衣二区三区在线| 久久久亚洲精品成人影院| av片东京热男人的天堂| 搡老乐熟女国产| 中文字幕精品免费在线观看视频 | 不卡视频在线观看欧美| 成人国语在线视频| 黄网站色视频无遮挡免费观看| 国产av精品麻豆| 免费av中文字幕在线| 18禁观看日本| 亚洲av中文av极速乱| 精品卡一卡二卡四卡免费| 国产成人午夜福利电影在线观看| 中文精品一卡2卡3卡4更新| 免费看av在线观看网站| 国产精品.久久久| 一区在线观看完整版| 国产亚洲最大av| 男男h啪啪无遮挡| 熟女人妻精品中文字幕| 黄色 视频免费看| 美女中出高潮动态图| 成人亚洲欧美一区二区av| 欧美精品人与动牲交sv欧美| 亚洲精品色激情综合| 一二三四在线观看免费中文在 | 伦精品一区二区三区| 老司机影院毛片| 在线看a的网站| 制服诱惑二区| 久久久久久伊人网av| 亚洲 欧美一区二区三区| 一级黄片播放器| 看免费成人av毛片| 最新中文字幕久久久久| 亚洲情色 制服丝袜| 国产日韩一区二区三区精品不卡| 免费大片18禁| 少妇猛男粗大的猛烈进出视频| 在线亚洲精品国产二区图片欧美| 亚洲精华国产精华液的使用体验| 亚洲av欧美aⅴ国产| 日韩精品有码人妻一区| 国产高清国产精品国产三级| a级毛片黄视频| www.av在线官网国产| 免费久久久久久久精品成人欧美视频 | 丝袜喷水一区| 欧美97在线视频| h视频一区二区三区| 亚洲在久久综合| 一级片免费观看大全| 国产激情久久老熟女| 九色亚洲精品在线播放| 国产免费现黄频在线看| 日本vs欧美在线观看视频| 亚洲精品av麻豆狂野| 免费黄色在线免费观看| 乱人伦中国视频| 久久婷婷青草| av.在线天堂| 国产精品秋霞免费鲁丝片| 免费观看性生交大片5| 麻豆乱淫一区二区| 久久久久久久久久久免费av| 七月丁香在线播放| 色婷婷久久久亚洲欧美| 久久久久久久大尺度免费视频| av在线老鸭窝| 18+在线观看网站| 男女免费视频国产| 桃花免费在线播放| 最近中文字幕高清免费大全6| 黄色怎么调成土黄色| 精品视频人人做人人爽| 亚洲伊人久久精品综合| 丝袜在线中文字幕| 性高湖久久久久久久久免费观看| 精品久久国产蜜桃| 美女福利国产在线| 成年av动漫网址| 黄色一级大片看看| 波野结衣二区三区在线| 亚洲性久久影院| 在线天堂最新版资源| 黄片无遮挡物在线观看| 日韩三级伦理在线观看| 熟女人妻精品中文字幕| 天堂中文最新版在线下载| 交换朋友夫妻互换小说| 波多野结衣一区麻豆| 久久人人爽人人爽人人片va| 国产精品秋霞免费鲁丝片| 综合色丁香网| 成年人午夜在线观看视频| 精品人妻一区二区三区麻豆| 国产伦理片在线播放av一区| 日韩av在线免费看完整版不卡| 精品一区在线观看国产| 涩涩av久久男人的天堂| av免费在线看不卡| 97在线人人人人妻| 国产 一区精品| av女优亚洲男人天堂| 欧美精品高潮呻吟av久久| 99视频精品全部免费 在线| 肉色欧美久久久久久久蜜桃| 国产熟女欧美一区二区| 精品国产乱码久久久久久小说| 一边亲一边摸免费视频| 大片免费播放器 马上看| 精品亚洲乱码少妇综合久久| 久久久久久人妻| 日本午夜av视频| 少妇人妻精品综合一区二区| 成年人免费黄色播放视频| 最黄视频免费看| 国产精品国产三级国产av玫瑰| 18禁裸乳无遮挡动漫免费视频| 我的女老师完整版在线观看| 国产综合精华液| 女性被躁到高潮视频| 国产高清三级在线| av有码第一页| 亚洲成国产人片在线观看| 天美传媒精品一区二区| 亚洲人与动物交配视频| 免费人成在线观看视频色| 亚洲精品美女久久久久99蜜臀 | 亚洲精品国产av成人精品| 午夜福利影视在线免费观看| 久久久精品区二区三区| 亚洲精品美女久久久久99蜜臀 | 九色成人免费人妻av| 2021少妇久久久久久久久久久| 高清在线视频一区二区三区| 午夜福利,免费看| 在线天堂最新版资源| 1024视频免费在线观看| 黑人猛操日本美女一级片| 秋霞在线观看毛片| 熟女av电影| 亚洲精品视频女| 欧美精品国产亚洲| 午夜激情av网站| 男的添女的下面高潮视频| 午夜福利视频精品| 老司机影院毛片| 国产免费一区二区三区四区乱码| 熟女电影av网| 亚洲av电影在线观看一区二区三区| 丝袜在线中文字幕| 看免费成人av毛片| 免费观看a级毛片全部| 高清不卡的av网站| 性色av一级| 日韩精品免费视频一区二区三区 | 成人二区视频| 久久久欧美国产精品| 免费人妻精品一区二区三区视频| 最后的刺客免费高清国语| 插逼视频在线观看| 2021少妇久久久久久久久久久| 性高湖久久久久久久久免费观看| 最后的刺客免费高清国语| 伦理电影大哥的女人| 黄色毛片三级朝国网站| 成人亚洲精品一区在线观看| 看免费av毛片| 老司机影院毛片| 在线观看国产h片| 日韩在线高清观看一区二区三区| 亚洲av电影在线观看一区二区三区| 日韩一区二区视频免费看| 欧美少妇被猛烈插入视频| 在线观看人妻少妇| 亚洲内射少妇av| 少妇被粗大的猛进出69影院 | 一边摸一边做爽爽视频免费| 在线看a的网站| 国产精品一区www在线观看| 1024视频免费在线观看| 亚洲欧美一区二区三区国产| 两性夫妻黄色片 | 波野结衣二区三区在线| 久久国内精品自在自线图片| 性高湖久久久久久久久免费观看| 日韩免费高清中文字幕av| 国产成人精品久久久久久| 国产精品嫩草影院av在线观看| 亚洲av欧美aⅴ国产| 国产精品嫩草影院av在线观看| 欧美97在线视频| 一本—道久久a久久精品蜜桃钙片| 天天影视国产精品| 桃花免费在线播放| 久久婷婷青草| 一级a做视频免费观看| 婷婷成人精品国产| 欧美日韩视频精品一区| 51国产日韩欧美| 男女无遮挡免费网站观看| 精品一区二区免费观看| 在线观看一区二区三区激情| 18禁裸乳无遮挡动漫免费视频| 国产色婷婷99| 最近最新中文字幕免费大全7| 亚洲欧美色中文字幕在线| 午夜久久久在线观看| 欧美97在线视频| 日韩中文字幕视频在线看片| 日韩制服丝袜自拍偷拍| 久久精品久久久久久噜噜老黄| 国产精品蜜桃在线观看| 极品人妻少妇av视频| 日本91视频免费播放| 女人精品久久久久毛片| 日韩欧美一区视频在线观看| 五月玫瑰六月丁香| 免费看不卡的av| 看免费av毛片| 岛国毛片在线播放| 99久久精品国产国产毛片| 伊人亚洲综合成人网| 国产精品久久久久久精品电影小说| 日韩av在线免费看完整版不卡| 国产精品偷伦视频观看了| 美女国产高潮福利片在线看| 午夜福利网站1000一区二区三区| 黄网站色视频无遮挡免费观看| av福利片在线| 欧美日韩亚洲高清精品| 国产精品国产三级国产av玫瑰| 亚洲精品久久成人aⅴ小说| 一级a做视频免费观看| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 日韩精品有码人妻一区| 亚洲成人一二三区av| 如日韩欧美国产精品一区二区三区| 纯流量卡能插随身wifi吗| 国产黄频视频在线观看| 国产在线一区二区三区精| 爱豆传媒免费全集在线观看| 日本欧美视频一区| 久久影院123| 国产成人精品福利久久| 亚洲婷婷狠狠爱综合网| 成人毛片a级毛片在线播放| 建设人人有责人人尽责人人享有的| 大香蕉久久成人网| 久久人人97超碰香蕉20202| 亚洲av成人精品一二三区| 乱码一卡2卡4卡精品| 狠狠精品人妻久久久久久综合| 久久精品久久久久久噜噜老黄| av在线老鸭窝| 亚洲精品乱久久久久久| 伊人久久国产一区二区| 国产精品久久久久久久电影| 22中文网久久字幕| 咕卡用的链子| 亚洲成av片中文字幕在线观看 | 久久久久国产网址| 精品久久国产蜜桃| 国产日韩欧美在线精品| 亚洲av中文av极速乱| 男人爽女人下面视频在线观看| 免费人成在线观看视频色| 制服诱惑二区| 欧美日韩亚洲高清精品| 亚洲美女视频黄频| 免费人成在线观看视频色| 亚洲国产欧美在线一区| 亚洲,欧美精品.| 精品国产国语对白av| 国产av码专区亚洲av| 侵犯人妻中文字幕一二三四区| 国产熟女午夜一区二区三区| 免费黄网站久久成人精品| 久久久国产一区二区| 国产探花极品一区二区| 亚洲四区av| 黄片无遮挡物在线观看| 青春草国产在线视频| 91aial.com中文字幕在线观看| 欧美 日韩 精品 国产| 国产熟女午夜一区二区三区| 国产免费又黄又爽又色| 日韩成人av中文字幕在线观看| 黄色一级大片看看| 丝袜脚勾引网站| 美女主播在线视频| 久久狼人影院| 中文字幕av电影在线播放| 九草在线视频观看| 曰老女人黄片| 国产极品粉嫩免费观看在线| 亚洲精品久久成人aⅴ小说| 亚洲欧美日韩卡通动漫| 制服丝袜香蕉在线| 麻豆乱淫一区二区| 桃花免费在线播放| 熟女av电影| 久久久久久久精品精品| 亚洲第一区二区三区不卡| 韩国高清视频一区二区三区| 久久精品国产自在天天线| 国产又爽黄色视频| 视频中文字幕在线观看| 国产白丝娇喘喷水9色精品| 亚洲国产精品成人久久小说| 中文字幕人妻熟女乱码| 高清在线视频一区二区三区| 中国国产av一级| 国产av精品麻豆| 9热在线视频观看99| 国产极品粉嫩免费观看在线| 久久这里有精品视频免费| 欧美精品av麻豆av| 免费av不卡在线播放| 熟女人妻精品中文字幕| 亚洲美女黄色视频免费看| 一个人免费看片子| 天美传媒精品一区二区| 国产成人精品久久久久久| 亚洲精品第二区| 亚洲国产精品专区欧美| 热99久久久久精品小说推荐| 成人18禁高潮啪啪吃奶动态图| 国产一区二区激情短视频 | 国产片特级美女逼逼视频| 这个男人来自地球电影免费观看 | 国产精品久久久久成人av| 91aial.com中文字幕在线观看| 欧美精品高潮呻吟av久久| 男女边吃奶边做爰视频| 90打野战视频偷拍视频| 少妇 在线观看| 久久久久久伊人网av| 男女无遮挡免费网站观看| 久久国产亚洲av麻豆专区| 亚洲激情五月婷婷啪啪| 亚洲av在线观看美女高潮| 国产成人精品婷婷| 五月开心婷婷网| 亚洲欧美日韩另类电影网站| 美女国产视频在线观看| 一区二区日韩欧美中文字幕 | a级毛片黄视频| 婷婷色麻豆天堂久久| 又黄又爽又刺激的免费视频.| 色视频在线一区二区三区| 欧美最新免费一区二区三区| 建设人人有责人人尽责人人享有的| 国产欧美另类精品又又久久亚洲欧美| 成年人免费黄色播放视频| 国语对白做爰xxxⅹ性视频网站| 国产精品一国产av| 精品一品国产午夜福利视频| 午夜福利视频精品| 边亲边吃奶的免费视频| 亚洲伊人色综图| 色视频在线一区二区三区| 亚洲av电影在线进入| 啦啦啦啦在线视频资源| 亚洲内射少妇av| 精品人妻在线不人妻| 久久国产亚洲av麻豆专区| 超色免费av| 成人综合一区亚洲| 久久久久久久精品精品| 肉色欧美久久久久久久蜜桃| 美女内射精品一级片tv| 大香蕉久久网| 母亲3免费完整高清在线观看 | 日本黄色日本黄色录像| 久久国产亚洲av麻豆专区| 大陆偷拍与自拍| 丝袜美足系列|