• <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
    亚洲国产欧美日韩在线播放| 男人操女人黄网站| 亚洲精品久久成人aⅴ小说| 久久精品aⅴ一区二区三区四区| 久久久久久国产a免费观看| 成在线人永久免费视频| 久久精品国产亚洲av高清一级| 88av欧美| 91成人精品电影| 国产野战对白在线观看| 亚洲少妇的诱惑av| 97人妻精品一区二区三区麻豆 | 极品人妻少妇av视频| 日韩欧美在线二视频| 91在线观看av| 国产av在哪里看| 一二三四社区在线视频社区8| 色播亚洲综合网| 极品人妻少妇av视频| 久久青草综合色| 麻豆成人av在线观看| 搡老岳熟女国产| 91成年电影在线观看| 大香蕉久久成人网| 黄色a级毛片大全视频| 一二三四在线观看免费中文在| 成人三级黄色视频| 最近最新中文字幕大全免费视频| 亚洲免费av在线视频| 亚洲色图综合在线观看| 日本免费一区二区三区高清不卡 | 国产激情欧美一区二区| 国产午夜福利久久久久久| 亚洲第一av免费看| 99国产精品一区二区蜜桃av| 首页视频小说图片口味搜索| 咕卡用的链子| 久久久国产欧美日韩av| 黄频高清免费视频| 久久久久国产一级毛片高清牌| 亚洲国产欧美网| 欧美一区二区精品小视频在线| 日韩欧美一区视频在线观看| 最近最新中文字幕大全免费视频| 亚洲第一欧美日韩一区二区三区| 亚洲专区字幕在线| 99re在线观看精品视频| 久久久久久久久久久久大奶| 亚洲av电影不卡..在线观看| 不卡av一区二区三区| 精品人妻1区二区| 欧美日韩中文字幕国产精品一区二区三区 | a级毛片在线看网站| 欧美一级毛片孕妇| 精品福利观看| 他把我摸到了高潮在线观看| 久久精品91无色码中文字幕| 亚洲国产中文字幕在线视频| 老司机在亚洲福利影院| 午夜a级毛片| 日日干狠狠操夜夜爽| 欧美黄色淫秽网站| 欧美 亚洲 国产 日韩一| 亚洲少妇的诱惑av| 满18在线观看网站| 国产精品永久免费网站| 亚洲欧美激情在线| 亚洲久久久国产精品| 一边摸一边抽搐一进一小说| 亚洲国产精品久久男人天堂| 曰老女人黄片| 国产av在哪里看| 亚洲第一av免费看| 国产一区二区激情短视频| 天天添夜夜摸| 中国美女看黄片| 91国产中文字幕| 可以在线观看的亚洲视频| 亚洲欧美激情综合另类| a在线观看视频网站| 激情在线观看视频在线高清| 视频区欧美日本亚洲| 老汉色∧v一级毛片| 免费一级毛片在线播放高清视频 | 日日夜夜操网爽| 久久草成人影院| 久久国产精品人妻蜜桃| 纯流量卡能插随身wifi吗| 国产黄a三级三级三级人| 麻豆国产av国片精品| 国产激情欧美一区二区| 亚洲欧美日韩无卡精品| 啪啪无遮挡十八禁网站| 国产精品一区二区在线不卡| 久久久久久免费高清国产稀缺| 男女床上黄色一级片免费看| 久久香蕉激情| 国产亚洲精品一区二区www| 欧美av亚洲av综合av国产av| 99久久国产精品久久久| 欧美一级a爱片免费观看看 | 国语自产精品视频在线第100页| 午夜a级毛片| 亚洲精华国产精华精| 丰满人妻熟妇乱又伦精品不卡| 亚洲欧美日韩另类电影网站| 深夜精品福利| 99久久精品国产亚洲精品| 无限看片的www在线观看| 搡老岳熟女国产| 啪啪无遮挡十八禁网站| xxx96com| 久久久久国产精品人妻aⅴ院| 免费一级毛片在线播放高清视频 | tocl精华| 在线av久久热| 亚洲 欧美一区二区三区| 久久国产精品影院| 每晚都被弄得嗷嗷叫到高潮| 乱人伦中国视频| 国产野战对白在线观看| 欧美在线黄色| 一进一出好大好爽视频| 变态另类丝袜制服| 亚洲九九香蕉| 日本撒尿小便嘘嘘汇集6| 好看av亚洲va欧美ⅴa在| 亚洲国产精品999在线| 午夜福利免费观看在线| 亚洲五月婷婷丁香| 国产成人欧美在线观看| 欧美一级a爱片免费观看看 | 十八禁人妻一区二区| 亚洲精品国产一区二区精华液| 一级a爱视频在线免费观看| 国产精品,欧美在线| 久久九九热精品免费| 人妻丰满熟妇av一区二区三区| 18禁观看日本| cao死你这个sao货| 国产激情欧美一区二区| 国产又色又爽无遮挡免费看| 91国产中文字幕| 精品久久久久久久人妻蜜臀av | 精品欧美国产一区二区三| 日日夜夜操网爽| 国产男靠女视频免费网站| 国产高清有码在线观看视频 | 在线观看午夜福利视频| 亚洲av片天天在线观看| 国产蜜桃级精品一区二区三区| 在线观看免费日韩欧美大片| 亚洲中文日韩欧美视频| 国产高清激情床上av| 成人手机av| 国产成人免费无遮挡视频| 免费看a级黄色片| 人成视频在线观看免费观看| 国产人伦9x9x在线观看| 村上凉子中文字幕在线| 黄片大片在线免费观看| 国产熟女xx| 亚洲国产看品久久| 亚洲人成电影免费在线| 国产精品98久久久久久宅男小说| 黄色视频不卡| 精品欧美一区二区三区在线| 亚洲中文字幕日韩| 日韩欧美免费精品| 午夜免费鲁丝| 国产av在哪里看| 久久久久久久久久久久大奶| 日日摸夜夜添夜夜添小说| 日韩成人在线观看一区二区三区| 麻豆av在线久日| 人妻丰满熟妇av一区二区三区| 女人高潮潮喷娇喘18禁视频| 国产成人影院久久av| 日日夜夜操网爽| 美女大奶头视频| 亚洲国产欧美一区二区综合| 国产精品电影一区二区三区| 久久狼人影院| 69精品国产乱码久久久| 美女国产高潮福利片在线看| 啦啦啦 在线观看视频| 狂野欧美激情性xxxx| 国产精品亚洲一级av第二区| 91成年电影在线观看| 精品久久久久久成人av| 大型黄色视频在线免费观看| 电影成人av| 一级毛片精品| 在线观看免费视频网站a站| 制服诱惑二区| 美女国产高潮福利片在线看| 女生性感内裤真人,穿戴方法视频| 久久久久久亚洲精品国产蜜桃av| 欧美成人午夜精品| 精品久久久久久久毛片微露脸| 午夜久久久在线观看| 亚洲精品中文字幕在线视频| 天堂动漫精品| e午夜精品久久久久久久| 亚洲av五月六月丁香网| 一a级毛片在线观看| 日韩免费av在线播放| 精品不卡国产一区二区三区| 好男人电影高清在线观看| 黄片小视频在线播放| 1024视频免费在线观看| 国产激情久久老熟女| 无限看片的www在线观看| 涩涩av久久男人的天堂| 亚洲性夜色夜夜综合| 久久久精品国产亚洲av高清涩受| 亚洲色图综合在线观看| 悠悠久久av| 变态另类丝袜制服| 午夜精品久久久久久毛片777| 国产精品电影一区二区三区| 纯流量卡能插随身wifi吗| 女生性感内裤真人,穿戴方法视频| 亚洲人成电影免费在线| 国产亚洲精品av在线| 亚洲欧美日韩无卡精品| 满18在线观看网站| 欧美中文综合在线视频| 女人高潮潮喷娇喘18禁视频| 亚洲色图 男人天堂 中文字幕| 看片在线看免费视频| 久久国产精品男人的天堂亚洲| 久久九九热精品免费| 不卡av一区二区三区| 日韩三级视频一区二区三区| 成人18禁在线播放| 啦啦啦免费观看视频1| 中文字幕人妻熟女乱码| 亚洲三区欧美一区| 亚洲国产欧美一区二区综合| 午夜日韩欧美国产| 欧美午夜高清在线| 熟女少妇亚洲综合色aaa.| 欧美一区二区精品小视频在线| 一个人观看的视频www高清免费观看 | 免费一级毛片在线播放高清视频 | 可以在线观看毛片的网站| 亚洲欧美日韩无卡精品| 国内精品久久久久久久电影| 色哟哟哟哟哟哟| 亚洲一码二码三码区别大吗| 精品卡一卡二卡四卡免费| 国产91精品成人一区二区三区| 国产熟女午夜一区二区三区| 精品久久久久久成人av| 99国产综合亚洲精品| 欧美成狂野欧美在线观看| 伦理电影免费视频| 老司机靠b影院| 亚洲av成人av| 国产精品美女特级片免费视频播放器 | 亚洲精品美女久久av网站| 亚洲国产欧美一区二区综合| 高清在线国产一区| 国产欧美日韩一区二区三区在线| 久久精品人人爽人人爽视色| 非洲黑人性xxxx精品又粗又长| 久久精品国产综合久久久| 精品人妻1区二区| 欧美激情高清一区二区三区| 欧美成人免费av一区二区三区| 色婷婷久久久亚洲欧美| 男女做爰动态图高潮gif福利片 | 国内精品久久久久精免费| av中文乱码字幕在线| a在线观看视频网站| 欧美国产精品va在线观看不卡| 琪琪午夜伦伦电影理论片6080| 久久午夜综合久久蜜桃| av在线播放免费不卡| 日韩一卡2卡3卡4卡2021年| 黄网站色视频无遮挡免费观看| 国产成人精品久久二区二区91| 午夜日韩欧美国产| 成人免费观看视频高清| 窝窝影院91人妻| 久久精品国产清高在天天线| 国产激情久久老熟女| 涩涩av久久男人的天堂| 性少妇av在线| 久久久久亚洲av毛片大全| 给我免费播放毛片高清在线观看| 国产精品1区2区在线观看.| 免费观看人在逋| 久久国产亚洲av麻豆专区| 久久精品国产清高在天天线| svipshipincom国产片| 97人妻精品一区二区三区麻豆 | 国产亚洲欧美精品永久| 亚洲欧美日韩无卡精品| 最新在线观看一区二区三区| 欧美+亚洲+日韩+国产| 香蕉国产在线看| 成年人黄色毛片网站| 国产精品一区二区免费欧美| 精品人妻在线不人妻| 最新在线观看一区二区三区| av天堂在线播放| 久久久国产精品麻豆| 老司机午夜福利在线观看视频| 天天躁夜夜躁狠狠躁躁| av福利片在线| 亚洲国产高清在线一区二区三 | 一本久久中文字幕| 亚洲熟女毛片儿| 一级片免费观看大全| 欧美乱色亚洲激情| 制服丝袜大香蕉在线| 精品国产乱子伦一区二区三区| 精品人妻1区二区| av在线天堂中文字幕| 国产极品粉嫩免费观看在线| 免费在线观看日本一区| 色哟哟哟哟哟哟| videosex国产| 自拍欧美九色日韩亚洲蝌蚪91| 激情视频va一区二区三区| 国产精品九九99| 国产精品秋霞免费鲁丝片| 国产亚洲精品一区二区www| 亚洲全国av大片| 日本三级黄在线观看| 精品一区二区三区视频在线观看免费| 巨乳人妻的诱惑在线观看| 久久久久久久久久久久大奶| 免费观看精品视频网站| 午夜精品国产一区二区电影| 亚洲精品久久国产高清桃花| 亚洲国产欧美网| 欧美黄色片欧美黄色片| 精品一区二区三区四区五区乱码| 午夜两性在线视频| 久久国产精品人妻蜜桃| 涩涩av久久男人的天堂| 大香蕉久久成人网| 高潮久久久久久久久久久不卡| 亚洲成人精品中文字幕电影| 18禁国产床啪视频网站| 中文字幕另类日韩欧美亚洲嫩草| 人妻丰满熟妇av一区二区三区| 精品久久久久久,| 如日韩欧美国产精品一区二区三区| 女性被躁到高潮视频| av在线播放免费不卡| 一级,二级,三级黄色视频| 午夜福利影视在线免费观看| 国产精品一区二区三区四区久久 | 国产蜜桃级精品一区二区三区| 午夜老司机福利片| av免费在线观看网站| 在线天堂中文资源库| 精品日产1卡2卡| 欧美日韩黄片免| av视频在线观看入口| 人妻丰满熟妇av一区二区三区| 亚洲美女黄片视频| 一本久久中文字幕| 女人爽到高潮嗷嗷叫在线视频| 久久狼人影院| 久久香蕉激情| 成年版毛片免费区| 国产午夜精品久久久久久| 亚洲av电影不卡..在线观看| 女人被躁到高潮嗷嗷叫费观| 欧美在线一区亚洲| 看免费av毛片| 国产又色又爽无遮挡免费看| 欧美日韩一级在线毛片| 老司机在亚洲福利影院| videosex国产| www.熟女人妻精品国产| 亚洲精品在线观看二区| 亚洲五月婷婷丁香| 天天一区二区日本电影三级 | 9色porny在线观看| 久久国产乱子伦精品免费另类| 久久九九热精品免费| www日本在线高清视频| 99精品欧美一区二区三区四区| 亚洲欧美精品综合久久99| 免费在线观看影片大全网站| 电影成人av| 一本综合久久免费| 亚洲精品国产精品久久久不卡| 国产精品一区二区在线不卡| 免费少妇av软件| 老司机午夜十八禁免费视频| 国产一区二区三区视频了| 高清黄色对白视频在线免费看| 国产亚洲精品一区二区www| 久久久久久国产a免费观看| 一级毛片女人18水好多| 欧美日本亚洲视频在线播放| 国产不卡一卡二| 日本vs欧美在线观看视频| 国产精品综合久久久久久久免费 | 女警被强在线播放| 老司机靠b影院| 午夜福利视频1000在线观看 | 俄罗斯特黄特色一大片| 九色国产91popny在线| 精品久久久久久,| 国产精品秋霞免费鲁丝片| 12—13女人毛片做爰片一| 亚洲色图 男人天堂 中文字幕| 黄色成人免费大全| 久久久久久久久久久久大奶| 黄片播放在线免费| 两个人免费观看高清视频| 久久久国产成人精品二区| www.自偷自拍.com| 国产极品粉嫩免费观看在线| 国产一区二区三区视频了| 亚洲人成电影观看| av免费在线观看网站| 久久久久久久午夜电影| 高清在线国产一区| 国产在线观看jvid| 亚洲成a人片在线一区二区| 嫩草影视91久久| 99在线视频只有这里精品首页| 欧美 亚洲 国产 日韩一| www.999成人在线观看| 可以免费在线观看a视频的电影网站| 国产成人欧美| 男女下面插进去视频免费观看| 亚洲中文日韩欧美视频| av在线播放免费不卡| 日本撒尿小便嘘嘘汇集6| 久久婷婷成人综合色麻豆| 国产成人精品无人区| 中文字幕高清在线视频| 欧美老熟妇乱子伦牲交| 亚洲第一欧美日韩一区二区三区| ponron亚洲| 大香蕉久久成人网| 亚洲最大成人中文| 国产午夜精品久久久久久| 日本在线视频免费播放| 日韩精品青青久久久久久| 国产激情欧美一区二区| 色播在线永久视频| 国产精品二区激情视频| 午夜精品久久久久久毛片777| 免费一级毛片在线播放高清视频 | e午夜精品久久久久久久| 精品国产亚洲在线| 一级片免费观看大全| 欧美绝顶高潮抽搐喷水| 日韩三级视频一区二区三区| 9色porny在线观看| 国产三级黄色录像| 国产免费男女视频| 一边摸一边抽搐一进一小说| 精品电影一区二区在线| 久久精品国产99精品国产亚洲性色 | 亚洲,欧美精品.| 免费在线观看日本一区| 午夜福利免费观看在线| 看片在线看免费视频| 黄色女人牲交| 久久香蕉国产精品| 久久影院123| 国产私拍福利视频在线观看| 亚洲国产精品久久男人天堂| 午夜a级毛片| 免费不卡黄色视频| 少妇粗大呻吟视频| 99香蕉大伊视频| 久久精品91蜜桃| 色精品久久人妻99蜜桃| 日韩精品中文字幕看吧| 免费人成视频x8x8入口观看| 亚洲欧美精品综合一区二区三区| 欧美成人一区二区免费高清观看 | 人人妻,人人澡人人爽秒播| 久久国产亚洲av麻豆专区| 91精品三级在线观看| 亚洲天堂国产精品一区在线| 亚洲国产毛片av蜜桃av| 亚洲成国产人片在线观看| 国产精品影院久久| 波多野结衣一区麻豆| 在线观看免费视频日本深夜| 国产成人精品无人区| av电影中文网址| 国产精品av久久久久免费| 一级毛片高清免费大全| 久久香蕉国产精品| 精品一区二区三区av网在线观看| 极品教师在线免费播放| 一边摸一边做爽爽视频免费| 很黄的视频免费| 男人舔女人下体高潮全视频| 国产99久久九九免费精品| 国产伦人伦偷精品视频| 妹子高潮喷水视频| 久久久久久亚洲精品国产蜜桃av| 91麻豆精品激情在线观看国产| 热re99久久国产66热| 夜夜爽天天搞| 日韩免费av在线播放| 老司机福利观看| 亚洲久久久国产精品| 女人爽到高潮嗷嗷叫在线视频| 1024视频免费在线观看| 乱人伦中国视频| 国产精品永久免费网站| 淫秽高清视频在线观看| 在线观看66精品国产| 午夜老司机福利片| 在线永久观看黄色视频| 亚洲av成人一区二区三| 久久久久国内视频| 午夜免费成人在线视频| 最新美女视频免费是黄的| 大陆偷拍与自拍| 一级a爱视频在线免费观看| 女警被强在线播放| 久热这里只有精品99| 可以在线观看毛片的网站| 日日干狠狠操夜夜爽| 老汉色∧v一级毛片| 精品欧美一区二区三区在线| 长腿黑丝高跟| 亚洲午夜精品一区,二区,三区| 99精品久久久久人妻精品| 久久国产精品男人的天堂亚洲| 国内精品久久久久精免费| 亚洲精品中文字幕一二三四区| 国产一区二区三区视频了| 老司机午夜福利在线观看视频| 国产精品二区激情视频| 欧美精品啪啪一区二区三区| 午夜精品久久久久久毛片777| 亚洲国产精品999在线| 久久热在线av| 一夜夜www| 久久婷婷成人综合色麻豆| 精品日产1卡2卡| 亚洲精品粉嫩美女一区| 777久久人妻少妇嫩草av网站| 无人区码免费观看不卡| 他把我摸到了高潮在线观看| 搡老熟女国产l中国老女人| 久久精品成人免费网站| 欧美日本亚洲视频在线播放| 亚洲情色 制服丝袜| 男女之事视频高清在线观看| 亚洲国产欧美日韩在线播放| 亚洲国产中文字幕在线视频| 久久中文看片网| 日日爽夜夜爽网站| 乱人伦中国视频| 99热只有精品国产| 最新美女视频免费是黄的| 日本 av在线| www.熟女人妻精品国产| 99国产精品免费福利视频| 精品久久久久久久人妻蜜臀av | 国内精品久久久久久久电影| av在线播放免费不卡| 久久人人爽av亚洲精品天堂| 国产主播在线观看一区二区| 久久国产精品人妻蜜桃| videosex国产| 国产乱人伦免费视频| 午夜免费激情av| 亚洲专区中文字幕在线| 少妇的丰满在线观看| 国产91精品成人一区二区三区| 丁香六月欧美| 满18在线观看网站| 色哟哟哟哟哟哟| 亚洲一区高清亚洲精品| 国产精品久久久久久精品电影 | 搡老熟女国产l中国老女人| 亚洲精品中文字幕一二三四区| 免费在线观看视频国产中文字幕亚洲| 久久精品国产亚洲av高清一级| 欧美精品亚洲一区二区| 成年人黄色毛片网站| 亚洲精品在线观看二区| 性欧美人与动物交配| 国产在线观看jvid| 校园春色视频在线观看| 欧美黑人精品巨大| 亚洲情色 制服丝袜| 久久久国产精品麻豆| 韩国av一区二区三区四区| 国产高清有码在线观看视频 | 久久精品影院6| 久久国产亚洲av麻豆专区| 国产亚洲精品久久久久5区| 老司机在亚洲福利影院| 青草久久国产| 午夜免费成人在线视频| 精品欧美一区二区三区在线| 国产三级在线视频| 国产成人精品在线电影| 一级毛片女人18水好多| 黄频高清免费视频| 黄网站色视频无遮挡免费观看| 久99久视频精品免费| av在线播放免费不卡|