• <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 ?

    風光水互補系統(tǒng)時間序列變量概率預(yù)報框架

    2022-09-05 08:51:16張振東唐海華馮快樂
    水利學報 2022年8期
    關(guān)鍵詞:集上風速概率

    張振東,羅 斌,覃 暉,唐海華,周 超,馮快樂

    (1.長江勘測規(guī)劃設(shè)計研究有限責任公司,湖北 武漢 430010;2.長江水利委員會 互聯(lián)網(wǎng)+智慧水利重點實驗室,湖北 武漢 430010;3.華中科技大學 水電與土木工程學院,湖北 武漢 430074)

    1 研究背景

    風光水互補系統(tǒng)出力主要受徑流、風速、太陽輻射強度和負荷影響,獲取這四者的高精度預(yù)測結(jié)果對風光水互補系統(tǒng)的穩(wěn)定安全運行具有重要作用。四者的共同點在于都是時間序列變量[1],預(yù)報方法有類似之處也各有不同。

    時間序列變量預(yù)測方法主要分為兩大類:物理過程驅(qū)動方法和數(shù)據(jù)驅(qū)動方法[2-4]。徑流物理過程驅(qū)動方法以水文學概念為基礎(chǔ),將流域的物理特征進行概化,并結(jié)合水文經(jīng)驗公式來近似地模擬流域內(nèi)降雨、徑流的形成過程從而完成預(yù)報過程[5],比如新安江模型[6]和水箱模型[7]等。風速物理過程驅(qū)動方法基于溫度、濕度、氣壓、風速等氣象數(shù)據(jù)和地形數(shù)據(jù)構(gòu)建數(shù)學物理方程來模擬未來一段時間某區(qū)域或全球尺度風速變化過程,例如:數(shù)值天氣預(yù)報模型[8]。光伏物理過程驅(qū)動方法主要采用數(shù)值天氣預(yù)報和衛(wèi)星圖片進行太陽輻射強度預(yù)測[9]。物理過程驅(qū)動方法的優(yōu)勢在于模型可解釋性強,缺點在于對基礎(chǔ)數(shù)據(jù)要求高、建模復(fù)雜、求解耗時。

    數(shù)據(jù)驅(qū)動方法通常根據(jù)待預(yù)測變量的歷史信息以及氣象相關(guān)因子采用機器學習或深度學習等統(tǒng)計類方法對徑流、風速、太陽輻射強度和負荷進行預(yù)測[10-13]。數(shù)據(jù)驅(qū)動方法的優(yōu)點是預(yù)報速度快、預(yù)測精度較高;缺點是預(yù)報模型是黑箱模型,可解釋性差,結(jié)果依賴于樣本數(shù)據(jù)質(zhì)量。常見數(shù)據(jù)驅(qū)動方法可以分為時間序列模型、機器學習或深度學習模型以及多模型的混合方法。使用自回歸差分滑動平均(Autoregressive Integrated Moving Average,ARIMA)等時間序列模型進行預(yù)測的前提條件是數(shù)據(jù)滿足平穩(wěn)性假設(shè)或通過差分化處理之后滿足平穩(wěn)性假設(shè)[14],該假設(shè)限制了這類算法的使用場景。為了處理變量的非線性、非平穩(wěn)性和隨機性等特征,許多機器學習方法被用于徑流、風速、太陽輻射強度和負荷預(yù)測,比如支持向量回歸(Support Vector Regression,SVR)[15-18]、極限學習機[19]和人工神經(jīng)網(wǎng)絡(luò)模型(Artificial Neural Network,ANN)[20-23]等。近幾年,隨著計算機技術(shù)和人工智能的蓬勃發(fā)展,深度學習模型[24]逐漸被運用于時間序列變量預(yù)測領(lǐng)域。長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory Network,LSTM)[25-26]和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)[27-28]因分別擅長時序處理與特征提取而被用于徑流、風速、太陽輻射強度和負荷的預(yù)測。為了克服單一預(yù)測模型的缺點,同時發(fā)揮多個預(yù)測模型的優(yōu)勢,混合模型逐漸成為時間序列變量預(yù)測主流方法,例如時間序列模型與機器學習模型的組合ARIMA-ANN[29],模態(tài)分解機制與LSTM等模型的組合[30],LSTM和CNN深度學習模型的組合[31]等。受徑流、風速、太陽輻射強度和負荷不確定性特征的影響,確定性預(yù)測結(jié)果給調(diào)度決策人員提供的信息有限,概率預(yù)報正在成為預(yù)測領(lǐng)域的研究熱點與趨勢。構(gòu)造一定置信度對應(yīng)的上下限區(qū)間[32]來量化徑流的不確定性是思路之一;更全面地,基于貝葉斯理論[33]、高斯過程回歸(Gaussian Process Regression,GPR)[34]以及分位數(shù)回歸結(jié)合核密度估計方法[35]的概率預(yù)報模型,可以獲取徑流、風速、太陽輻射強度和負荷的概率密度函數(shù),為調(diào)度人員提供更豐富的信息。

    綜上所述,徑流、風速、太陽輻射強度和負荷預(yù)測研究還需進一步提升預(yù)測精度、量化預(yù)報不確定性并增強預(yù)報的可靠性。因此,如何設(shè)計一套時間序列變量概率預(yù)報框架,能獲取可靠高精度的徑流、風速、太陽輻射強度和負荷概率預(yù)報結(jié)果是本研究的關(guān)鍵問題,解決該問題可為不確定條件下的風光水互補系統(tǒng)實時調(diào)度提供數(shù)量依據(jù)。

    2 風光水時間序列變量概率預(yù)報框架

    本研究提出一套通用框架可以實現(xiàn)水風光互補系統(tǒng)中時間序列變量的概率預(yù)報??蚣苤饕ㄉ疃葘W習概率預(yù)報模型、特征優(yōu)選和超參數(shù)優(yōu)化等部分。

    2.1 深度學習概率預(yù)報模型本研究框架采用基于共享權(quán)重長短期記憶網(wǎng)絡(luò)(Shared Weight Long Short-Term Memory Network,SWLSTM)和高斯過程回歸的混合模型[36]作為概率預(yù)報模型。

    2.1.1 共享權(quán)重長短期記憶網(wǎng)絡(luò) SWLSTM由輸入層、隱藏層和輸出層組成,其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

    圖1 共享權(quán)重長短期記憶網(wǎng)絡(luò)結(jié)構(gòu)圖

    SWLSTM網(wǎng)絡(luò)在時段t下信息前向傳播過程和公式如下:

    (1)計算共享門和信息狀態(tài)

    nett=wh·ht-1+wx·xt+b

    (1)

    st=σ(nett)=σ(wh·ht-1+wx·xt+b)

    (2)

    at=tanh(nett)=tanh(wh·ht-1+wx·xt+b)

    (3)

    (2)更新單元狀態(tài)

    Ct=st*Ct-1+(1-st)*at

    (4)

    (3)計算隱藏層輸出

    ht=st*tanh(Ct)

    (5)

    (4)輸出預(yù)測值

    yt=σ(zt)=σ(wy·ht+by)

    (6)

    式中:xt、st和at分別為當前時段輸入層輸入、共享門和信息狀態(tài);Ct-1和Ct分別為前一時段和當前時段的單元狀態(tài);ht-1和ht分別為前一時段和當前時段隱藏層輸出;yt為當前時段輸出層的輸出,也是當前時段的預(yù)測值;nett和zt為中間變量,沒有具體含義;[wh,wx,b]和[wy,by]分別為隱藏層和輸出層權(quán)重變量,也是整個神經(jīng)網(wǎng)絡(luò)模型需要訓練的變量;符號·和符號*分別表示矩陣乘法和矩陣元素間乘法。函數(shù)σ(·)和tanh(·)分別是sigmoid和tanh激活函數(shù)。

    為提升神經(jīng)網(wǎng)絡(luò)類模型性能并避免產(chǎn)生過擬合現(xiàn)象,在模型訓練過程中增加小批量梯度下降、正則化、衰減學習率和dropout等機制。

    2.1.2 高斯過程回歸 一系列服從高斯分布的連續(xù)隨機變量構(gòu)成了高斯過程。在離散情況下,基于已知樣本信息推求未知樣本的高斯分布參數(shù)即為高斯過程回歸,示意圖如圖2所示。

    圖2 高斯過程回歸示意

    采用貝葉斯推理可得驗證集預(yù)測值y的后驗條件分布為:

    (7)

    (8)

    (9)

    (10)

    2.1.3 SWLSTM-GPR混合模型 其思路是:首先在訓練集上完整地訓練SWLSTM模型;然后將訓練集和驗證集輸入到訓練好的SWLSTM模型中,完成第一次預(yù)測;最后將第一次預(yù)測結(jié)果與觀測值重組成新訓練集和驗證集,調(diào)用GPR模型完成第二次預(yù)測。

    SWLSTM-GPR完整步驟如下:

    步驟中xt表示特征輸入;y1,t表示第一次預(yù)測結(jié)果,由SWLSTM模型得到;y2,t表示第二次預(yù)測結(jié)果,由GPR模型得到;Yt表示觀測值;上標ta和te分別代表訓練集和驗證集標識;Ta和Te分別是訓練集和驗證集總樣本數(shù)。

    2.2 基于0-1規(guī)劃思想的特征組合優(yōu)選在模型預(yù)測過程中,所有特征輸入共同影響預(yù)測結(jié)果。一組備選特征如何組合使模型預(yù)測精度達到最高是本研究的重點。

    假設(shè)n個通過特征選擇之后的備選特征為[X1,X2,…,Xn],每個特征均有被選取加入特征組合中和不被選兩種狀態(tài),但至少要保留一個特征作為輸入,因此整個特征組合優(yōu)化等價于0-1規(guī)劃問題,搜索空間有2n-1種組合情況。針對某一特征組合,采用預(yù)報模型進行訓練和預(yù)報,可以獲取該特征組合對應(yīng)的預(yù)報精度,通過比較不同特征組合的預(yù)報精度即可篩選出最優(yōu)特征組合,如圖3所示。

    圖3 特征組合優(yōu)化示意

    顯然,搜索空間大小隨維度n增加呈指數(shù)增長,當維度n較大時,特征組合優(yōu)化面臨“維數(shù)災(zāi)”問題,在進行特征組合優(yōu)化之前可以采用皮爾遜相關(guān)系數(shù)或者最大信息系數(shù)對特征進行初選,減少搜索空間。針對不同維度n,本研究采用不同策略尋優(yōu):(1)當07時,總搜索空間大小至少為128,此時采用啟發(fā)式算法進行搜索。

    2.3 基于貝葉斯優(yōu)化算法的超參數(shù)優(yōu)選預(yù)報模型的精度也受模型超參數(shù)的影響,以最小化損失函數(shù)為例,超參數(shù)優(yōu)化問題可以表示為:

    (11)

    式中:h*為最優(yōu)超參數(shù);H為超參數(shù)可選范圍集合;P為預(yù)測模型;h為當前超參數(shù);L(P,h)為預(yù)測模型P在超參數(shù)h下的損失函數(shù)。

    本研究采用貝葉斯優(yōu)化算法(Bayesian Optimization Algorithm,BOA)[37]求解超參數(shù)優(yōu)化問題。相比于其他優(yōu)化算法,貝葉斯優(yōu)化算法通過估計整個損失函數(shù)概率分布使得新生成的超參數(shù)更接近最優(yōu)結(jié)果,從而能夠在較少的函數(shù)評價次數(shù)內(nèi)獲取更優(yōu)的超參數(shù),其優(yōu)化過程示意圖如圖4所示。

    圖4 貝葉斯優(yōu)化算法過程示意圖

    貝葉斯優(yōu)化算法的完整步驟如下:

    步驟1:在超參數(shù)可選范圍集合H下,隨機生成少量超參數(shù)子集[hi];計算預(yù)測模型P在每一種超參數(shù)hi下的損失值li;構(gòu)造損失函數(shù)分布數(shù)據(jù)集D=[(hi,li)];

    步驟2:在超參數(shù)優(yōu)化空間數(shù)據(jù)集D上訓練概率回歸模型M,通過模型M估計損失函數(shù)l的概率分布p(l|h,D);概率回歸模型M不是預(yù)測模型P,常用模型M有高斯過程、隨機森林和Parzen估計樹等模型;

    步驟4:計算預(yù)測模型P在新生成超參數(shù)h′i下的損失值l′i,補充損失函數(shù)分布數(shù)據(jù)集D=D∪(h′i,l′i);重復(fù)步驟2和3,直至迭代完畢;輸出最后生成的新超參數(shù)作為最優(yōu)超參數(shù)h*。

    2.4 預(yù)報評價指標本研究提出的時間序列變量預(yù)報框架涉及確定性預(yù)測和概率預(yù)測,因此需要從確定性預(yù)測精度、概率預(yù)測綜合性能和預(yù)報可靠性3個方面對預(yù)報模型性能進行評價。

    (1)確定性預(yù)測評價指標。確定性預(yù)測指標評價模型預(yù)報精度,預(yù)測值越接近觀測值,則確定性預(yù)測精度越高。常用確定性預(yù)測精度指標有均方根誤差(Root Mean Square Error,RMSE)和確定性系數(shù)(Coefficient of Determination,R2):

    (12)

    (13)

    (2)概率預(yù)測評價指標。連續(xù)分級概率評分(Continuous Ranked Probability Score,CRPS)可評價概率預(yù)報綜合性能,是平均絕對誤差(Mean Absolute Error,MAE)在連續(xù)概率分布上的廣義形式。其計算方法如下:

    (14)

    (15)

    (16)

    式中:預(yù)測值yi的概率密度函數(shù)和累計分布函數(shù)分別為p(yi)和F(yi);H(yi-Yi)為赫維賽德函數(shù)。CRPS越小,概率預(yù)報綜合性能越好。

    (3)可靠性評價指標??煽啃允侵割A(yù)測值和觀測值統(tǒng)計的一致性。本研究采用概率積分變換(Probability Integral Transform,PIT)評價預(yù)報可靠性。如果驗證集上PIT值服從0到1之間的均勻分布,則概率預(yù)測結(jié)果是可靠的。PIT值通過累計分布函數(shù)和觀測值計算:

    (17)

    2.5 時間序列變量概率預(yù)報框架風光水互補系統(tǒng)時間序列變量概率預(yù)報框架如圖5所示,框架中主要包括特征、超參數(shù)、預(yù)報模型和評價指標4個模塊,總體流程如下:(1)特征生成:從時間序列數(shù)據(jù)中挖掘歷史前期特征、周期特征和物理特征,當特征數(shù)量較少時,可采用平方、對數(shù)等操作對特征進行變換以生成更多特征;(2)特征初選:特征組合優(yōu)化搜索空間隨特征數(shù)量呈指數(shù)級增長,采用相關(guān)系數(shù)對生成的特征進行初選,以減少特征組合優(yōu)化搜索的空間;(3)特征組合:以經(jīng)過特征初選之后的特征作為備選特征,將特征組合優(yōu)化問題視作0-1規(guī)劃問題,采用窮舉法、隨機搜索或啟發(fā)式算法求解得到最優(yōu)特征組合;特征組合優(yōu)化過程中對每一套特征組合而言,需同時完成超參數(shù)優(yōu)化和模型訓練,并采用預(yù)測指標對該特征組合進行評價;(4)超參數(shù)優(yōu)化:一套特征組合確定后,采用貝葉斯優(yōu)化算法對模型超參數(shù)進行優(yōu)選;超參數(shù)優(yōu)化過程中對每一套超參數(shù)而言,需完成模型訓練并采用預(yù)測指標對該組超參數(shù)進行評價;(5)預(yù)報模型:在最優(yōu)特征組合和最優(yōu)超參數(shù)下構(gòu)建SWLSTM-GPR概率預(yù)報模型,完成模型訓練和預(yù)報;特征組合中嵌套超參數(shù)優(yōu)化,超參數(shù)優(yōu)化中嵌套模型訓練,三者是同時完成的;(6)評價指標:無論是特征組合,還是超參數(shù)優(yōu)化,亦或是模型訓練,都需要采用確定性或概率預(yù)報指標進行評價。

    圖5 時間序列變量概率預(yù)報框架

    3 案例研究

    3.1 研究對象采用雅礱江流域風光水互補先期試點示范基地作為研究對象。示范基地位于四川省鹽源縣,青藏高原東南緣,雅礱江中下游西岸,川、滇兩省交界處。鹽源縣經(jīng)緯度介于北緯27°06′—28°16′、東經(jīng)100°42′—102°03′之間,全縣幅員面積8398.6 km2。幅員內(nèi)地形地貌以山高、坡陡、谷深、盆地居中為總特征。海拔集中在2500~3000 m之間,最高海拔4393 m,最低海拔1200 m。鹽源縣風資源密集區(qū)主要分布在縣城周圍海拔較高的山地上,年平均風速在6~8 m/s之間。鹽源縣年平均太陽輻射量約6100 MJ/m2,屬于日照高值區(qū),多年平均日照時數(shù)約2570 h。

    研究選取雅礱江流域風光水互補示范基地中的徑流、風速、太陽輻射強度和負荷4個時間序列變量,分別來自于官地水庫、沃底風電場、扎拉山光伏電站和四川省負荷數(shù)據(jù)集,稱為官地徑流數(shù)據(jù)集、W1風速數(shù)據(jù)集、S1光伏數(shù)據(jù)集和四川負荷數(shù)據(jù)集。數(shù)據(jù)集詳細信息如表1和圖6所示。

    表1 預(yù)報實例研究數(shù)據(jù)集統(tǒng)計信息

    圖6 預(yù)報實例研究數(shù)據(jù)集

    3.2 實驗設(shè)計為了驗證所提出概率預(yù)報框架的性能,將SWLSTM與LSTM[25]、GRU(Gate Recurrent Unit)[38]、CNN[27]、ANN[20]、SVR[15]、GPR[34]和XGB(Xgboost)[39]等7個前沿的時間序列變量預(yù)報模型在4個數(shù)據(jù)集上從確定性預(yù)報精度、概率預(yù)報綜合性能和可靠性3個方面進行對比。對于實驗中的其他確定性預(yù)報模型,均采用本研究框架與GPR結(jié)合獲取概率預(yù)報結(jié)果。徑流、風速、光伏和負荷4個時間序列變量分別調(diào)用本研究提出的框架完成預(yù)測,而不是4個變量一次性完成預(yù)測。

    風光水多能互補系統(tǒng)時間序列變量預(yù)報實驗?zāi)康娜缦拢?1)對4個數(shù)據(jù)集進行相關(guān)性分析,并完成特征初選;(2)對比不同模型特征組合優(yōu)化結(jié)果;(3)以SWLSTM模型為例展示超參數(shù)優(yōu)化結(jié)果;(4)在驗證集上對比不同模型確定性和概率結(jié)果指標;(5)以SWLSTM-GPR模型為例展示4個數(shù)據(jù)集確定性和概率驗證結(jié)果;(6)以SWLSTM-GPR模型為例驗證概率預(yù)報的可靠性。

    為了保障對比實驗的公平性,實驗中所有模型均獨立進行特征組合優(yōu)化和超參數(shù)優(yōu)化,確保每個模型都是在最優(yōu)條件下進行對比。實驗中預(yù)報模型參數(shù)設(shè)置如表2所示,表格中確定的值表示該超參數(shù)不需要優(yōu)化,表格中區(qū)間表示該超參數(shù)優(yōu)化的范圍。

    表2 預(yù)報模型參數(shù)設(shè)置

    4 結(jié)果分析與討論

    4.1 相關(guān)性分析及特征初選綜合考慮歷史前期特征和周期特征,官地徑流數(shù)據(jù)集和W1風速數(shù)據(jù)集采用歷史前9個時段的值生成特征,S1光伏數(shù)據(jù)集和四川負荷數(shù)據(jù)集采用歷史前47個時段的值生成特征。采用皮爾遜相關(guān)系數(shù)絕對值(PCC)和最大信息系數(shù)(MIC)探究特征和待預(yù)測變量之間的相關(guān)性,部分特征相關(guān)系數(shù)如表3所示,完整相關(guān)系數(shù)如圖7所示,其中F1特征表示前1個時段的歷史值,F(xiàn)2特征表示前2個時段的歷史值,以此類推。

    表3 相關(guān)系數(shù)表

    考慮到不同數(shù)據(jù)集相關(guān)系數(shù)的差異,針對不同數(shù)據(jù)集采用不同標準進行特征初選。4個數(shù)據(jù)集相關(guān)系數(shù)閾值分別設(shè)置為[0.9,0.6,0.8,0.8]。PCC和MIC通過閾值篩選的特征不一定相同,需要考慮取并集特征還是交集特征。綜合特征組合優(yōu)化搜索空間大小以及時間成本,官地徑流數(shù)據(jù)集在PCC和MIC兩個指標進行特征初選時取兩者交集,其余3個數(shù)據(jù)集取兩者并集。4個數(shù)據(jù)集特征初選如圖7所示。以官地徑流數(shù)據(jù)集和W1風速數(shù)據(jù)集為例分析如下:

    圖7 相關(guān)性分析及特征初選

    (1)圖中藍色和紫色線圈分別代表各特征的PCC絕對值和MIC值,黃色線圈和灰色區(qū)間分別代表相關(guān)系數(shù)閾值和高相關(guān)系數(shù)區(qū)間;對于某一條相關(guān)系數(shù)線圈而言,落在灰色區(qū)間的特征表示通過該相關(guān)系數(shù)的篩選;綠色虛線表示該特征通過特征初選可作為特征組合優(yōu)化的備選特征。

    (2)在官地徑流數(shù)據(jù)集中,相關(guān)系數(shù)閾值為0.9,通過PCC篩選后得到的特征為[F1,F(xiàn)2,F(xiàn)3];通過MIC篩選后得到的特征為[F1,…,F(xiàn)9];兩者取交集,故官地徑流數(shù)據(jù)集通過特征初選之后的特征為[F1,F(xiàn)2,F(xiàn)3]。

    (3)在W1風速數(shù)據(jù)集中,相關(guān)系數(shù)閾值為0.6,通過PCC和MIC篩選得到的特征均為[F1,F(xiàn)2];兩者取并集,故W1風速數(shù)據(jù)集通過特征初選之后的特征為[F1,F(xiàn)2]。其余數(shù)據(jù)集經(jīng)過特征初選之后的結(jié)果分析與之類似,S1光伏數(shù)據(jù)集和四川負荷數(shù)據(jù)集通過特征初選之后的特征均為[F1,F(xiàn)23,F(xiàn)24,F(xiàn)25,F(xiàn)47]。

    4.2 特征組合優(yōu)化實驗中所有預(yù)報模型均完成了特征組合優(yōu)化,各預(yù)報模型在4個數(shù)據(jù)集上的最優(yōu)特征組合如表4所示,結(jié)果分析如下:

    表4 各模型在4個數(shù)據(jù)集上的最優(yōu)特征組合

    (1)在4個數(shù)據(jù)集上,沒有一個數(shù)據(jù)集上所有模型的最優(yōu)特征組合是全部一樣的,說明在不計時間成本的情況下對各個模型分別進行特征組合優(yōu)化有利于提升模型性能。

    (2)每個數(shù)據(jù)集上都存在對多數(shù)模型為最優(yōu)的特征組合,因此在考慮時間成本的情況下,可以采用耗時少模型的最優(yōu)特征組合近似代替訓練費時模型的最優(yōu)特征組合,例如可以采用GPR、XGB和SVR等模型的最優(yōu)特征組合代替神經(jīng)網(wǎng)絡(luò)類模型的最優(yōu)特征組合。

    (3)對其他模型最優(yōu)的特征組合,雖然不一定對本模型是最優(yōu)的,但也是次優(yōu)或較優(yōu)的特征組合,再次佐證了特征組合近似替代的思想。

    4.3 超參數(shù)優(yōu)化結(jié)果實驗中所有預(yù)報模型均完成了超參數(shù)優(yōu)化,以SWLSTM模型為例,列出其在4個數(shù)據(jù)集最優(yōu)特征組合上的前三最優(yōu)超參數(shù),如表5所示,表格中列出的是優(yōu)化后超參數(shù)的結(jié)果,模型其他固定超參數(shù)如表2所示。SWLSTM模型待優(yōu)化超參數(shù)分別為小批次大小、dropout比例、隱藏層節(jié)點數(shù)、隱藏層數(shù)和正則化比例,其在4個數(shù)據(jù)集上的最優(yōu)結(jié)果分別為[64,2.755×10-4,8,2,1.017×10-4]、[8,3.495×10-4,32,2,6.086×10-4]、[8,2.772×10-4,64,1,1.860×10-4]和[32,1.573×10-4,8,2,1.829×10-4]。

    SWLSTM模型前三超參數(shù)的精度都較高,原因在于一方面特征輸入為最優(yōu)特征組合,大幅度保障了模型精度;另一方面超參數(shù)優(yōu)化范圍通過經(jīng)驗設(shè)置在常用范圍內(nèi)。在不考慮時間成本的情況下,對預(yù)報模型進行超參數(shù)優(yōu)化有利于提升模型性能;在考慮時間成本的情況下,各模型不進行超參數(shù)優(yōu)化時通常需要人工根據(jù)經(jīng)驗設(shè)置。SWLSTM模型超參數(shù)默認設(shè)置可參考表2和表5,能保障預(yù)報模型具有不錯的性能。

    表5 SWLSTM模型在4個數(shù)據(jù)集最優(yōu)特征組合上的前三最優(yōu)超參數(shù)

    4.4 驗證結(jié)果對比為驗證本研究提出預(yù)報框架的精度和綜合性能,所有模型均采用其在最優(yōu)特征組合和最優(yōu)超參數(shù)下的結(jié)果進行對比。不同模型在4個數(shù)據(jù)集上的確定性預(yù)報和概率預(yù)報指標分別如表6和表7所示。從表格中可以分析得出:SWLSTM模型在4個數(shù)據(jù)集上的確定性預(yù)報指標和概率預(yù)報指標是8個對比模型中最優(yōu)的,說明SWLSTM在4個數(shù)據(jù)集上的確定性預(yù)報精度最高、概率預(yù)報綜合性能是最好的,驗證了本研究提出預(yù)報框架在時間序列變量預(yù)報上的優(yōu)勢。

    表6 不同模型在4個數(shù)據(jù)集上的確定性預(yù)報指標

    表7 不同模型在4個數(shù)據(jù)集上概率預(yù)報指標

    4.5 驗證結(jié)果展示SWLSTM-GPR預(yù)報模型在4個數(shù)據(jù)集上的驗證結(jié)果如圖8所示,圖中藍色的預(yù)測值曲線緊貼紅色的真實值曲線,說明確定性預(yù)測精度較高;紅色的真實值曲線絕大部分均位于灰色的90%預(yù)測區(qū)間內(nèi),對于驗證集中未出現(xiàn)在灰色區(qū)間中的樣本點采用綠色點標出,同時灰色預(yù)測區(qū)間寬度沒有過大,說明預(yù)測的區(qū)間整體較合適,能為預(yù)報、調(diào)度決策人員提供較準確的參考信息。本研究提出的預(yù)測框架為單步預(yù)測框架,圖8中驗證結(jié)果呈現(xiàn)出“序列”的感覺是因為驗證集本身有多個時序樣本而不是完成的多步預(yù)測。

    圖8 SWLSTM-GPR模型在4個數(shù)據(jù)集上的預(yù)測結(jié)果

    SWLSTM-GPR模型在4個數(shù)據(jù)集上典型時段的概率驗證結(jié)果如圖9所示,圖中藍色的概率密度函數(shù)(PDF)線都比較飽滿,曲線形狀沒有過高過低、也沒有過寬過窄,說明SWLSTM-GPR獲取的PDF比較合適。圖中有些時段的真實值靠近PDF均值線,有些則離均值線較遠,正好說明概率預(yù)報結(jié)果是可靠的。如果真實值都遠離均值線或都位于均值線上,則概率預(yù)報結(jié)果是不可信的。

    圖9 SWLSTM-GPR模型在4個數(shù)據(jù)集上典型時段概率驗證結(jié)果

    4.6 概率預(yù)報可靠性本研究采用概率積分變換(PIT)值是否服從均勻分布來驗證概率預(yù)報的可靠性。SWLSTM-GPR模型的PIT值圖如圖10所示,圖中黑色的PIT值點均勻的分布在對角線附近并覆蓋了0到1之間的完整區(qū)間,同時所有的PIT值點均位于Kolmogorov 5%置信帶內(nèi),說明預(yù)測的概率密度函數(shù)PDF形狀沒有過高過低或過寬過窄,驗證了概率預(yù)報的可靠性。

    圖10 SWLSTM-GPR模型PIT圖

    5 結(jié)論

    本研究提出了一種風速、太陽輻射強度、徑流和電力負荷等時間序列變量的概率預(yù)報框架,該框架融合了深度學習模型、特征組合優(yōu)化和超參數(shù)優(yōu)化,增強了確定性預(yù)報精度和概率預(yù)報可靠性。將預(yù)報框架運用于雅礱江流域風光水互補先期試點示范基地徑流、風速、太陽輻射強度和負荷4個數(shù)據(jù)集上,實驗結(jié)果驗證了框架的預(yù)報性能,可得出以下結(jié)論:該預(yù)報框架可組合絕大多數(shù)預(yù)報模型,一方面可通過框架中的高斯過程回歸將確定性預(yù)報結(jié)果擴展為概率預(yù)報結(jié)果;另一方面框架中特征組合和超參數(shù)優(yōu)化可為預(yù)報模型篩選出較優(yōu)的特征輸入和超參數(shù)。

    猜你喜歡
    集上風速概率
    第6講 “統(tǒng)計與概率”復(fù)習精講
    第6講 “統(tǒng)計與概率”復(fù)習精講
    概率與統(tǒng)計(一)
    概率與統(tǒng)計(二)
    基于Kmeans-VMD-LSTM的短期風速預(yù)測
    基于最優(yōu)TS評分和頻率匹配的江蘇近海風速訂正
    海洋通報(2020年5期)2021-01-14 09:26:54
    Cookie-Cutter集上的Gibbs測度
    鏈完備偏序集上廣義向量均衡問題解映射的保序性
    復(fù)扇形指標集上的分布混沌
    基于GARCH的短時風速預(yù)測方法
    91在线精品国自产拍蜜月| 一级毛片aaaaaa免费看小| 日韩,欧美,国产一区二区三区| 美女大奶头黄色视频| 亚洲欧美成人综合另类久久久| 亚洲av电影在线观看一区二区三区| 精品久久久精品久久久| 中文字幕人妻熟人妻熟丝袜美| 大香蕉久久网| 国产午夜精品久久久久久一区二区三区| 2018国产大陆天天弄谢| 久久久久精品性色| 一级毛片aaaaaa免费看小| 全区人妻精品视频| 日本vs欧美在线观看视频 | 日本黄色日本黄色录像| 国产极品天堂在线| 丰满迷人的少妇在线观看| 最近2019中文字幕mv第一页| 国产欧美日韩精品一区二区| 男女啪啪激烈高潮av片| av天堂久久9| 日韩 亚洲 欧美在线| 成人综合一区亚洲| 国产女主播在线喷水免费视频网站| 国内揄拍国产精品人妻在线| 热re99久久国产66热| 欧美 日韩 精品 国产| 色5月婷婷丁香| 一级,二级,三级黄色视频| 一级片'在线观看视频| 我要看黄色一级片免费的| 国产乱人偷精品视频| 伦理电影大哥的女人| 少妇被粗大猛烈的视频| 久久国产亚洲av麻豆专区| 免费看av在线观看网站| www.av在线官网国产| 街头女战士在线观看网站| 伦理电影免费视频| 久久精品夜色国产| 久久精品国产亚洲av涩爱| 这个男人来自地球电影免费观看 | 午夜老司机福利剧场| 免费黄网站久久成人精品| 黄色一级大片看看| 日本vs欧美在线观看视频 | 久久热精品热| 一级毛片久久久久久久久女| 亚洲精品456在线播放app| 欧美+日韩+精品| 在线观看免费日韩欧美大片 | 久久99热6这里只有精品| 少妇的逼水好多| 日韩av不卡免费在线播放| 午夜久久久在线观看| 在线 av 中文字幕| 欧美高清成人免费视频www| 男女边摸边吃奶| 多毛熟女@视频| 曰老女人黄片| av专区在线播放| 男的添女的下面高潮视频| 国产精品免费大片| 国产精品国产三级国产专区5o| 另类亚洲欧美激情| 欧美日韩在线观看h| 免费大片18禁| 内地一区二区视频在线| 黑丝袜美女国产一区| 亚洲国产av新网站| 人妻人人澡人人爽人人| av专区在线播放| 久久热精品热| 天美传媒精品一区二区| 极品少妇高潮喷水抽搐| 两个人的视频大全免费| 成人影院久久| 曰老女人黄片| 精品亚洲成国产av| av在线老鸭窝| 国产日韩欧美在线精品| 赤兔流量卡办理| 不卡视频在线观看欧美| 免费av不卡在线播放| 蜜臀久久99精品久久宅男| 免费不卡的大黄色大毛片视频在线观看| 久久午夜综合久久蜜桃| 最近手机中文字幕大全| 国产无遮挡羞羞视频在线观看| 日本91视频免费播放| 日日摸夜夜添夜夜添av毛片| 亚洲第一区二区三区不卡| 一区在线观看完整版| 日韩av免费高清视频| 六月丁香七月| 在线亚洲精品国产二区图片欧美 | av福利片在线观看| 一边亲一边摸免费视频| 久久精品久久久久久久性| 不卡视频在线观看欧美| 一本—道久久a久久精品蜜桃钙片| 美女cb高潮喷水在线观看| 国产免费又黄又爽又色| 亚洲av国产av综合av卡| 黄色怎么调成土黄色| 极品教师在线视频| 亚洲电影在线观看av| 精品午夜福利在线看| 亚洲欧美中文字幕日韩二区| 97超碰精品成人国产| 黄片无遮挡物在线观看| 精品少妇内射三级| 免费人成在线观看视频色| 亚洲精品乱码久久久久久按摩| av天堂久久9| 嘟嘟电影网在线观看| 五月开心婷婷网| 久久久久久久久大av| 免费观看的影片在线观看| 青春草视频在线免费观看| 日韩人妻高清精品专区| 国精品久久久久久国模美| 国产在线一区二区三区精| 人体艺术视频欧美日本| av又黄又爽大尺度在线免费看| a 毛片基地| 91精品一卡2卡3卡4卡| 插逼视频在线观看| 色吧在线观看| 久久精品国产亚洲网站| 欧美最新免费一区二区三区| 自拍欧美九色日韩亚洲蝌蚪91 | av免费观看日本| 热re99久久国产66热| 欧美精品高潮呻吟av久久| 伊人亚洲综合成人网| 9色porny在线观看| 久久久国产欧美日韩av| 亚洲精品自拍成人| 嫩草影院入口| 赤兔流量卡办理| 日本午夜av视频| 午夜91福利影院| 精品视频人人做人人爽| 欧美精品一区二区免费开放| 我要看黄色一级片免费的| 80岁老熟妇乱子伦牲交| 精品久久久久久电影网| 亚洲精品日本国产第一区| 日韩在线高清观看一区二区三区| 亚洲国产精品专区欧美| 国产成人aa在线观看| 国产成人一区二区在线| 在线播放无遮挡| 少妇人妻一区二区三区视频| av不卡在线播放| 欧美变态另类bdsm刘玥| 亚洲av男天堂| 国产69精品久久久久777片| 看十八女毛片水多多多| 夫妻午夜视频| 久久久久久久大尺度免费视频| 色网站视频免费| 高清av免费在线| 久久99热6这里只有精品| 人人妻人人澡人人爽人人夜夜| 亚洲av福利一区| 国产精品一二三区在线看| 国产白丝娇喘喷水9色精品| 爱豆传媒免费全集在线观看| 男人狂女人下面高潮的视频| 日韩欧美 国产精品| 黄色怎么调成土黄色| 免费黄频网站在线观看国产| 亚洲精品日韩av片在线观看| 黄色视频在线播放观看不卡| 一个人看视频在线观看www免费| 日本wwww免费看| 女性被躁到高潮视频| 国产伦理片在线播放av一区| 亚州av有码| 熟女人妻精品中文字幕| 人人妻人人澡人人爽人人夜夜| 2018国产大陆天天弄谢| 亚洲美女搞黄在线观看| 蜜臀久久99精品久久宅男| 亚洲高清免费不卡视频| 色5月婷婷丁香| 久久久久久久久大av| 97精品久久久久久久久久精品| 黄色配什么色好看| 久久ye,这里只有精品| 自线自在国产av| 国内少妇人妻偷人精品xxx网站| 亚洲色图综合在线观看| 午夜免费男女啪啪视频观看| 爱豆传媒免费全集在线观看| 中文字幕亚洲精品专区| 2022亚洲国产成人精品| 2021少妇久久久久久久久久久| 尾随美女入室| 亚洲国产精品专区欧美| 亚洲国产欧美日韩在线播放 | 成人二区视频| 日韩av不卡免费在线播放| 美女福利国产在线| 亚洲国产精品999| 美女国产视频在线观看| 久久精品国产亚洲网站| 一级毛片黄色毛片免费观看视频| 青春草亚洲视频在线观看| 精品人妻一区二区三区麻豆| av免费观看日本| 亚洲国产精品成人久久小说| av福利片在线观看| 久久久久人妻精品一区果冻| av黄色大香蕉| 国产一区二区在线观看日韩| 一级黄片播放器| 人体艺术视频欧美日本| 久久 成人 亚洲| 久久这里有精品视频免费| 日韩精品有码人妻一区| 国语对白做爰xxxⅹ性视频网站| 97在线人人人人妻| 99国产精品免费福利视频| 天堂中文最新版在线下载| 99热网站在线观看| 一区二区三区免费毛片| 乱码一卡2卡4卡精品| 肉色欧美久久久久久久蜜桃| 国产成人免费观看mmmm| 美女cb高潮喷水在线观看| 国产亚洲av片在线观看秒播厂| 制服丝袜香蕉在线| 免费久久久久久久精品成人欧美视频 | 国产精品嫩草影院av在线观看| 一级毛片aaaaaa免费看小| 日韩av在线免费看完整版不卡| 国产视频首页在线观看| 妹子高潮喷水视频| 少妇高潮的动态图| 色婷婷av一区二区三区视频| 亚洲av免费高清在线观看| 伊人久久精品亚洲午夜| 一级毛片电影观看| 免费人成在线观看视频色| 亚洲欧美成人综合另类久久久| 一级黄片播放器| 免费观看av网站的网址| 久久青草综合色| 在线观看免费视频网站a站| 日本wwww免费看| 国产亚洲一区二区精品| 我的老师免费观看完整版| 91久久精品国产一区二区成人| 午夜免费男女啪啪视频观看| 精品久久国产蜜桃| 欧美97在线视频| 国内揄拍国产精品人妻在线| 欧美成人精品欧美一级黄| 22中文网久久字幕| 丰满少妇做爰视频| 性高湖久久久久久久久免费观看| 视频中文字幕在线观看| 国产av一区二区精品久久| 99久久中文字幕三级久久日本| 一级av片app| 22中文网久久字幕| 国产精品久久久久久精品电影小说| 久久女婷五月综合色啪小说| 91久久精品国产一区二区成人| 国产精品不卡视频一区二区| av一本久久久久| 少妇精品久久久久久久| 亚洲美女视频黄频| 狠狠精品人妻久久久久久综合| 国产成人精品无人区| 亚洲情色 制服丝袜| 九九在线视频观看精品| 少妇被粗大猛烈的视频| 少妇裸体淫交视频免费看高清| 久久精品国产a三级三级三级| 亚洲精品自拍成人| 性色avwww在线观看| 欧美人与善性xxx| 中文精品一卡2卡3卡4更新| 久热久热在线精品观看| 美女大奶头黄色视频| 好男人视频免费观看在线| 在线观看免费视频网站a站| 九九久久精品国产亚洲av麻豆| 国产精品国产三级国产专区5o| 久久人妻熟女aⅴ| 亚洲欧美日韩卡通动漫| 国产午夜精品一二区理论片| 又大又黄又爽视频免费| 在线免费观看不下载黄p国产| av福利片在线观看| 国产精品一区二区在线不卡| 99热这里只有是精品在线观看| 人妻一区二区av| av免费在线看不卡| 日韩亚洲欧美综合| 日日摸夜夜添夜夜添av毛片| 精品国产一区二区久久| 亚洲国产色片| 亚洲中文av在线| 国产亚洲91精品色在线| 在线观看国产h片| 乱系列少妇在线播放| 国产精品国产av在线观看| 日韩一本色道免费dvd| 久久精品久久精品一区二区三区| 狠狠精品人妻久久久久久综合| 国产精品一区二区性色av| 欧美性感艳星| 大又大粗又爽又黄少妇毛片口| 国内少妇人妻偷人精品xxx网站| 噜噜噜噜噜久久久久久91| 高清在线视频一区二区三区| 大话2 男鬼变身卡| 男男h啪啪无遮挡| 日本欧美视频一区| 久久久午夜欧美精品| 婷婷色综合www| 国产精品人妻久久久久久| 最近最新中文字幕免费大全7| 亚洲人与动物交配视频| 久久久国产精品麻豆| 亚洲av福利一区| 简卡轻食公司| 大陆偷拍与自拍| 丰满人妻一区二区三区视频av| a 毛片基地| 在线播放无遮挡| 亚洲国产av新网站| 大香蕉97超碰在线| 亚洲性久久影院| 国产 一区精品| 国产成人aa在线观看| 九草在线视频观看| 亚洲精品色激情综合| 在线观看www视频免费| 久久人妻熟女aⅴ| 久久人人爽av亚洲精品天堂| 内地一区二区视频在线| 精品国产露脸久久av麻豆| 国内揄拍国产精品人妻在线| 老司机影院成人| 久久精品国产亚洲av涩爱| 五月玫瑰六月丁香| 另类精品久久| 亚洲成人av在线免费| 亚洲自偷自拍三级| 嘟嘟电影网在线观看| 国产精品一区二区三区四区免费观看| 日本猛色少妇xxxxx猛交久久| 免费看av在线观看网站| 日本免费在线观看一区| 免费大片18禁| av在线老鸭窝| 少妇人妻一区二区三区视频| 热99国产精品久久久久久7| 欧美老熟妇乱子伦牲交| 日本午夜av视频| 91精品国产国语对白视频| 国产成人精品一,二区| 久久国产乱子免费精品| 91精品国产国语对白视频| 久久久久久久国产电影| 成年美女黄网站色视频大全免费 | 久久热精品热| av国产久精品久网站免费入址| 国产精品国产av在线观看| 色婷婷av一区二区三区视频| 久久99热6这里只有精品| 久久人妻熟女aⅴ| av在线播放精品| 秋霞伦理黄片| 久久久久久伊人网av| 色视频www国产| 国产成人精品无人区| 91久久精品国产一区二区成人| 人妻 亚洲 视频| 国产一区二区在线观看av| 色视频www国产| 永久免费av网站大全| 少妇猛男粗大的猛烈进出视频| 精品一品国产午夜福利视频| 免费观看av网站的网址| 日韩成人伦理影院| 黄片无遮挡物在线观看| 国语对白做爰xxxⅹ性视频网站| 国产精品国产av在线观看| 我的女老师完整版在线观看| 亚洲成人一二三区av| 天天操日日干夜夜撸| 亚洲高清免费不卡视频| 97超碰精品成人国产| 亚洲欧洲日产国产| 欧美97在线视频| 亚洲欧美成人综合另类久久久| 久久精品国产亚洲网站| 国产免费福利视频在线观看| 91精品国产国语对白视频| 国产毛片在线视频| 久久久国产一区二区| 国产日韩欧美亚洲二区| 亚洲天堂av无毛| 亚洲欧美日韩另类电影网站| 夜夜看夜夜爽夜夜摸| 热re99久久国产66热| 欧美激情国产日韩精品一区| 激情五月婷婷亚洲| 久久久国产欧美日韩av| 亚洲综合色惰| 欧美97在线视频| 男女国产视频网站| 人妻制服诱惑在线中文字幕| 人妻人人澡人人爽人人| 22中文网久久字幕| 国产一级毛片在线| 亚洲国产精品专区欧美| 免费人成在线观看视频色| 狂野欧美激情性xxxx在线观看| 久久av网站| 久久青草综合色| 夫妻性生交免费视频一级片| 色婷婷久久久亚洲欧美| 亚洲真实伦在线观看| 国产精品久久久久久久久免| 亚洲国产精品专区欧美| 久久婷婷青草| 天美传媒精品一区二区| 久久女婷五月综合色啪小说| 日韩亚洲欧美综合| 久久99精品国语久久久| 自线自在国产av| 久久久久视频综合| 日韩在线高清观看一区二区三区| 亚洲欧美日韩卡通动漫| 久久人妻熟女aⅴ| 狂野欧美激情性bbbbbb| 成人黄色视频免费在线看| 亚洲av在线观看美女高潮| av又黄又爽大尺度在线免费看| 久久久精品免费免费高清| 青青草视频在线视频观看| 看十八女毛片水多多多| 老司机亚洲免费影院| 亚洲精品乱码久久久久久按摩| 亚洲成人一二三区av| 国产精品秋霞免费鲁丝片| 亚洲第一av免费看| av在线观看视频网站免费| 少妇猛男粗大的猛烈进出视频| 欧美日韩一区二区视频在线观看视频在线| 狂野欧美白嫩少妇大欣赏| 国产真实伦视频高清在线观看| 久久精品国产亚洲av天美| 黑人高潮一二区| 少妇的逼水好多| 久久精品久久精品一区二区三区| 夜夜看夜夜爽夜夜摸| 大香蕉97超碰在线| 欧美三级亚洲精品| 一本久久精品| 国产黄片视频在线免费观看| 99热全是精品| 中文字幕久久专区| 免费不卡的大黄色大毛片视频在线观看| 久久久久久久久久久丰满| av免费观看日本| 狠狠精品人妻久久久久久综合| 精华霜和精华液先用哪个| 狠狠精品人妻久久久久久综合| 成人黄色视频免费在线看| 美女视频免费永久观看网站| 成人黄色视频免费在线看| 香蕉精品网在线| 日本av免费视频播放| 久久久久久久大尺度免费视频| 日本午夜av视频| 国产欧美日韩一区二区三区在线 | 亚洲国产精品一区二区三区在线| 国产片特级美女逼逼视频| 国产免费一级a男人的天堂| 欧美日韩av久久| 亚洲精品视频女| 少妇 在线观看| 亚洲av中文av极速乱| 日韩 亚洲 欧美在线| 国内少妇人妻偷人精品xxx网站| 日韩 亚洲 欧美在线| a级毛片在线看网站| 少妇熟女欧美另类| av在线观看视频网站免费| 乱系列少妇在线播放| 日韩一本色道免费dvd| 日韩 亚洲 欧美在线| 久久免费观看电影| 成年人午夜在线观看视频| 久久女婷五月综合色啪小说| 在线观看免费高清a一片| 大香蕉久久网| av不卡在线播放| 国产精品福利在线免费观看| 老女人水多毛片| 亚洲av电影在线观看一区二区三区| 伦理电影大哥的女人| 久久久久精品性色| 久久精品久久久久久噜噜老黄| 青春草视频在线免费观看| 久久综合国产亚洲精品| av.在线天堂| 欧美丝袜亚洲另类| 99久久中文字幕三级久久日本| 蜜桃在线观看..| 99久久综合免费| 日韩av不卡免费在线播放| 免费黄网站久久成人精品| 国产男女内射视频| 女性生殖器流出的白浆| 国产黄色视频一区二区在线观看| 亚洲av成人精品一二三区| a级一级毛片免费在线观看| 91精品国产国语对白视频| 久久久久久久久久久久大奶| 九九爱精品视频在线观看| 亚洲欧洲日产国产| 人人妻人人澡人人爽人人夜夜| 最近的中文字幕免费完整| 草草在线视频免费看| 少妇的逼水好多| 精品国产国语对白av| 亚洲激情五月婷婷啪啪| 97在线人人人人妻| 99九九线精品视频在线观看视频| 99视频精品全部免费 在线| 免费在线观看成人毛片| 最近最新中文字幕免费大全7| 中国美白少妇内射xxxbb| 午夜91福利影院| 欧美亚洲 丝袜 人妻 在线| 国产日韩欧美亚洲二区| 国产综合精华液| 日本-黄色视频高清免费观看| 韩国av在线不卡| 日韩大片免费观看网站| 亚洲在久久综合| 成年人午夜在线观看视频| 久久精品久久久久久噜噜老黄| 久久久精品免费免费高清| 亚洲婷婷狠狠爱综合网| 只有这里有精品99| 国产一区有黄有色的免费视频| 黄色怎么调成土黄色| 成人毛片60女人毛片免费| 三上悠亚av全集在线观看 | 国产av一区二区精品久久| 王馨瑶露胸无遮挡在线观看| 一区二区三区精品91| 国产成人精品一,二区| 亚洲,一卡二卡三卡| 色网站视频免费| 色婷婷久久久亚洲欧美| 伊人亚洲综合成人网| 91久久精品国产一区二区三区| 老司机亚洲免费影院| 久久女婷五月综合色啪小说| videossex国产| 国产白丝娇喘喷水9色精品| 少妇猛男粗大的猛烈进出视频| 国产高清不卡午夜福利| 一本一本综合久久| 一级,二级,三级黄色视频| 亚洲精品中文字幕在线视频 | 久久ye,这里只有精品| 在线精品无人区一区二区三| 91精品伊人久久大香线蕉| av.在线天堂| 少妇 在线观看| 免费观看a级毛片全部| 国产在线一区二区三区精| 国产成人免费观看mmmm| 久久这里有精品视频免费| 日韩成人av中文字幕在线观看| av天堂中文字幕网| 女性被躁到高潮视频| 久久99精品国语久久久| 蜜桃久久精品国产亚洲av| 黑人高潮一二区| a级片在线免费高清观看视频| 亚洲精品久久午夜乱码| 国产男女超爽视频在线观看| 国产精品久久久久久精品电影小说| 久久99蜜桃精品久久| 黑人巨大精品欧美一区二区蜜桃 | 亚洲精品亚洲一区二区| av在线老鸭窝| 91精品国产国语对白视频| 久久99精品国语久久久| 男女无遮挡免费网站观看| 国产av国产精品国产| 2022亚洲国产成人精品| 中文字幕久久专区| av国产久精品久网站免费入址| 成人黄色视频免费在线看| 欧美变态另类bdsm刘玥| av不卡在线播放| 99久久精品热视频| 99re6热这里在线精品视频| 狂野欧美激情性bbbbbb|