• <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 ?

    考慮多氣象因子累積影響的光伏發(fā)電功率預(yù)測

    2022-11-09 01:26:42邱桂華何引生邱楠海錢美伊
    廣東電力 2022年10期
    關(guān)鍵詞:輻照度氣象聚類

    邱桂華,何引生,邱楠海,錢美伊

    (1.南方電網(wǎng)廣東佛山供電局 廣東 佛山 528000;2. 煙臺海頤軟件股份有限公司,山東 煙臺 264000)

    光伏發(fā)電具有高效、低污染、安全便利等特點[1],近年來,光伏發(fā)電功率預(yù)測成為了國內(nèi)外的研究熱點。由于光伏發(fā)電具有間歇性和隨機性,大規(guī)模的光伏并網(wǎng)可能會影響到電力系統(tǒng)的穩(wěn)定性與安全性[2]。高精度的光伏發(fā)電功率預(yù)測可以提供功率的瞬變信息,對保障電網(wǎng)平穩(wěn)運行、優(yōu)化電力系統(tǒng)調(diào)度具有重要的意義[3]。

    國內(nèi)外針對光伏發(fā)電功率預(yù)測做了大量研究。文獻[4]使用K-means聚類算法和改進多輸出支持向量機(support vector machine,SVM)模型預(yù)測光伏發(fā)電功率,并計算了3種數(shù)學(xué)相關(guān)系數(shù);但該算法模型相對簡單,預(yù)測精度有待提升。文獻[5]提出了基于森林模型的光伏發(fā)電功率(forest for photovoltaic power generation, FPPG)預(yù)測方法,通過集成多個回歸樹,構(gòu)建森林模型預(yù)測光伏發(fā)電功率;但該方法選擇的模型種類相對單一,挖掘的特征信息不夠完善,因而預(yù)測精度欠佳。文獻[6]詳細(xì)分析了輻照度、天氣類型、氣溫等多種氣象因子對光伏發(fā)電站輸出功率的影響,但是并未對光伏發(fā)電功率進行預(yù)測。文獻[7]使用了基于高斯核函數(shù)的SVM和長短期記憶(long short-term memory,LSTM)算法,并將二者的預(yù)測結(jié)果與深度置信網(wǎng)絡(luò)(deep belief networks,DBN)級聯(lián),進一步訓(xùn)練DBN模型,提升了光伏發(fā)電功率預(yù)測精度,但整體的訓(xùn)練速度較為緩慢。文獻[8]用門控循環(huán)單元(gate recurrent unit,GRU)模型代替LSTM模型,引入注意力機制優(yōu)化GRU,并使用粒子群優(yōu)化(particle swarm optimization,PSO)算法調(diào)整神經(jīng)網(wǎng)絡(luò)的超參數(shù),在一定程度上提升了運行速度。文獻[9]集成Mean-shift算法和層次聚類,并使用極限梯度提升(extreme gradient boosting,XGBoost)算法預(yù)測光伏發(fā)電功率,運行速度較快,但是計算效率仍有待提升。文獻[10]使用了集合經(jīng)驗?zāi)B(tài)分解,將1條光伏發(fā)電功率曲線分解為多組本征模態(tài)分量,各分量分別采用PSO算法優(yōu)化的LSTM實現(xiàn)訓(xùn)練與預(yù)測,最后將各分量的預(yù)測結(jié)果累加;但模態(tài)分解可能會產(chǎn)生預(yù)測誤差的累積問題,從而導(dǎo)致該方法預(yù)測精度欠佳。文獻[11]使用K-means++聚類算法劃分訓(xùn)練集,計算相關(guān)系數(shù)選取氣象因子,使用基本的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)提取二維氣象矩陣特征,并且用CNN的預(yù)測結(jié)果修正LSTM的預(yù)測值;但該方法中LSTM的訓(xùn)練、預(yù)測耗時長,除此之外,基本的CNN結(jié)構(gòu)較為簡單,提取特征的豐富度有待完善。

    基于上述文獻存在的不足,本研究提出考慮多氣象因子累積影響的光伏發(fā)電功率預(yù)測方法:首先,采用皮爾遜相關(guān)系數(shù)法,篩選關(guān)聯(lián)氣象因子,并基于余弦距離改進的K-means++聚類算法,將訓(xùn)練數(shù)據(jù)集高效地劃分為K個類簇;其次,在第1路預(yù)測中,考慮到光伏發(fā)電可能會受到近期氣象因素的影響,構(gòu)造二維氣象矩陣,并輸入柯西變異改進的特征金字塔網(wǎng)絡(luò)(feature pyramid network,F(xiàn)PN)模型(采用柯西變異策略優(yōu)化FPN目標(biāo)函數(shù),一定程度上可防止神經(jīng)網(wǎng)絡(luò)陷入局部最優(yōu)解),提取二維氣象矩陣的深層融合特征,從而挖掘氣象因子對光伏發(fā)電功率的累積影響;接著,在第2路預(yù)測中,訓(xùn)練高效的輕量梯度提升機(light gradient boosting machine,LightGBM)算法模型,并借鑒集成學(xué)習(xí)的思路;最后,將第1、2路預(yù)測的結(jié)果按照(1-0.618)∶0.618的比例加權(quán)求和,作為最終的光伏發(fā)電功率預(yù)測值。

    1 篩選關(guān)聯(lián)氣象因子與優(yōu)化聚類

    1.1 皮爾遜相關(guān)系數(shù)篩選關(guān)聯(lián)氣象因子

    對光伏發(fā)電可能造成影響的因素主要包括太陽能電池板的裝機容量,以及各種類型的氣象因子,例如輻照度、天氣類型、濕度、PM2.5、氣溫等。將上述各項指標(biāo)數(shù)據(jù)按照時刻對齊后,計算各影響因子與光伏發(fā)電功率之間的皮爾遜相關(guān)系數(shù)[12],判斷各類影響因子與光伏發(fā)電功率的相關(guān)關(guān)系,從而篩選機器學(xué)習(xí)模型所需要的各項關(guān)聯(lián)氣象因子[13]。皮爾遜相關(guān)系數(shù)

    (1)

    此處相關(guān)系數(shù)閾值設(shè)置為0.3,只保留|r|≥0.3的氣象因子,將其作為關(guān)聯(lián)氣象因子。

    1.2 基于余弦距離的K-means++聚類

    K-means算法是基于劃分的常規(guī)聚類算法,其目的是將對象集劃分為若干個類簇,每個簇內(nèi)數(shù)據(jù)的相似度較高,而簇間數(shù)據(jù)的相似度則較低。K-means算法具有原理簡單、收斂快速的優(yōu)點,但是其聚類效果可能會受到初始聚類中心的影響;因此,本研究采用K-means的改進算法——K-means++算法[11]為基線,對影響光伏發(fā)電功率的各項因子進行聚類。

    由于本文所提算法使用的數(shù)據(jù)集樣本數(shù)據(jù)量大,氣象因子種類較多,為了提高計算效率,將原K-means++算法中的歐式距離度量指標(biāo)替換為余弦距離[14],余弦距離

    (2)

    式中:x、y為數(shù)據(jù)集的任意2個樣本,二者均為具有相同維度的N維向量;xn、yn分別為向量x、y當(dāng)中每個維度的數(shù)值。計算的余弦距離d(x,y)取值范圍為[0,2]:d(x,y)越接近0,說明向量x與y越近似;d(x,y)越接近2,說明向量x與y的差異越大。

    采用余弦距離改進的K-means++聚類算法的計算步驟如下:

    a)輸入數(shù)據(jù)集合C、聚類個數(shù)K。

    b)從集合C中隨機選取一個點c1,作為第1個聚類中心向量。

    c)使用式(2)計算集合C中的第j個向量xj到聚類中心的余弦距離d(xj)。對距離的平方求和,可以得到∑d2(xj)。

    d)計算每個點被選為下一個聚類中心的概率P,

    (3)

    e)生成[0,1]內(nèi)的隨機數(shù)ρ,用ρ依次減去P(1),P(2),…,P(j),得到差值首次不大于0的P(j),將其對應(yīng)的點作為下一個聚類中心。

    f)重復(fù)步驟c)—步驟e),可以找到K個初始聚類中心{ck},k=1,2,…,K。

    g)計算集合C中每個點到各初始聚類中心ck的余弦距離,找到距離最近的聚類中心,將該點劃分到對應(yīng)的子集合中。

    h)計算各子集合的均值,并用該均值更新聚類中心。使用

    (4)

    計算誤差平方和。

    i)重復(fù)步驟g)—步驟h),直至誤差平方和E收斂。

    經(jīng)過上述步驟,將篩選后的數(shù)據(jù)集高效地劃分為K個子簇,每個子簇內(nèi)的變量具有相近的特性,這利于后續(xù)機器學(xué)習(xí)算法模型更好地擬合訓(xùn)練數(shù)據(jù),進而提升預(yù)測效果。

    2 改進FPN挖掘多氣象因子累積影響

    光伏發(fā)電功率可能受到短期內(nèi)多氣象因子的累積影響,因此需要設(shè)計算法挖掘關(guān)聯(lián)氣象因子對光伏發(fā)電功率的累積影響。首先,構(gòu)建二維氣象矩陣,并將其送入FPN模型,生成多層級融合的氣象特征圖。采用柯西變異策略優(yōu)化FPN的目標(biāo)函數(shù),在一定程度上可以防止神經(jīng)網(wǎng)絡(luò)陷入局部最優(yōu)解。

    2.1 關(guān)聯(lián)氣象因子構(gòu)建二維氣象矩陣

    在使用聚類算法得到的每個子簇內(nèi),將間隔15 min采樣得到的關(guān)聯(lián)氣象因子(如輻照度、PM2.5、氣溫等)歷史數(shù)據(jù),按照時間先后排序?qū)R,構(gòu)造二維氣象矩陣,如圖1所示。

    圖1 二維氣象矩陣

    在圖1的二維氣象矩陣中:每一列代表不同的氣象因子種類(比如輻照度、天氣類型、濕度、PM2.5、氣溫等),以及光伏裝機容量;每一行代表同一時間的數(shù)據(jù)。通過構(gòu)建二維氣象矩陣,模擬CNN的輸入樣本圖像,即是將二維氣象矩陣中的氣象數(shù)據(jù)當(dāng)作樣本圖像各個位置的像素值,并使用卷積核計算特征圖。由于裝機容量對預(yù)測結(jié)果有較大的影響,需要在氣象矩陣最后一列增加對應(yīng)時刻的裝機容量。

    2.2 FPN挖掘多氣象因子累積影響

    以CNN為代表的深度學(xué)習(xí)算法,憑借卓越的性能成為計算機視覺領(lǐng)域的主流算法之一。CNN內(nèi)部采用了局部連接和參數(shù)共享,具有強大的特征自提取能力,可以充分提取二維數(shù)據(jù)所蘊含的特征信息。

    作為CNN的一種改進算法,F(xiàn)PN[15]算法能夠提取多層級的融合特征圖,該特征圖兼具低層級的細(xì)節(jié)特征以及高層級的深層語義特征,從而顯著提升CNN的性能。FPN算法流程如下:首先,設(shè)置3個卷積階段,在每個卷積階段內(nèi),都含有卷積層、激活層和批量歸一化層等;在相鄰的卷積階段之間,采用池化操作實現(xiàn)特征圖尺度的下采樣;得到各個卷積階段的輸出特征圖之后,按照由深層至淺層的順序,依次放大特征圖的尺度,至與相臨較低層級的特征圖具有相同尺度,并對二者執(zhí)行加法操作;經(jīng)過上述迭代計算,可以得到FPN多層級融合特征圖。

    在本文提出聚類算法劃分的各個子簇中,分別訓(xùn)練不同的FPN算法模型:將各個時刻的光伏發(fā)電功率作為訓(xùn)練目標(biāo),將各個時刻與之前3個連續(xù)時刻內(nèi)的二維氣象矩陣(含有各個時刻的裝機容量)作為輸入,通過監(jiān)督學(xué)習(xí)的方法訓(xùn)練FPN模型,從而確定其各項參數(shù)。在預(yù)測過程中,根據(jù)即時氣象因子找到對應(yīng)的類簇,并將待預(yù)測時刻以及之前連續(xù)3個時刻內(nèi)的二維氣象矩陣輸入該類簇的FPN模型,從而得到考慮多氣象因子累積影響的光伏發(fā)電功率預(yù)測值。

    2.3 柯西變異優(yōu)化的FPN目標(biāo)函數(shù)

    原始的FPN算法是為計算機視覺領(lǐng)域的目標(biāo)檢測任務(wù)而設(shè)計的,其目標(biāo)函數(shù)包含分類損失函數(shù)和邊界框回歸損失函數(shù),而本研究只需要預(yù)測光伏發(fā)電功率數(shù)值;因此,本文提出算法只需使用其中的smooth L1損失函數(shù)來訓(xùn)練算法模型。損失函數(shù)

    (5)

    式中e為訓(xùn)練誤差。

    神經(jīng)網(wǎng)絡(luò)的訓(xùn)練采用的是梯度下降法,這可能會陷入局部最優(yōu)解,而忽略全局最優(yōu)解。為此,本研究引入柯西變異策略[16]來優(yōu)化FPN的目標(biāo)函數(shù),這樣可以使得神經(jīng)網(wǎng)絡(luò)的動態(tài)回調(diào)過程中,具有相對更寬泛的搜尋范圍,從而提升全局尋優(yōu)能力。以原點為中心的標(biāo)準(zhǔn)柯西分布的概率密度函數(shù)

    (6)

    式中Θ為標(biāo)準(zhǔn)柯西概率分布函數(shù)中的自變量。

    柯西分布是一種連續(xù)的概率分布,其概率密度函數(shù)在原點處的取值相對較小,函數(shù)圖像的兩端較為扁長,接近0的速率也相對較慢,有利于產(chǎn)生更大的擾動。引入柯西變異策略后,F(xiàn)PN的目標(biāo)函數(shù)改進為

    (7)

    3 考慮多氣象因子累積影響的光伏發(fā)電功率短期預(yù)測

    3.1 LightGBM光伏發(fā)電功率即時預(yù)測

    實時氣象因子對光伏發(fā)電功率的影響非常明顯,因此,需要挖掘光伏發(fā)電功率與即時氣象因子之間的關(guān)系。LightGBM[17]算法屬于集成學(xué)習(xí)中的梯度提升決策樹算法,其前身XGBoost算法的每次迭代需要遍歷整體訓(xùn)練數(shù)據(jù)多次,無法滿足海量數(shù)據(jù)的擾動分析需求。與之相比,LightGBM算法采用多線程并行、直方圖加速算法,并采用單邊梯度采樣、互斥稀疏特征綁定來預(yù)處理數(shù)據(jù)。其使用了帶深度限制的Leaf-wise生長策略,在減少計算時間的同時,可以有效防止過擬合現(xiàn)象,提升預(yù)測準(zhǔn)確率。XGBoost、LightGBM算法訓(xùn)練過程的可視化對比如圖2所示。

    圖2 XGBoost與LightGBM的可視化對比

    由圖2對比可知,LightGBM算法在每次迭代時只增加1個葉子結(jié)點,而XGBoost需要增加1層葉子結(jié)點,因而LightGBM相對更快速。LightGBM算法的詳細(xì)實現(xiàn)過程如下:

    a)LightGBM算法在第t次迭代時的優(yōu)化目標(biāo)是獲得弱學(xué)習(xí)器ht,它能夠使本次迭代損失函數(shù)

    L(φi,Ft(θi))=L(φi,Ft-1(θi)+ht(θi))

    (8)

    最小,式中:θi為第i個樣本數(shù)據(jù)的因變量部分;φi為第i個樣本數(shù)據(jù)的訓(xùn)練目標(biāo);ht(θi)為第t次迭代得到的弱學(xué)習(xí)器ht對第i個樣本的預(yù)測值;Ft(θi)、Ft-1(θi)分別為第t、t-1次迭代得到的強學(xué)習(xí)器Ft、Ft-1對第i個樣本的光伏發(fā)電功率預(yù)測值。

    b)利用上一次強學(xué)習(xí)器損失函數(shù)的負(fù)梯度,擬合本次迭代弱學(xué)習(xí)器訓(xùn)練目標(biāo)的近似值。第i個訓(xùn)練樣本經(jīng)第t次迭代后的負(fù)梯度

    (9)

    c)使用平方差函數(shù)近似擬合ht(θi),

    (10)

    式中:hct為第t次迭代生成的各個候選新弱學(xué)習(xí)器;Ht為hct構(gòu)成的集合;hct(θi)為新弱學(xué)習(xí)器hct對第i個樣本的預(yù)測值。

    d)得到第t次迭代生成的弱學(xué)習(xí)器ht,并最終得到第t次迭代生成的強學(xué)習(xí)器Ft,其與上一次迭代的強學(xué)習(xí)器Ft-1之間滿足

    Ft(θi)=ht(θi)+Ft-1(θi).

    (11)

    在本文提出聚類算法劃分的每個子簇內(nèi),將各個時刻的光伏發(fā)電功率作為訓(xùn)練目標(biāo),將與之關(guān)聯(lián)的氣象因子、裝機容量作為模型輸入,分別訓(xùn)練不同的LightGBM算法模型。在預(yù)測時,根據(jù)即時氣象因子找到對應(yīng)的類簇,并向該類簇的LightGBM模型輸入即時關(guān)聯(lián)氣象因子和裝機容量,從而預(yù)測即時光伏發(fā)電功率。

    3.2 考慮多氣象因子累積影響的光伏發(fā)電功率預(yù)測

    本文提出的考慮多氣象因子累積影響的光伏發(fā)電功率預(yù)測的總體流程如圖3所示。

    如圖3所示,首先獲取各個光伏發(fā)電站的歷史真實光伏發(fā)電功率、裝機容量、各項候選氣象因子。采用皮爾遜相關(guān)系數(shù)法,篩選光伏發(fā)電的各項關(guān)聯(lián)氣象因子?;谟嘞揖嚯x的K-means++聚類算法,將訓(xùn)練數(shù)據(jù)集高效劃分為K個子簇,在每個子簇當(dāng)中,分2路預(yù)測短期光伏發(fā)電功率:在第1路預(yù)測中,使用關(guān)聯(lián)氣象因子構(gòu)建二維氣象矩陣,并送入改進的FPN模型,提取氣象矩陣的深層融合特征,修改原始FPN損失函數(shù),并引入柯西變異策略優(yōu)化FPN損失函數(shù),輔助神經(jīng)網(wǎng)絡(luò)跳出局部最優(yōu)解;在第2路中,訓(xùn)練LightGBM算法模型,實現(xiàn)光伏發(fā)電功率的即時預(yù)測。最后,借鑒集成學(xué)習(xí)的思路,將上述2路預(yù)測值按照黃金分割比(1-0.618)∶0.618的比例加權(quán)求和,得到最終的光伏發(fā)電功率預(yù)測值,實現(xiàn)本文提出的考慮多氣象因子累積影響的光伏發(fā)電功率預(yù)測方法。

    圖3 本文提出的算法流程

    4 實驗分析

    4.1 實驗環(huán)境與數(shù)據(jù)獲取

    為完成本研究的實驗內(nèi)容,使用的服務(wù)器信息如下:硬件配置方面,CPU為Intel Xeon E5-2678 2.50 GHz,GPU為NVIDIA GeForce GTX 1080 Ti,內(nèi)存容量32 GB,硬盤容量10 TB;軟件環(huán)境方面,操作系統(tǒng)為Linux Ubuntu 21.04,編程語言為Python語言,Python庫為Anaconda3,Python版本號為3.6.5,數(shù)據(jù)庫為Oracle 11g Server。

    本實驗使用的數(shù)據(jù)為某地級市內(nèi)的數(shù)十個供電所光伏發(fā)電相關(guān)數(shù)據(jù),主要包括光伏發(fā)電功率、太陽能電池板的裝機容量、各項候選氣象因子等。其中,光伏發(fā)電功率、裝機容量來自于數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)(supervisory control and data acquisition,SCADA)和配電管理系統(tǒng)(distribution management system,DMS),各項氣象數(shù)據(jù)主要來自于互聯(lián)網(wǎng)的氣象數(shù)據(jù)接口。實驗數(shù)據(jù)的時間范圍為2021年3月至10月共8個月,數(shù)據(jù)的采樣時刻點間隔為15 min。由于分布式光伏的數(shù)據(jù)量相對較大,為保證腳本程序運行的流暢性和穩(wěn)定性,使用大型Oracle 11g數(shù)據(jù)庫實現(xiàn)相關(guān)數(shù)據(jù)的讀寫與存儲。通過多組對比實驗,比較各項算法在不同氣象條件下的預(yù)測效果和精度,以驗證本文提出方法的有效性和可行性。

    4.2 數(shù)據(jù)分析與處理

    可能影響光伏發(fā)電功率的候選氣象因子有輻照度、氣溫、濕度、PM2.5、天氣類型、大氣壓強、風(fēng)速、風(fēng)向、降水量。將光伏發(fā)電功率與各項候選氣象因子根據(jù)時間對齊,然后計算皮爾遜相關(guān)系數(shù),結(jié)果見表1。

    表1 候選氣象因子的皮爾遜相關(guān)系數(shù)

    由表1可知:在眾多候選氣象因子中,輻照度與光伏發(fā)電功率之間的皮爾遜相關(guān)系數(shù)為0.93,二者具有最強的相關(guān)關(guān)系;風(fēng)向與光伏發(fā)電功率的皮爾遜相關(guān)系數(shù)為0.13,二者之間的相關(guān)性最弱。只保留皮爾遜相關(guān)系數(shù)絕對值不小于0.3的對應(yīng)氣象因子,得到篩選后的關(guān)聯(lián)氣象因子有輻照度、氣溫、濕度、PM2.5、天氣類型、降水量。使用篩選后的關(guān)聯(lián)氣象因子、光伏裝機容量,作為聚類算法和機器學(xué)習(xí)模型的輸入數(shù)據(jù)。

    為了實現(xiàn)光伏發(fā)電功率與各項關(guān)聯(lián)氣象因子的變化關(guān)系可視化,以輻照度為例進行分析。按照時間維度,選取連續(xù)多天的輻照度、光伏發(fā)電功率數(shù)據(jù),對比結(jié)果如圖4所示。

    圖4 光伏發(fā)電功率與輻照度總體對比

    由圖4可知,輻照度與光伏發(fā)電功率的變化趨勢非常接近,具有較強的相關(guān)性。選取其中的2日數(shù)據(jù)深入分析,對比結(jié)果如圖5所示。

    圖5 光伏發(fā)電功率與輻照度詳細(xì)對比

    結(jié)合圖4、圖5可以看出,雖然光伏發(fā)電功率與輻照度的大致走勢相近,但是在局部位置還是存在不少跳點,例如點54、點61、點65、點140、點150和點153等。為得到光伏發(fā)電功率與各項關(guān)聯(lián)因子的復(fù)雜變化關(guān)系,構(gòu)建相關(guān)的機器學(xué)習(xí)算法模型,自主學(xué)習(xí)該復(fù)雜關(guān)系。

    將篩選后的各項關(guān)聯(lián)氣象因子、裝機容量,輸入改進的K-means++算法,得到K個類簇。由于需要預(yù)先給定K-means++算法的類簇數(shù)量K,因此采用戴維森堡丁指數(shù)(Davies-Bouldin index,DBI)指標(biāo)來評估聚類效果,從而確定最優(yōu)聚類數(shù)量K。DBI指標(biāo)

    (12)

    其中

    (13)

    表2 不同聚類數(shù)的DBI指標(biāo)

    由表2可知,當(dāng)聚類數(shù)量K值取4,對應(yīng)的DBI指標(biāo)最小為1.40,說明這時的聚類效果最好;因此,在本研究實驗中,將使用余弦距離改進的K-means++算法聚類個數(shù)設(shè)置為4。

    4.3 預(yù)測效果對比

    選取具有代表性氣象特征的2日測試數(shù)據(jù)進行對比分析。改進的K-means++聚類算法將篩選后的數(shù)據(jù)集高效劃分為4個類簇后,分別使用基線算法、各項改進算法實現(xiàn)預(yù)測,并將預(yù)測結(jié)果可視化。

    以某供電所2021年9月4日為例,當(dāng)天的天氣類型為晴轉(zhuǎn)陰,輻照度數(shù)據(jù)如圖6所示,可知:當(dāng)天輻照度最大值為800 W/m2;上午的輻照度相對較高,為晴天;下午的輻照度相對較低,為陰天。

    圖6 待預(yù)測日的輻照度(晴轉(zhuǎn)陰)

    該供電所當(dāng)天的光伏發(fā)電功率預(yù)測結(jié)果如圖7所示,圖中Actual表示光伏發(fā)電功率真實值,F(xiàn)PN表示只使用FPN算法預(yù)測多氣象因子累積影響的光伏發(fā)電功率,F(xiàn)PN-C表示單獨使用柯西變異優(yōu)化的FPN預(yù)測結(jié)果,LightGBM表示只使用LightGBM算法預(yù)測即時光伏發(fā)電功率,Proposed表示本文所提預(yù)測算法的結(jié)果。

    圖7 光伏發(fā)電功率預(yù)測對比(晴轉(zhuǎn)陰)

    由圖7可知:上午的光伏發(fā)電功率相對較高,最大值約2 500 kW;下午的光伏發(fā)電功率相對較低,最大值約為2 000 kW。從整體上來看:單獨使用FPN算法在光伏發(fā)電功率實際值突變情況下的預(yù)測欠佳,其預(yù)測結(jié)果最不符合真實功率;單獨使用柯西變異優(yōu)化的FPN預(yù)測效果有所提升;單獨使用LightGBM算法的預(yù)測效果也相對較好;與其他各項算法相比,本文提出的算法預(yù)測值最符合實際值,具有最好的預(yù)測效果。

    以某供電所2021年8月9日為例,當(dāng)天的天氣類型為中雨,輻照度數(shù)據(jù)如圖8所示,可知當(dāng)天的輻照度最大值為175 W/m2,上午的輻照度相對較高,下午的輻照度相對較低。

    圖8 待預(yù)測日的輻照度(中雨)

    該供電所當(dāng)天的光伏發(fā)電功率預(yù)測結(jié)果如圖9所示,可知:上午的光伏發(fā)電功率相對較高,最大值約550 kW;下午的光伏發(fā)電功率相對較低,最大值約300 kW;單獨使用FPN預(yù)測時,在上午、下午的幾個時刻的預(yù)測結(jié)果出現(xiàn)明顯偏離,預(yù)測效果相對較差;單獨使用柯西變異優(yōu)化的FPN預(yù)測效果有所改善;而單獨使用LightGBM的預(yù)測效果相對較好;與各項對照算法相比,本文提出的算法具有最好的預(yù)測效果。

    圖9 光伏發(fā)電功率預(yù)測對比(中雨)

    4.4 預(yù)測精度對比

    使用2021年3月至8月的數(shù)據(jù)作為訓(xùn)練集,使用2021年9月、10月的數(shù)據(jù)作為測試集。分別使用平均相對誤差(mean relative error,MRE)、均方根誤差(root mean square error,RMSE)來計算光伏發(fā)電功率的預(yù)測精度。平均相對誤差

    (14)

    均方根誤差

    (15)

    式(14)、(15)中:Ppi為第i個時刻的光伏發(fā)電功率預(yù)測值;Pti為第i個時刻的光伏發(fā)電功率真實值;I為時刻數(shù)。

    在測試集中對比各項改進算法和本文所提算法的精度,結(jié)果見表3,表中Proposed-no-K表示本文所提但不使用聚類算法的預(yù)測結(jié)果。

    表3 各項算法的預(yù)測精度對比

    由表3可知:①從平均相對誤差來看,本文所提但不使用聚類算法的方法精度最低,為84.23%;單獨使用FPN預(yù)測光伏發(fā)電功率的精度稍好,為85.37%;單獨使用柯西變異優(yōu)化的FPN預(yù)測精度有所提升,為86.24%;單獨使用LightGBM算法的預(yù)測精度較好,為87.56%;而使用本文提出的光伏發(fā)電功率預(yù)測算法具有最高的精度88.12%。②從均方根誤差來看,本文所提但不使用聚類算法的方法精度最低,為77.12%;單獨使用FPN的精度稍好,為78.11%;單獨使用柯西變異改進的FPN精度提升至79.13%;單獨使用LightGBM算法的預(yù)測精度相對較好,為81.54%;與上述算法相比,本文提出的算法具有最高的預(yù)測精度,為82.03%。

    綜上,分別從平均相對誤差、均方根誤差來看,與各項對照算法相比,本文提出的考慮多氣象因子累積影響的光伏發(fā)電功率預(yù)測算法都具有最好的預(yù)測精度。

    5 結(jié)束語

    本文提出了考慮多氣象因子累積影響的光伏發(fā)電功率預(yù)測方法,主要內(nèi)容有:

    a)使用余弦距離改進的K-means++聚類算法,將含有關(guān)聯(lián)氣象因子的數(shù)據(jù)集進行高效分簇。

    b)在每個子簇中,構(gòu)建二維氣象矩陣,并送入FPN模型提取深層融合特征。損失函數(shù)引入了柯西變異策略,輔助神經(jīng)網(wǎng)絡(luò)跳出局部最優(yōu)解。

    c)借鑒了集成學(xué)習(xí)思想,將改進FPN、LightGBM的預(yù)測結(jié)果按黃金分割比(1-0.618)∶0.618加權(quán)求和。

    由實驗結(jié)果可知,本文提出的方法與各項對照算法相比,在各種天氣情況下具有較好的預(yù)測效果。

    猜你喜歡
    輻照度氣象聚類
    氣象樹
    《內(nèi)蒙古氣象》征稿簡則
    氣象戰(zhàn)士之歌
    心聲歌刊(2019年5期)2020-01-19 01:52:52
    大國氣象
    基于DBSACN聚類算法的XML文檔聚類
    電子測試(2017年15期)2017-12-18 07:19:27
    中國典型地區(qū)水平總輻射輻照度頻次特征*
    風(fēng)能(2016年8期)2016-12-12 07:28:48
    基于改進的遺傳算法的模糊聚類算法
    太陽模擬器輻照度修正方法的研究
    太陽光輻照度概率分布參數(shù)對電網(wǎng)可靠性的影響
    一種層次初始的聚類個數(shù)自適應(yīng)的聚類方法研究
    亚洲精品av麻豆狂野| 国产精品国产三级国产av玫瑰| 国产一区有黄有色的免费视频| 成人影院久久| 国产免费一级a男人的天堂| 妹子高潮喷水视频| 中文乱码字字幕精品一区二区三区| 亚洲精品国产av蜜桃| av在线老鸭窝| 高清黄色对白视频在线免费看| 亚洲欧洲国产日韩| 色吧在线观看| 在线观看免费日韩欧美大片 | 免费人成在线观看视频色| 免费观看无遮挡的男女| 国产国拍精品亚洲av在线观看| 九草在线视频观看| 另类亚洲欧美激情| 欧美日韩综合久久久久久| 日本色播在线视频| 观看美女的网站| 99热全是精品| 久久av网站| 精品熟女少妇av免费看| 亚洲,欧美,日韩| 三级国产精品片| 最近最新中文字幕免费大全7| 大陆偷拍与自拍| 亚洲国产欧美日韩在线播放| 丰满乱子伦码专区| 国产男女内射视频| 国产精品嫩草影院av在线观看| 老熟女久久久| 国产在线视频一区二区| 久久久久久久久久久免费av| 欧美精品亚洲一区二区| 2018国产大陆天天弄谢| 日韩av在线免费看完整版不卡| 久久热精品热| 交换朋友夫妻互换小说| 一级,二级,三级黄色视频| 永久网站在线| 国产欧美亚洲国产| 国产精品熟女久久久久浪| 久久久久久久久大av| 国产欧美日韩综合在线一区二区| 一边亲一边摸免费视频| 国产精品一区www在线观看| 热re99久久精品国产66热6| 欧美 亚洲 国产 日韩一| 一级二级三级毛片免费看| 国产一区二区三区av在线| kizo精华| 久久av网站| 亚洲精品一二三| 中文字幕人妻熟人妻熟丝袜美| 青青草视频在线视频观看| 国产精品.久久久| 80岁老熟妇乱子伦牲交| 少妇人妻精品综合一区二区| 国产日韩一区二区三区精品不卡 | 五月开心婷婷网| 一边摸一边做爽爽视频免费| 性色av一级| 免费看不卡的av| 美女大奶头黄色视频| 2018国产大陆天天弄谢| 国产精品一二三区在线看| 黄色欧美视频在线观看| 少妇的逼水好多| 日本91视频免费播放| 国产免费一区二区三区四区乱码| 亚洲精品视频女| 成人亚洲欧美一区二区av| 亚洲国产日韩一区二区| av专区在线播放| 午夜免费观看性视频| 天堂中文最新版在线下载| 日韩三级伦理在线观看| av电影中文网址| 十八禁高潮呻吟视频| 亚洲在久久综合| 精品国产露脸久久av麻豆| 日韩电影二区| 亚洲人与动物交配视频| 99久久精品国产国产毛片| 97在线视频观看| 亚洲美女视频黄频| 大香蕉久久成人网| a级毛片在线看网站| 97超视频在线观看视频| 丝袜脚勾引网站| 精品一区二区三卡| 国产成人freesex在线| 亚洲精华国产精华液的使用体验| 日韩免费高清中文字幕av| 97超视频在线观看视频| 一区二区三区精品91| 熟女电影av网| 五月开心婷婷网| 亚洲成人av在线免费| 天天躁夜夜躁狠狠久久av| 国产亚洲午夜精品一区二区久久| 国产一级毛片在线| 免费高清在线观看日韩| 日韩av免费高清视频| 天堂8中文在线网| 热re99久久国产66热| 亚洲综合精品二区| 亚洲怡红院男人天堂| 国产有黄有色有爽视频| 欧美精品高潮呻吟av久久| 下体分泌物呈黄色| 亚洲五月色婷婷综合| av黄色大香蕉| 99久久精品一区二区三区| 日日啪夜夜爽| 18禁动态无遮挡网站| 狂野欧美白嫩少妇大欣赏| 最近的中文字幕免费完整| 日本av手机在线免费观看| 草草在线视频免费看| 亚洲国产精品国产精品| 亚洲精品乱码久久久v下载方式| 中文字幕人妻熟人妻熟丝袜美| 夜夜爽夜夜爽视频| 黄色视频在线播放观看不卡| 51国产日韩欧美| 欧美日韩av久久| 国产精品久久久久久久久免| 好男人视频免费观看在线| 97在线视频观看| 啦啦啦在线观看免费高清www| 制服诱惑二区| 日韩一本色道免费dvd| 亚洲精华国产精华液的使用体验| 亚洲精品亚洲一区二区| 亚洲色图综合在线观看| 99热这里只有是精品在线观看| 婷婷成人精品国产| 嘟嘟电影网在线观看| 免费观看性生交大片5| 久久久精品94久久精品| 97在线视频观看| 性色av一级| 国产高清有码在线观看视频| 欧美性感艳星| 亚洲av电影在线观看一区二区三区| 精品一区二区免费观看| 色哟哟·www| 一级二级三级毛片免费看| 免费观看无遮挡的男女| 99九九在线精品视频| 欧美xxxx性猛交bbbb| 亚洲五月色婷婷综合| 亚洲精品av麻豆狂野| 久久99热这里只频精品6学生| 亚洲欧洲日产国产| 国产精品女同一区二区软件| 亚洲欧美清纯卡通| 伦理电影免费视频| 一区二区三区四区激情视频| av女优亚洲男人天堂| 18禁观看日本| 免费人成在线观看视频色| 国产亚洲精品第一综合不卡 | 视频区图区小说| 亚洲成人av在线免费| 在线精品无人区一区二区三| 成人亚洲欧美一区二区av| 国产精品99久久久久久久久| 国产精品.久久久| 亚洲中文av在线| 欧美激情极品国产一区二区三区 | 久久韩国三级中文字幕| 国产精品熟女久久久久浪| 国语对白做爰xxxⅹ性视频网站| 日韩av不卡免费在线播放| 边亲边吃奶的免费视频| 亚洲一区二区三区欧美精品| 欧美亚洲 丝袜 人妻 在线| 我的女老师完整版在线观看| 热re99久久精品国产66热6| 亚洲国产精品999| 久久久久久久久久久免费av| 亚洲精品日韩在线中文字幕| 在线天堂最新版资源| 狠狠婷婷综合久久久久久88av| 永久免费av网站大全| 亚洲第一区二区三区不卡| 亚洲国产精品一区二区三区在线| 大陆偷拍与自拍| 亚洲天堂av无毛| 成人国语在线视频| 一区二区三区四区激情视频| 欧美精品国产亚洲| 欧美国产精品一级二级三级| 国产免费视频播放在线视频| 亚洲精品456在线播放app| 亚洲国产精品999| 欧美xxⅹ黑人| 少妇被粗大猛烈的视频| 亚洲内射少妇av| 久久人人爽av亚洲精品天堂| 毛片一级片免费看久久久久| 性色avwww在线观看| 99热6这里只有精品| 亚洲精品中文字幕在线视频| 少妇 在线观看| 美女视频免费永久观看网站| 天天影视国产精品| 日韩精品免费视频一区二区三区 | 另类精品久久| 日韩视频在线欧美| 久久婷婷青草| 日韩欧美一区视频在线观看| 久久久欧美国产精品| 波野结衣二区三区在线| 免费观看av网站的网址| 男女啪啪激烈高潮av片| 一级a做视频免费观看| 亚洲四区av| av在线app专区| 欧美人与善性xxx| 交换朋友夫妻互换小说| 欧美日韩在线观看h| 高清av免费在线| 丰满迷人的少妇在线观看| 国产日韩一区二区三区精品不卡 | 亚洲精品av麻豆狂野| 麻豆精品久久久久久蜜桃| 成人午夜精彩视频在线观看| 亚洲精品美女久久av网站| 汤姆久久久久久久影院中文字幕| 日韩制服骚丝袜av| 国产亚洲最大av| 99久久综合免费| 另类精品久久| 人妻 亚洲 视频| 国产成人精品福利久久| 欧美日韩精品成人综合77777| 丰满迷人的少妇在线观看| a 毛片基地| 美女中出高潮动态图| 久久av网站| 插逼视频在线观看| 大话2 男鬼变身卡| 日本黄大片高清| 婷婷色麻豆天堂久久| 七月丁香在线播放| 青青草视频在线视频观看| 国产精品99久久99久久久不卡 | 91久久精品国产一区二区三区| 一区在线观看完整版| 久久久久久久亚洲中文字幕| 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 | 午夜福利,免费看| 亚洲精品日韩在线中文字幕| 国产亚洲最大av| 三级国产精品片| 少妇被粗大的猛进出69影院 | 久久午夜综合久久蜜桃| 免费观看性生交大片5| 丰满少妇做爰视频| 丰满饥渴人妻一区二区三| 亚洲丝袜综合中文字幕| 精品国产露脸久久av麻豆| 亚洲国产精品专区欧美| 日日爽夜夜爽网站| 在线 av 中文字幕| 22中文网久久字幕| 久久久久精品久久久久真实原创| 免费不卡的大黄色大毛片视频在线观看| 国产日韩一区二区三区精品不卡 | 国产成人aa在线观看| 又黄又爽又刺激的免费视频.| 波野结衣二区三区在线| 亚洲熟女精品中文字幕| 久久久久视频综合| 一边亲一边摸免费视频| 好男人视频免费观看在线| 久久精品夜色国产| 99久久人妻综合| 午夜福利,免费看| 国产精品国产三级专区第一集| 各种免费的搞黄视频| 丰满少妇做爰视频| 国产一级毛片在线| 国产不卡av网站在线观看| 九九在线视频观看精品| 久久99蜜桃精品久久| 成人18禁高潮啪啪吃奶动态图 | 国产69精品久久久久777片| 久久精品国产亚洲av天美| 九九在线视频观看精品| 少妇人妻 视频| 美女福利国产在线| 国产精品久久久久久精品古装| 99国产精品免费福利视频| 最新的欧美精品一区二区| 一级二级三级毛片免费看| 国产精品久久久久久久久免| 插逼视频在线观看| 亚洲综合色网址| 麻豆乱淫一区二区| 久久久久久久亚洲中文字幕| 久久久久久久久久久免费av| 菩萨蛮人人尽说江南好唐韦庄| 免费观看无遮挡的男女| 天堂俺去俺来也www色官网| av专区在线播放| av网站免费在线观看视频| 在线观看国产h片| 建设人人有责人人尽责人人享有的| 中文字幕制服av| 美女中出高潮动态图| 免费av不卡在线播放| 精品少妇黑人巨大在线播放| 国产精品 国内视频| freevideosex欧美| 18禁裸乳无遮挡动漫免费视频| videossex国产| 18禁动态无遮挡网站| kizo精华| 亚洲成人av在线免费| 亚洲精品aⅴ在线观看| 国产欧美日韩综合在线一区二区| 国产精品免费大片| 国产日韩一区二区三区精品不卡 | 久久99热这里只频精品6学生| 老司机亚洲免费影院| 日韩在线高清观看一区二区三区| av免费在线看不卡| a级毛色黄片| 免费高清在线观看日韩| 午夜av观看不卡| 伦理电影免费视频| 日本爱情动作片www.在线观看| 91精品伊人久久大香线蕉| 免费日韩欧美在线观看| av线在线观看网站| 青春草视频在线免费观看| 日韩熟女老妇一区二区性免费视频| 麻豆成人av视频| 亚洲性久久影院| 日产精品乱码卡一卡2卡三| 在线观看免费日韩欧美大片 | 久久久午夜欧美精品| 婷婷色麻豆天堂久久| 日本wwww免费看| 久久久久久久精品精品| 国产精品国产三级国产专区5o| 成人综合一区亚洲| 国产成人精品久久久久久| 欧美bdsm另类| 人人澡人人妻人| 青青草视频在线视频观看| 美女国产高潮福利片在线看| 日本91视频免费播放| 欧美激情国产日韩精品一区| 91午夜精品亚洲一区二区三区| 26uuu在线亚洲综合色| 国产精品一区二区在线不卡| 丰满饥渴人妻一区二区三| 欧美激情 高清一区二区三区| 22中文网久久字幕| 国产一区二区在线观看av| 日韩av免费高清视频| 亚洲综合精品二区| 亚洲av综合色区一区| 黄色欧美视频在线观看| 久久久久久久久久久免费av| 制服诱惑二区| 在线观看国产h片| 日本91视频免费播放| 日本色播在线视频| 国产成人aa在线观看| 日韩成人伦理影院| 一边亲一边摸免费视频| 国产精品99久久99久久久不卡 | 亚洲怡红院男人天堂| 黄片播放在线免费| 九色亚洲精品在线播放| 大又大粗又爽又黄少妇毛片口| 亚洲国产精品一区二区三区在线| 亚洲av成人精品一二三区| 日韩成人av中文字幕在线观看| 美女中出高潮动态图| 亚洲欧洲国产日韩| 亚洲美女搞黄在线观看| 亚洲精品aⅴ在线观看| 久久午夜综合久久蜜桃| 欧美丝袜亚洲另类| 久久精品人人爽人人爽视色| 黑丝袜美女国产一区| 国产熟女午夜一区二区三区 | 啦啦啦在线观看免费高清www| 美女cb高潮喷水在线观看| 亚洲少妇的诱惑av| av网站免费在线观看视频| 亚洲欧美日韩卡通动漫| 亚洲精品乱码久久久v下载方式| 18在线观看网站| 国产精品一区www在线观看| 色5月婷婷丁香| 人人妻人人澡人人看| 久久国产亚洲av麻豆专区| 欧美丝袜亚洲另类| 国产精品人妻久久久久久| 人妻夜夜爽99麻豆av| 亚洲内射少妇av| 91精品伊人久久大香线蕉| 啦啦啦啦在线视频资源| 看十八女毛片水多多多| 街头女战士在线观看网站| 最近中文字幕高清免费大全6| 国产欧美日韩一区二区三区在线 | 国产极品粉嫩免费观看在线 | 激情五月婷婷亚洲| 婷婷色综合www| 亚洲国产毛片av蜜桃av| 高清黄色对白视频在线免费看| 日本wwww免费看| 亚洲色图综合在线观看| av线在线观看网站| 国产白丝娇喘喷水9色精品| 成人手机av| 亚洲国产av影院在线观看| 亚洲精品国产av成人精品| 国产亚洲av片在线观看秒播厂| 日本免费在线观看一区| 少妇的逼好多水| 国产极品粉嫩免费观看在线 | 天美传媒精品一区二区| 中文字幕制服av| 欧美日韩在线观看h| 特大巨黑吊av在线直播| 日本色播在线视频| 亚洲av在线观看美女高潮| 男人操女人黄网站| 在线观看www视频免费| 午夜日本视频在线| 51国产日韩欧美| 国产精品久久久久久久电影| 老司机影院成人| av.在线天堂| 国产免费一区二区三区四区乱码| 国产在线免费精品| 91久久精品国产一区二区成人| 久久久久久久久久成人| 亚洲精品久久午夜乱码| 亚洲,欧美,日韩| 一级毛片 在线播放| 亚洲av不卡在线观看| 精品久久久久久电影网| 韩国av在线不卡| 国产熟女欧美一区二区| 国产精品久久久久成人av| 亚洲国产精品一区二区三区在线| 成年人午夜在线观看视频| 你懂的网址亚洲精品在线观看| 成年人午夜在线观看视频| 18禁在线播放成人免费| 精品亚洲成国产av| 男女边吃奶边做爰视频| 久久婷婷青草| 国国产精品蜜臀av免费| www.av在线官网国产| 在线观看免费高清a一片| 国产精品99久久久久久久久| 久久韩国三级中文字幕| 女性生殖器流出的白浆| 观看美女的网站| 色网站视频免费| 性色avwww在线观看| 母亲3免费完整高清在线观看 | 亚洲精品日韩在线中文字幕| 51国产日韩欧美| 成人手机av| 乱人伦中国视频| 亚洲av.av天堂| 成年女人在线观看亚洲视频| 97在线视频观看| 久久久久国产网址| 男男h啪啪无遮挡| 我的老师免费观看完整版| 日本欧美国产在线视频| 只有这里有精品99| 91精品国产九色| 亚洲一级一片aⅴ在线观看| 又黄又爽又刺激的免费视频.| 日本av免费视频播放| 日本黄色片子视频| 精品久久久久久久久亚洲| 国产高清三级在线| 国产亚洲欧美精品永久| 欧美激情国产日韩精品一区| 日日摸夜夜添夜夜爱| 在线看a的网站| 水蜜桃什么品种好| 欧美亚洲 丝袜 人妻 在线| 老熟女久久久| 亚州av有码| 男人添女人高潮全过程视频| 午夜免费鲁丝| 九草在线视频观看| 中文字幕精品免费在线观看视频 | 国产 一区精品| 天堂俺去俺来也www色官网| 久久免费观看电影| 18禁动态无遮挡网站| www.色视频.com| av视频免费观看在线观看| 少妇的逼好多水| 久久国产精品男人的天堂亚洲 | 最新的欧美精品一区二区| 国产亚洲一区二区精品| 十分钟在线观看高清视频www| 国产精品国产av在线观看| 精品一区在线观看国产| 国产成人午夜福利电影在线观看| 在线观看免费高清a一片| 精品国产一区二区三区久久久樱花| 少妇 在线观看| 欧美亚洲 丝袜 人妻 在线| 飞空精品影院首页| 久久久久久久久大av| 久久婷婷青草| 久久人人爽av亚洲精品天堂| 免费观看av网站的网址| 亚洲av综合色区一区| 2022亚洲国产成人精品| 中文字幕人妻熟人妻熟丝袜美| 搡老乐熟女国产| 国产在线视频一区二区| 老司机亚洲免费影院| 亚洲av中文av极速乱| 亚洲国产精品国产精品| 啦啦啦在线观看免费高清www| 国产成人freesex在线| 99久久综合免费| 午夜日本视频在线| 如何舔出高潮| 午夜久久久在线观看| 国产精品一区二区三区四区免费观看| 插阴视频在线观看视频| av播播在线观看一区| 中文字幕免费在线视频6| 男女边吃奶边做爰视频| 欧美激情国产日韩精品一区| 99久国产av精品国产电影| a级毛片在线看网站| 国产精品蜜桃在线观看| 亚洲欧洲日产国产| 欧美激情国产日韩精品一区| 女性被躁到高潮视频| 亚洲精品视频女| 亚洲美女搞黄在线观看| 免费av中文字幕在线| 欧美激情国产日韩精品一区| 老司机亚洲免费影院| 久久久午夜欧美精品| 在线观看人妻少妇| 精品久久国产蜜桃| 国产精品.久久久| 丰满少妇做爰视频| 最新的欧美精品一区二区| 日本91视频免费播放| 欧美另类一区| 国产有黄有色有爽视频| 亚洲欧美一区二区三区国产| 国产伦精品一区二区三区视频9| 国产色爽女视频免费观看| 最近中文字幕高清免费大全6| 两个人的视频大全免费| 国产免费现黄频在线看| 狂野欧美白嫩少妇大欣赏| av免费在线看不卡| 伊人久久精品亚洲午夜| 美女cb高潮喷水在线观看| 观看av在线不卡| 91成人精品电影| 欧美日韩视频高清一区二区三区二| 国产白丝娇喘喷水9色精品| 韩国av在线不卡| 人人妻人人澡人人看| 91精品一卡2卡3卡4卡| 91精品伊人久久大香线蕉| 久久久久久久久久久免费av| 国产精品国产三级国产专区5o| 国产一区二区在线观看日韩| 天天躁夜夜躁狠狠久久av| 国产日韩欧美视频二区| 少妇人妻 视频| 中国美白少妇内射xxxbb| 中文字幕av电影在线播放| 午夜日本视频在线| 成年av动漫网址| 丰满迷人的少妇在线观看| 波野结衣二区三区在线| 人妻系列 视频| 亚洲欧美成人综合另类久久久| 97在线人人人人妻| 精品少妇久久久久久888优播| 欧美老熟妇乱子伦牲交| 国产精品熟女久久久久浪| 日本与韩国留学比较| 成年女人在线观看亚洲视频| 国产综合精华液| 天天躁夜夜躁狠狠久久av| 亚洲国产成人一精品久久久| 国产精品国产三级国产av玫瑰| 国产欧美亚洲国产| 老司机影院成人| 日本vs欧美在线观看视频|