• <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ARIMA-OSELM的火電廠SCR入口NOx濃度預(yù)測建模研究

    2023-11-02 11:37:42金秀章陳佳政李陽峰
    計(jì)量學(xué)報(bào) 2023年9期
    關(guān)鍵詞:殘差變量預(yù)測

    金秀章, 陳佳政, 李陽峰

    (華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院,河北保定071003)

    1 引 言

    目前,火力發(fā)電仍是我國發(fā)電的主要支柱,而發(fā)電過程中產(chǎn)生的氮氧化物(NOx)又是大氣中NOx污染的主要來源之一。因鍋爐燃燒過程運(yùn)行工況復(fù)雜,反應(yīng)延遲較大,致使選擇性催化還原(selective catalytic reduction)煙氣脫硝系統(tǒng)(下文簡稱SCR)入口NOx濃度無法準(zhǔn)確地即時(shí)測量,從而使噴氨量無法準(zhǔn)確中和NOx[1]。因此建立精準(zhǔn)高效的預(yù)測模型來滿足對NOx排放濃度的實(shí)時(shí)監(jiān)測具有重要意義。

    目前我國大部分電廠使用連續(xù)排放監(jiān)測系統(tǒng)(continuous emission monitoring system, CEMS)對NOx的排放進(jìn)行監(jiān)測,其測量方式為直接抽取排放煙氣進(jìn)行測量,但這種測量方法難以保證結(jié)果的實(shí)時(shí)性[2]。現(xiàn)針對NOx排放預(yù)測的建模方式包含反應(yīng)機(jī)理建模和以數(shù)據(jù)驅(qū)動(dòng)為基礎(chǔ)的建模2種。電廠發(fā)電過程極為復(fù)雜,其燃燒過程包含大量的物理化學(xué)反應(yīng),同時(shí)反應(yīng)過程中的各類擾動(dòng)也影響模型參數(shù)的確定,因此大大增加了機(jī)理建模難度[3]。近年來,隨著機(jī)器學(xué)習(xí)的快速發(fā)展,基于數(shù)據(jù)驅(qū)動(dòng)的“黑箱”建模進(jìn)入了大眾視線,其建模過程相對簡單,因此大受研究者們的喜愛。呂游等[4]利用最小二乘支持向量機(jī)建立了NOx排放預(yù)測模型,與支持向量機(jī)相比,提升了模型的泛化能力;Fu等[5]利用長短期記憶網(wǎng)絡(luò)(LSTM)建立了脫硫效率預(yù)測模型,預(yù)測精度較高。大量研究表明,加入時(shí)間序列預(yù)測方法的混合模型的建立能夠彌補(bǔ)神經(jīng)網(wǎng)絡(luò)模型對數(shù)據(jù)中線性部分預(yù)測結(jié)果較差這一缺陷,其混合模型的互補(bǔ)特性能夠有效地分析數(shù)據(jù)中線性和非線性的部分,提高了模型的預(yù)測精度。盧建昌等[6]建立了時(shí)間序列法和神經(jīng)網(wǎng)絡(luò)相混合的預(yù)測模型,大大提高了模型的預(yù)測精度;范京道等[7]建立了時(shí)間序列分析和支持向量機(jī)相結(jié)合的瓦斯?jié)舛阮A(yù)測混合模型,預(yù)測結(jié)果明顯優(yōu)于單一模型。

    本文利用混合模型中優(yōu)勢互補(bǔ)的原理,提出了一種基于自回歸滑動(dòng)平均模型(autoregressive integrated moving average,ARIMA)和在線貫序極限學(xué)習(xí)機(jī)(online sequential extreme learning machine,OSELM)相混合的組合預(yù)測模型,并以2種組合方式:最優(yōu)權(quán)重法和殘差優(yōu)化法,構(gòu)建SCR入口NOx預(yù)測模型。利用現(xiàn)場實(shí)際運(yùn)行數(shù)據(jù)對模型進(jìn)行對比驗(yàn)證分析,并與單一ARIMA模型和OSELM模型進(jìn)行對比,以期為電廠SCR系統(tǒng)NOx排放濃度監(jiān)測提供參考。

    2 基本原理

    2.1 自回歸滑動(dòng)平均模型

    自回歸滑動(dòng)平均模型是時(shí)間序列預(yù)測分析方法之一,在時(shí)間序列數(shù)據(jù)分析中流行且廣泛使用[8]。其模型表示為ARIMA(p,d,q),其中,AR代表自回歸,p為自回歸項(xiàng)數(shù);MA代表滑動(dòng)平均,q為滑動(dòng)平均項(xiàng)數(shù);d代表平穩(wěn)序列的差分階次,表達(dá)式為:

    yt=θ0+φ1yt-1+…+φpyt-p+εt-

    θ1εt-1-θ2εt-2-…-θqεt-q

    (1)

    式中:yt和εt分別為t時(shí)刻的實(shí)際值和隨機(jī)誤差,εt需符合正態(tài)分布;φt(t=1,2,…,p),θj(j=1,2,…,q)為模型參數(shù),p和q為模型階數(shù)。

    一般的,ARIMA模型的建模步驟如下:1) 對時(shí)間序列進(jìn)行平穩(wěn)性檢驗(yàn),若序列檢驗(yàn)不通過,則對其進(jìn)行差分運(yùn)算。通常情況下,一階差分即可得到平穩(wěn)序列,差分階次過高,會(huì)導(dǎo)致數(shù)據(jù)信息損失,不利于模型的建立;2) 采用貝葉斯信息準(zhǔn)測(BIC)[9]來確定模型中p和q的階數(shù),BIC值越小說明模型效果越好;3) 使用確定好的模型階數(shù)對時(shí)間序列進(jìn)行擬合,并使用極大似然估計(jì)法對模型參數(shù)進(jìn)行估計(jì);4) 進(jìn)行殘差檢驗(yàn),查看殘差是否符合正態(tài)分布,如果不符合正態(tài)分布則需重新確定p、q值再次進(jìn)行定階;5) 通過檢驗(yàn)后進(jìn)行預(yù)測和誤差分析。建模流程如圖1所示。

    圖1 ARIMA模型建模步驟流程圖Fig.1 ARIMA model modeling step-by-step flowchart

    2.2 在線貫序極限學(xué)習(xí)機(jī)

    與傳統(tǒng)的單隱藏層前饋神經(jīng)網(wǎng)絡(luò)不同,極限學(xué)習(xí)機(jī)(ELM)選取輸入權(quán)重和隱藏層偏置是隨機(jī)的,通過最小化由訓(xùn)練誤差和輸出層權(quán)重范數(shù)的正則項(xiàng)構(gòu)成的損失函數(shù),反向計(jì)算出輸出層權(quán)重,在訓(xùn)練過程中只需要提前設(shè)置隱含層神經(jīng)元個(gè)數(shù)。ELM相比于其他神經(jīng)網(wǎng)路具有訓(xùn)練參數(shù)少、學(xué)習(xí)速度快、泛化能力強(qiáng)等優(yōu)點(diǎn)[10]。

    ELM訓(xùn)練網(wǎng)絡(luò)過程如下:

    1) 給定訓(xùn)練集Z=(X,T),X=[x1,x2,…,xd],T=[t1,t2,…,tm],其中xi=[xi1,xi2,…,xin]∈Rn表示輸入數(shù)據(jù);ti=[ti1,ti2,…,tin]∈Rn表示輸出數(shù)據(jù),隱含層節(jié)點(diǎn)數(shù)為L,激活函數(shù)為Sigmoid函數(shù),隨機(jī)初始輸入權(quán)重和隱含層偏置。

    2) 計(jì)算隱藏層輸出H(x),表達(dá)式為

    H(x)=[h1(x),…,hL(x)]

    (2)

    式中:hi(x)是第i個(gè)隱藏層節(jié)點(diǎn)輸出,計(jì)算式如下:

    hi(x)=g(wix+bi)

    (3)

    式中:wi是輸入權(quán)重;bi是隱藏層偏置;g(x)是激活函數(shù)。

    3) 求解出隱藏層與輸出層之間的輸出權(quán)重β,定義廣義單隱層ELM輸出為:

    (4)

    式中:β=[β1,β2,…,βL]T;T是訓(xùn)練數(shù)據(jù)的目標(biāo)矩陣。

    為保證訓(xùn)練誤差最小,使用最小化近似平方差的方法對β進(jìn)行求解,目標(biāo)函數(shù)如下:

    (5)

    β可以通過β=H*T來求得,其中H*為隱含層輸出矩陣H的廣義逆矩陣。

    在線貫序極限學(xué)習(xí)機(jī)(OSELM)是在ELM的基礎(chǔ)上演變出來的一種增量學(xué)習(xí)算法,其本質(zhì)為分批次數(shù)據(jù)學(xué)習(xí)。OSELM具有極限學(xué)習(xí)機(jī)本身的訓(xùn)練速度快,泛化能力強(qiáng)的優(yōu)點(diǎn),同時(shí)它還可以根據(jù)新導(dǎo)入的數(shù)據(jù)實(shí)現(xiàn)模型參數(shù)的在線更新。OSELM的在線學(xué)習(xí)主要包括2部分:

    (6)

    Tk=[t1,t2,…,tk]T

    (7)

    2) 在線學(xué)習(xí)階段:輸入第k+1組數(shù)據(jù),計(jì)算相應(yīng)的隱藏層輸出矩陣Hk+1(x),輸出權(quán)值更新公式如下:

    (8)

    式中:Pk+1更新公式如下:

    (9)

    令k=k+1,繼續(xù)進(jìn)行在線學(xué)習(xí),并不斷更新網(wǎng)絡(luò)參數(shù),直至訓(xùn)練完畢。

    2.3 ARIMA-OSELM組合預(yù)測模型

    鍋爐燃燒系統(tǒng)極為復(fù)雜,參與燃燒反應(yīng)的輔助變量較多,故NOx濃度時(shí)間序列包含線性部分和非線性部分,使用單一ARIMA或OSELM無法精準(zhǔn)地預(yù)測NOx濃度[11]。由模型結(jié)構(gòu)可知,ARIMA模型對于序列中線性部分的預(yù)測更加準(zhǔn)確[12],OSELM模型則對非線性部分的數(shù)據(jù)更加敏感,其二者之間存在優(yōu)勢互補(bǔ)的特點(diǎn),所以將2種模型組合使用,更能發(fā)揮各自優(yōu)點(diǎn),提高模型的精確度。本文從2個(gè)角度:最優(yōu)權(quán)重組合和殘差優(yōu)化組合進(jìn)行研究,構(gòu)建ARIMA-OSELM組合預(yù)測模型,對火電廠實(shí)際運(yùn)行數(shù)據(jù)展開驗(yàn)證,最后與單一ARIMA和OSELM模型數(shù)據(jù)進(jìn)行對比。

    2.3.1 最優(yōu)權(quán)重組合預(yù)測方法

    使用單一ARIMA和OSELM模型分別進(jìn)行建模預(yù)測,以組合模型預(yù)測結(jié)果的最小誤差平方和為優(yōu)化目標(biāo),構(gòu)建數(shù)學(xué)優(yōu)化問題模型求得組合權(quán)重,最終得到組合預(yù)測結(jié)果。組合模型預(yù)測結(jié)果表達(dá)式為:

    Yt=k1x1t+k2x2t

    (10)

    式中:k1,k2分別為ARIMA模型和OSELM模型的權(quán)重系數(shù);x1t為ARIMA模型在t時(shí)刻的預(yù)測結(jié)果,x2t為OSELM模型在t時(shí)刻的預(yù)測結(jié)果;Yt為組合模型在t時(shí)刻的預(yù)測結(jié)果。最優(yōu)權(quán)重組合法的重點(diǎn)就是根據(jù)誤差求取權(quán)重系數(shù)k1,k2。組合模型的誤差表達(dá)式為:

    et=k1e1t+k2e2t=(k1x1t+k2x2t)-x0t

    (11)

    式中:et、e1t、e2t分別為組合模型在t時(shí)刻預(yù)測誤差、ARIMA模型在t時(shí)刻預(yù)測誤差、OSELM模型在t時(shí)刻預(yù)測誤差;x0t為在t時(shí)刻實(shí)際觀測值。

    通過建立數(shù)學(xué)優(yōu)化問題模型求取加權(quán)系數(shù)是較為流行的方法之一,現(xiàn)以組合模型誤差平方和最小為優(yōu)化目標(biāo),建立優(yōu)化問題模型如下:

    (12)

    式中:m為時(shí)間序列長度。此處采用拉格朗日乘子法求得k1,k2:

    (13)

    (14)

    最終基于ARIMA-OSELM組合模型的預(yù)測值為Yt=k1x1t+k2x2t。該預(yù)測方法的流程圖如圖2,具體步驟如下:

    1) 首先對NOx濃度時(shí)間序列的平穩(wěn)性進(jìn)行檢驗(yàn),確定ARIMA模型的差分次數(shù)d;然后使用貝葉斯信息準(zhǔn)則(BIC)確定模型階數(shù)p和q;利用最小二乘法確定模型表達(dá)式參數(shù),將NOx濃度時(shí)間序列放入ARIMA模型中得到預(yù)測結(jié)果x1t。

    2) 以前3 000組數(shù)據(jù)作為作為OSELM模型訓(xùn)練集,后600組數(shù)據(jù)作為模型的測試集;將前3 000組數(shù)據(jù)放入OSELM模型進(jìn)行訓(xùn)練,得到網(wǎng)絡(luò)權(quán)值參數(shù),建立OSELM模型,將測試集放入模型得到OSELM預(yù)測結(jié)果x2t。

    3) 利用最優(yōu)權(quán)重組合方法確定組合權(quán)重值k1,k2,得出最終預(yù)測結(jié)果Yt=k1x1t+k2x2t。

    圖2 基于ARIMA-OSELM神經(jīng)網(wǎng)絡(luò)最優(yōu)權(quán)重組合預(yù)測模型Fig.2 Optimal weight combination prediction model based on ARIMA-OSELM neural network

    2.3.2 殘差優(yōu)化組合預(yù)測方法

    首先使用ARIMA模型對SCR入口NOx濃度序列中的線性部分進(jìn)行預(yù)測,得到預(yù)測值為x1t,SCR入口NOx濃度實(shí)際序列為xt,則誤差表達(dá)式即為e=xt-x1t。誤差et中包含輔助變量:煙氣流量、負(fù)荷等非線性因素對NOx濃度的影響,再利用OSELM對NOx濃度中的非線性部分進(jìn)行預(yù)測,預(yù)測結(jié)果為x2t,則此時(shí)ARIMA-OSELM組合模型的預(yù)測結(jié)果即為x2t,該方法流程如圖3所示:

    (1) 首先對NOx濃度時(shí)間序列的平穩(wěn)性進(jìn)行檢驗(yàn),確定ARIMA模型的差分次數(shù)d;然后使用貝葉斯信息準(zhǔn)則(BIC)確定模型階數(shù)p和q;最后利用最小二乘法確定模型表達(dá)式參數(shù),將NOx濃度時(shí)間序列放入ARIMA模型中得到預(yù)測結(jié)果x1t。

    (2) 將ARIMA模型預(yù)測結(jié)果x1t與實(shí)際時(shí)間序列xt相比較,得到預(yù)測誤差et=xt-x1t。

    (3) 把預(yù)測誤差et和輔助變量作為OSELM模型的輸入,對模型進(jìn)行訓(xùn)練得到網(wǎng)絡(luò)權(quán)值參數(shù),建立OSELM預(yù)測模型,再將測試集放入模型中,得到預(yù)測結(jié)果x2t,即最終預(yù)測結(jié)果。

    圖3 基于ARIMA-OSELM神經(jīng)網(wǎng)絡(luò)殘差優(yōu)化組合預(yù)測模型Fig.3 Optimized combinatorial prediction model based on ARIMA-OSELM neural network residuals

    3 NOx濃度預(yù)測模型建立

    3.1 數(shù)據(jù)的時(shí)延分析及特征選擇

    實(shí)驗(yàn)數(shù)據(jù)為某電廠現(xiàn)場運(yùn)行數(shù)據(jù),共截取3 600組,采樣周期為5 s,總選取時(shí)間為5 h。其中前 3 000組數(shù)據(jù)進(jìn)行訓(xùn)練,后600組數(shù)據(jù)進(jìn)行測試。根據(jù)NOx生成機(jī)理初步選擇出14個(gè)輔助變量,包含:機(jī)組負(fù)荷、總煤量、A/B層給煤機(jī)電流轉(zhuǎn)速、SCR入口煙氣含氧量、SCR入口煙氣溫度、總風(fēng)量、鍋爐含氧量、尿素閥門開度、SCR入口煙氣流量、爐膛負(fù)壓和尿素流量。原始數(shù)據(jù)包含一些異常值,故先將數(shù)據(jù)進(jìn)行預(yù)處理,此處采用拉依達(dá)法則對數(shù)據(jù)進(jìn)行異常值替換。后對數(shù)據(jù)進(jìn)行歸一化處理,以保證各參數(shù)之間量綱相同,提高模型預(yù)測精度。

    由于鍋爐燃燒過程具有大遲延的特性,所以在現(xiàn)場運(yùn)行過程中采集到的各個(gè)點(diǎn)位的相關(guān)數(shù)據(jù)與SCR入口NOx濃度實(shí)時(shí)數(shù)據(jù)存在一定的時(shí)間偏差。本文設(shè)計(jì)了一種基于最大互信息[13]的時(shí)延計(jì)算方法,選取相關(guān)性最大的一時(shí)刻作為時(shí)延補(bǔ)償,從而確定最終變量輸入序列。鍋爐燃燒過程參與反應(yīng)變量較多,各輔助變量之間存在冗余,且過多變量輸入模型后會(huì)造成模型復(fù)雜度變高,甚至出現(xiàn)模型的過擬合,所以需要對輔助變量進(jìn)行篩選,以提高模型預(yù)測精度。現(xiàn)利用mRMR[14]算法對所有輔助變量進(jìn)行變量篩選以剔除冗余,最終得到7個(gè)輔助變量,分別為:SCR入口煙氣溫度、SCR入口煙氣含氧量、煙氣流量、尿素流量、負(fù)荷、給煤機(jī)電流、爐膛負(fù)壓,將其作為模型的最終輸入。表1為各變量遲延的時(shí)間。

    表1 變量遲延時(shí)間表Tab.1 Variable Latency Schedule s

    3.2 ARIMA模型參數(shù)確定

    ARIMA模型預(yù)測前,需對時(shí)間序列進(jìn)行平穩(wěn)性檢驗(yàn)、模型定階和殘差檢驗(yàn)。

    3.2.1 平穩(wěn)性檢驗(yàn)

    常用于時(shí)間序列平穩(wěn)性檢驗(yàn)的方法有自相關(guān)和偏自相關(guān)圖法(autocorrelation coefficient-partial autocorrelation coefficient,ACF-PACF)[15]、單位根檢驗(yàn)法(augmented dickey-fuller test,ADF)[16]。ACF-PACF法核心是自相關(guān)函數(shù)和偏自相關(guān)函數(shù),通過觀察自相關(guān)、偏相關(guān)函數(shù)的殘差分布圖是否在95%置信區(qū)間內(nèi),以及函數(shù)拖尾、截尾情況來判斷序列是否平穩(wěn),其缺點(diǎn)是當(dāng)時(shí)間序列數(shù)據(jù)量較多,模型較為復(fù)雜時(shí)不能夠客觀地判斷出序列的平穩(wěn)性,所以,本實(shí)驗(yàn)使用ADF單位根檢驗(yàn)法。

    首先假設(shè)所處理時(shí)間序列存在單位根,即非平穩(wěn)序列,若求得的統(tǒng)計(jì)量(augmented dickey-fuller test statistic,ADF-TS)的值遠(yuǎn)小于置信空間的臨界統(tǒng)計(jì)值(1%、5%和10%),且P值小于顯著性水平0.05,則為拒絕假設(shè),即所使用時(shí)間序列為平穩(wěn)序列。若序列為非平穩(wěn)序列,則需對序列進(jìn)行差分運(yùn)算,但實(shí)際操作中,差分運(yùn)算次數(shù)不宜過多,以避免序列中信息損失嚴(yán)重。

    將實(shí)驗(yàn)所用時(shí)間序列繪制圖像,如圖4(a)所示。通過圖像可直觀判斷出,此時(shí)序列較為凌亂,且無法觀測出其整體趨勢,故初步判定為非平穩(wěn)序列。使用ADF單位根檢驗(yàn)法進(jìn)一步驗(yàn)證,此時(shí)P值為0.013,大于顯著性水平0.05,說明無法拒絕該假設(shè),即序列為非平穩(wěn)序列;對序列進(jìn)行一階差分運(yùn)算,結(jié)果如圖4(b)所示。從圖中可以看出,此時(shí)序列圍繞著一個(gè)常數(shù)上下波動(dòng),經(jīng)過ADF單位根檢驗(yàn)計(jì)算此時(shí)P值為0.001,小于0.005,結(jié)果為拒絕原假設(shè)。所以經(jīng)過一階差分運(yùn)算后序列變?yōu)槠椒€(wěn),即ARIMA(p,d,q)中d=1。

    圖4 NOx濃度序列和一階差分Fig.4 NOx concentration sequence and first-order differential

    3.2.2 模型定階

    使用BIC準(zhǔn)則[17]對模型的p,q定階,BIC準(zhǔn)則表達(dá)式為:

    BBIC=mln(n)-2ln(L)

    (15)

    式中:m為模型參數(shù)個(gè)數(shù);n為樣本數(shù)量;L為似然函數(shù)。BBIC值越小,表明模型的擬合度越高,即預(yù)測結(jié)果越好。繪制平穩(wěn)序列自相關(guān)和偏自相關(guān)函數(shù)圖,見圖5。

    圖5 ACF-PACF函數(shù)圖Fig.5 ACF-PACF function diagram

    圖5中自相關(guān)函數(shù)明顯拖尾,偏自相關(guān)函數(shù)圖拖尾或者5階截尾,無法判斷其準(zhǔn)確值。所以有可能ARIMA模型階數(shù)為p=5,q=0,即ARIMA(5,1,0)。但序列數(shù)據(jù)量較大,且用ACF-PACF圖像法來確定p、q值并不完全準(zhǔn)確,所以需要繼續(xù)使用BIC準(zhǔn)則法進(jìn)一步確定p,q階數(shù)。取p,q的取值范圍為1~5,共25組模型進(jìn)行BIC準(zhǔn)則測試,表2為各模型BIC準(zhǔn)則計(jì)算值,橫向?yàn)閝,縱向?yàn)閜。由表格可得,其中最優(yōu)模型選擇經(jīng)計(jì)算得p=3,q=3時(shí)的BIC值最小,所以最終時(shí)間序列模型為ARIMA(3,1,3)。

    表2 BIC準(zhǔn)則表Tab.2 BIC criteria table

    3.2.3 模型檢驗(yàn)

    在正式預(yù)測之前,需要對模型進(jìn)行殘差檢驗(yàn)。殘差需要滿足均值為0,方差為常數(shù)的正態(tài)分布且不滿足自相關(guān)性。現(xiàn)對殘差序列進(jìn)行正態(tài)分布檢驗(yàn)和Durbin-Watson(DW)檢驗(yàn)[18],DW統(tǒng)計(jì)是計(jì)量經(jīng)濟(jì)學(xué)分析中最常用的自相關(guān)度量。若殘差符合正態(tài)分布圖像,且DW檢驗(yàn)值接近2,則說明檢驗(yàn)通過,可以進(jìn)行下一步預(yù)測。圖6為標(biāo)準(zhǔn)化殘差圖和正態(tài)分布圖,由圖6(a)可看出大部分殘差落到(-5,5)區(qū)間內(nèi),基本服從正態(tài)分布,圖6(b)能夠更加直觀地看到殘差序列符合正態(tài)分布。經(jīng)過計(jì)算,DW檢驗(yàn)值為1.999 6,接近2。綜上可以確定,殘差序列滿足正態(tài)分布并且不存在自相關(guān)性,即所用模型可以較好地預(yù)測本次實(shí)驗(yàn)數(shù)據(jù)。

    圖6 標(biāo)準(zhǔn)化殘差和正態(tài)分布圖Fig.6 Standardized residual and normal distribution plots

    3.3 OSELM參數(shù)確定

    設(shè)置Sigmoid函數(shù)為OSELM模型的激活函數(shù);輸入權(quán)重的范圍為[-1,1];隱含層偏置的范圍設(shè)置為[0,1];模型在線學(xué)習(xí)是步長設(shè)置為1;模型試驗(yàn)過程中,利用交叉驗(yàn)證和網(wǎng)格搜索算法確定初始化訓(xùn)練樣本數(shù)量以及隱含層神經(jīng)元個(gè)數(shù)(保證N0≥L[10])。經(jīng)過多次實(shí)驗(yàn)對比,模型輸入維度:隱含層神經(jīng)元個(gè)數(shù)=1:2時(shí),模型預(yù)測效果最佳。

    3.4 模型評價(jià)指標(biāo)

    模型采用的評價(jià)指標(biāo)為FMAPE、MRMSE和R2:其中FMAPE表示預(yù)測序列較真實(shí)值序列的平均偏離百分比,其值越小說明模型預(yù)測精度越高;MRMSE為均方根誤差,表示預(yù)測值與真實(shí)值之間的標(biāo)準(zhǔn)偏差的大小,數(shù)值越小表明預(yù)測精度越高;R2為決定系數(shù),表示預(yù)測值相對真實(shí)值的偏離程度,其數(shù)值越接近于1,表明預(yù)測效果越好。將三者結(jié)合使用能夠更全面地評價(jià)預(yù)測模型的好壞,計(jì)算式如下:

    (16)

    (17)

    (18)

    4 實(shí)驗(yàn)結(jié)果與分析

    4.1 輔助變量篩選對預(yù)測結(jié)果的影響

    為驗(yàn)證mRMR算法對變量篩選后的有效性,現(xiàn)建立對比模型實(shí)驗(yàn),分別以全部輔助變量和經(jīng)過mRMR篩選后的輔助變量為模型輸入對SCR入口NOx濃度進(jìn)行預(yù)測,其余實(shí)驗(yàn)條件均不變。圖7為變量篩選前后預(yù)測效果圖,表3為對應(yīng)的預(yù)測結(jié)果評價(jià)指標(biāo)。

    由圖7和表3可知,經(jīng)過篩選后的變量放入模型后,使得模型預(yù)測精度有了明顯提高。相比于篩選前模型預(yù)測結(jié)果,模型FMAPE下降了28%;R2提高了26%;MRMSE下降了37%。以上數(shù)據(jù)表明,模型輸入變量之間存在冗余關(guān)系,將會(huì)影響模型預(yù)測精度,有效的篩選變量可以減少模型復(fù)雜度,提高模型預(yù)測精度。

    圖7 輸入變量篩選前后預(yù)測結(jié)果Fig.7 Enter variables to filter the prediction results before and after

    表3 變量篩選前后的模型評價(jià)指標(biāo)

    4.2 ARIMA-OSELM組合模型預(yù)測與結(jié)果對比

    現(xiàn)分別使用單一ARIMA預(yù)測模型、單一OSELM預(yù)測模型、ARIMA-OSELM最優(yōu)權(quán)重組合預(yù)測模型和ARIMA-OSELM殘差優(yōu)化組合預(yù)測模型這4種模型對SCR入口NOx濃度進(jìn)行預(yù)測。結(jié)果顯示(見表4),4種模型進(jìn)行單步預(yù)測所花費(fèi)的時(shí)間分別為:2.37×10-6、2.68×10-6、7.31×10-6和8.25×10-6s;所用時(shí)間均小于采樣周期5 s以及CEMS系統(tǒng)監(jiān)測時(shí)間,證明此預(yù)測過程可以用于下一步的閉環(huán)控制。模型預(yù)測結(jié)果曲線圖和模型評價(jià)指標(biāo)見表5。

    表4 不同模型的預(yù)測時(shí)間

    圖8 不同模型預(yù)測結(jié)果Fig.8 Different models predict outcomes

    表5 不同模型的模型評價(jià)指標(biāo)

    4種模型的預(yù)測結(jié)果見圖8。通過對比可以看出,ARIMA-OSELM組合模型的預(yù)測結(jié)果擬合曲線明顯優(yōu)于單一ARIMA模型和單一OSELM模型的預(yù)測結(jié)果擬合曲線,表明對線性數(shù)據(jù)預(yù)測有優(yōu)勢的ARIMA模型和對非線性預(yù)測能力較強(qiáng)的OSELM模型經(jīng)組合后,2個(gè)模型的優(yōu)勢進(jìn)行了互補(bǔ),提高了模型預(yù)測精度,對電廠SCR入口NOx濃度預(yù)測是有實(shí)際意義的。其中,單一ARIMA模型的誤差最大,預(yù)測效果也最不理想,結(jié)合模型評價(jià)指標(biāo)表4可以看出,各項(xiàng)評價(jià)指標(biāo)均為最差,由此可以說明ARIMA模型對非線性數(shù)據(jù)的預(yù)測確為劣勢,此單一模型不適用于復(fù)雜度較高的非線性數(shù)據(jù)的預(yù)測。結(jié)合圖、表進(jìn)一步分析可知,單一OSELM模型的評價(jià)指標(biāo)較好于單一ARIMA模型,預(yù)測效果分別別提升了6.9%、19.3%、5.7%,說明OSELM模型對高維度、高復(fù)雜度的非線性數(shù)據(jù)較為敏感,可以用來預(yù)測濃度。基于殘差優(yōu)化組合的ARIMA-OSELM模型的預(yù)測結(jié)果最優(yōu),其FMAPE、MRMSE和R2分別為:0.190、1.364、0.978,相比于最優(yōu)權(quán)重組合預(yù)測方法,預(yù)測結(jié)果分別提升了38.7%、32.8%、2.7%,表明將NOx濃度時(shí)間序列中的非線性部分作為模型的輸入之一,提取了殘差序列中的可用信息,有效地提升了模型預(yù)測精度。

    5 結(jié) 論

    針對火力發(fā)電廠中SCR入口NOx濃度難以準(zhǔn)確測量的問題,利用混合模型中優(yōu)勢互補(bǔ)的原理建立預(yù)測模型,得出以下結(jié)論:

    (1) 以火電廠SCR入口氮氧化物濃度為研究對象建立了一種基于ARIMA和OSELM神經(jīng)網(wǎng)絡(luò)相組合的NOx濃度預(yù)測模型,使用實(shí)際電廠運(yùn)行數(shù)據(jù)進(jìn)行實(shí)驗(yàn),結(jié)果表明所建立模型能夠較好地預(yù)測NOx濃度序列,具有一定的實(shí)用性;

    (2) 使用2種組合方法進(jìn)行對比研究,并與單一ARIMA模型和單一OSELM的預(yù)測結(jié)果相比較,得出基于殘差優(yōu)化的組合預(yù)測模型能夠更好地實(shí)現(xiàn)NOx濃度的預(yù)測,預(yù)測精度更高,表明殘差優(yōu)化組合模型能夠更好地提取NOx濃度序列中的非線性信息進(jìn)而提升預(yù)測精度;

    (3) 使用對復(fù)雜度較低的線性數(shù)據(jù)預(yù)測能力更強(qiáng)的ARIMA模型與對復(fù)雜度較高、維度較高的非線性數(shù)據(jù)更敏感的OSELM模型相結(jié)合的組合模型方法建立預(yù)測模型,能夠使模型之間優(yōu)勢互補(bǔ),更能提高模型的預(yù)測精度。

    綜上所述,實(shí)驗(yàn)所提出的火電廠SCR入口NOx濃度混合預(yù)測模型預(yù)測結(jié)果較好,可以為電廠實(shí)際濃度測量提供參考,具有一定的現(xiàn)實(shí)意義。

    猜你喜歡
    殘差變量預(yù)測
    無可預(yù)測
    黃河之聲(2022年10期)2022-09-27 13:59:46
    選修2-2期中考試預(yù)測卷(A卷)
    選修2-2期中考試預(yù)測卷(B卷)
    基于雙向GRU與殘差擬合的車輛跟馳建模
    抓住不變量解題
    基于殘差學(xué)習(xí)的自適應(yīng)無人機(jī)目標(biāo)跟蹤算法
    也談分離變量
    基于遞歸殘差網(wǎng)絡(luò)的圖像超分辨率重建
    不必預(yù)測未來,只需把握現(xiàn)在
    SL(3,3n)和SU(3,3n)的第一Cartan不變量
    久久香蕉激情| 在线精品无人区一区二区三| 男女之事视频高清在线观看| 亚洲国产av新网站| 免费一级毛片在线播放高清视频 | 久久久久久人人人人人| 老汉色av国产亚洲站长工具| 免费观看a级毛片全部| √禁漫天堂资源中文www| 超碰成人久久| 美女中出高潮动态图| 大陆偷拍与自拍| 中文字幕人妻熟女乱码| 在线观看免费高清a一片| 美女视频免费永久观看网站| 国产又色又爽无遮挡免| 一级片免费观看大全| 成人国语在线视频| 亚洲专区字幕在线| 国产欧美日韩一区二区三区在线| 久久天堂一区二区三区四区| 国产精品九九99| 久久精品成人免费网站| 亚洲综合色网址| 午夜福利影视在线免费观看| 欧美亚洲日本最大视频资源| 国产真人三级小视频在线观看| 亚洲成人国产一区在线观看| 久久久久久人人人人人| 欧美亚洲日本最大视频资源| 久久久水蜜桃国产精品网| 日本a在线网址| 美女大奶头黄色视频| 制服诱惑二区| 亚洲欧洲日产国产| 99久久综合免费| 狂野欧美激情性bbbbbb| 国产又爽黄色视频| av有码第一页| 色婷婷av一区二区三区视频| 国产99久久九九免费精品| 亚洲三区欧美一区| 日韩制服丝袜自拍偷拍| 在线观看一区二区三区激情| 国产精品香港三级国产av潘金莲| 80岁老熟妇乱子伦牲交| 69av精品久久久久久 | 久久久久国内视频| √禁漫天堂资源中文www| 欧美日韩精品网址| 亚洲第一青青草原| 中文欧美无线码| 国产成人欧美在线观看 | 久久精品亚洲av国产电影网| 50天的宝宝边吃奶边哭怎么回事| 精品少妇内射三级| 久久综合国产亚洲精品| 国产精品一区二区免费欧美 | 一级,二级,三级黄色视频| 精品国产一区二区久久| 男女国产视频网站| 下体分泌物呈黄色| 国产精品久久久人人做人人爽| 国产免费现黄频在线看| 精品欧美一区二区三区在线| 五月天丁香电影| 欧美亚洲日本最大视频资源| 久久狼人影院| 在线观看免费日韩欧美大片| 亚洲精品国产色婷婷电影| 一本大道久久a久久精品| 国产老妇伦熟女老妇高清| 美国免费a级毛片| 国产精品久久久久久精品电影小说| 老汉色∧v一级毛片| 日本精品一区二区三区蜜桃| 欧美日韩成人在线一区二区| 久久 成人 亚洲| 2018国产大陆天天弄谢| 免费一级毛片在线播放高清视频 | 国产成人av激情在线播放| 日韩免费高清中文字幕av| 欧美 日韩 精品 国产| 国产精品香港三级国产av潘金莲| 肉色欧美久久久久久久蜜桃| 亚洲熟女精品中文字幕| 国产精品秋霞免费鲁丝片| 两个人看的免费小视频| 黄网站色视频无遮挡免费观看| 少妇精品久久久久久久| 99国产综合亚洲精品| 国产色视频综合| 大片电影免费在线观看免费| www日本在线高清视频| www.自偷自拍.com| 免费高清在线观看日韩| 久久狼人影院| 高清视频免费观看一区二区| 国产伦人伦偷精品视频| 日本wwww免费看| 亚洲国产av影院在线观看| 久久影院123| 亚洲精品在线美女| 国产日韩欧美在线精品| 天天添夜夜摸| 一区二区av电影网| 男男h啪啪无遮挡| 亚洲精品一卡2卡三卡4卡5卡 | 国产精品av久久久久免费| 这个男人来自地球电影免费观看| 伦理电影免费视频| 亚洲欧美激情在线| 国产亚洲av片在线观看秒播厂| 亚洲精品美女久久久久99蜜臀| 天堂中文最新版在线下载| 女警被强在线播放| 日日爽夜夜爽网站| 亚洲专区中文字幕在线| 成人免费观看视频高清| 国产精品秋霞免费鲁丝片| 久久久久久久精品精品| 亚洲国产欧美网| 亚洲av成人一区二区三| av免费在线观看网站| 18禁观看日本| 欧美激情 高清一区二区三区| 欧美激情极品国产一区二区三区| 精品国产乱码久久久久久男人| 日本wwww免费看| 99久久99久久久精品蜜桃| 久久久久网色| 亚洲 国产 在线| 视频区欧美日本亚洲| 国产欧美日韩一区二区精品| 中文字幕最新亚洲高清| 在线观看www视频免费| 久久毛片免费看一区二区三区| 免费观看av网站的网址| 一级片'在线观看视频| 亚洲avbb在线观看| 久久人人97超碰香蕉20202| 日日夜夜操网爽| 国产成人一区二区三区免费视频网站| 五月开心婷婷网| 国产免费现黄频在线看| 国产精品亚洲av一区麻豆| 精品少妇久久久久久888优播| 一区二区三区乱码不卡18| 黄色 视频免费看| 国产精品国产av在线观看| 色精品久久人妻99蜜桃| 亚洲国产精品一区三区| 韩国高清视频一区二区三区| 成年人免费黄色播放视频| tocl精华| 亚洲情色 制服丝袜| 黄色视频在线播放观看不卡| 欧美精品亚洲一区二区| 两个人免费观看高清视频| 51午夜福利影视在线观看| 99热网站在线观看| 欧美日韩精品网址| 国产欧美日韩一区二区三 | 亚洲美女黄色视频免费看| 人人澡人人妻人| 国产视频一区二区在线看| 久久精品熟女亚洲av麻豆精品| 精品国产乱码久久久久久男人| 菩萨蛮人人尽说江南好唐韦庄| 热re99久久国产66热| 人人妻,人人澡人人爽秒播| 欧美日本中文国产一区发布| 欧美日韩视频精品一区| 黑人欧美特级aaaaaa片| 成年动漫av网址| 国产精品自产拍在线观看55亚洲 | 国产精品 欧美亚洲| 亚洲精品第二区| 久久久精品区二区三区| 90打野战视频偷拍视频| 91精品三级在线观看| 91国产中文字幕| 亚洲欧美日韩高清在线视频 | 国产亚洲精品第一综合不卡| 美女脱内裤让男人舔精品视频| 久久精品久久久久久噜噜老黄| 午夜老司机福利片| 国产国语露脸激情在线看| 成人影院久久| 999精品在线视频| 一本一本久久a久久精品综合妖精| 欧美精品一区二区免费开放| 亚洲av成人一区二区三| 日韩欧美国产一区二区入口| 一二三四社区在线视频社区8| 亚洲熟女精品中文字幕| 久久国产精品人妻蜜桃| 大片免费播放器 马上看| 我要看黄色一级片免费的| 性色av一级| 丁香六月天网| 国产免费福利视频在线观看| 91大片在线观看| 热re99久久精品国产66热6| 日本精品一区二区三区蜜桃| 久久久精品国产亚洲av高清涩受| 亚洲成人手机| 国产亚洲精品第一综合不卡| 国产免费福利视频在线观看| 久久国产精品人妻蜜桃| 丝袜脚勾引网站| 婷婷色av中文字幕| 美女脱内裤让男人舔精品视频| 久久久久视频综合| 亚洲欧美激情在线| 亚洲精品美女久久av网站| 大香蕉久久成人网| 久久99热这里只频精品6学生| 国产精品一区二区精品视频观看| 欧美黑人精品巨大| 中文欧美无线码| 窝窝影院91人妻| 天天躁夜夜躁狠狠躁躁| 亚洲一码二码三码区别大吗| 国产精品一区二区在线不卡| 日韩电影二区| 超色免费av| 我的亚洲天堂| 十八禁高潮呻吟视频| 黄色视频,在线免费观看| 十分钟在线观看高清视频www| 亚洲国产欧美网| 欧美+亚洲+日韩+国产| 天天添夜夜摸| 久久香蕉激情| 日韩大码丰满熟妇| 一级毛片电影观看| 好男人电影高清在线观看| 丝袜美腿诱惑在线| 男女高潮啪啪啪动态图| 国产精品1区2区在线观看. | 久久 成人 亚洲| 国产精品久久久久久精品古装| 欧美精品高潮呻吟av久久| 精品乱码久久久久久99久播| 亚洲精品久久久久久婷婷小说| 亚洲精品久久午夜乱码| av线在线观看网站| 最新的欧美精品一区二区| 高潮久久久久久久久久久不卡| 女人被躁到高潮嗷嗷叫费观| 丝袜美腿诱惑在线| 亚洲精品久久午夜乱码| 国产野战对白在线观看| 别揉我奶头~嗯~啊~动态视频 | 久久精品人人爽人人爽视色| 午夜福利免费观看在线| 亚洲av电影在线观看一区二区三区| 韩国高清视频一区二区三区| 深夜精品福利| 久久人妻熟女aⅴ| 久久久国产一区二区| www.熟女人妻精品国产| 久久精品亚洲熟妇少妇任你| 亚洲精品国产区一区二| av免费在线观看网站| 无限看片的www在线观看| 97人妻天天添夜夜摸| 欧美亚洲日本最大视频资源| 啦啦啦 在线观看视频| 两人在一起打扑克的视频| 欧美日韩精品网址| 日韩三级视频一区二区三区| 免费看十八禁软件| www.熟女人妻精品国产| 欧美 日韩 精品 国产| 亚洲欧美精品自产自拍| 久久综合国产亚洲精品| 精品国产超薄肉色丝袜足j| 亚洲性夜色夜夜综合| 国产亚洲欧美精品永久| 亚洲欧美日韩另类电影网站| 性高湖久久久久久久久免费观看| 欧美中文综合在线视频| 亚洲 国产 在线| 黄色视频,在线免费观看| √禁漫天堂资源中文www| 黄色 视频免费看| 久久人妻熟女aⅴ| 多毛熟女@视频| 欧美日韩黄片免| 国产有黄有色有爽视频| 久久综合国产亚洲精品| 午夜精品国产一区二区电影| 欧美成狂野欧美在线观看| 91九色精品人成在线观看| 精品一品国产午夜福利视频| 欧美激情高清一区二区三区| 日本猛色少妇xxxxx猛交久久| 女人高潮潮喷娇喘18禁视频| 一区二区三区精品91| 女性被躁到高潮视频| 91精品三级在线观看| 在线精品无人区一区二区三| 一级毛片电影观看| 涩涩av久久男人的天堂| 操美女的视频在线观看| 天堂俺去俺来也www色官网| 亚洲精品美女久久av网站| 成人18禁高潮啪啪吃奶动态图| 91字幕亚洲| 精品免费久久久久久久清纯 | 国产亚洲欧美在线一区二区| 啦啦啦视频在线资源免费观看| 新久久久久国产一级毛片| 欧美亚洲 丝袜 人妻 在线| 亚洲欧美一区二区三区久久| 免费黄频网站在线观看国产| 两性夫妻黄色片| 亚洲精品久久午夜乱码| av欧美777| 男人操女人黄网站| 人人澡人人妻人| 久久精品国产a三级三级三级| 高清黄色对白视频在线免费看| 啦啦啦中文免费视频观看日本| 女人被躁到高潮嗷嗷叫费观| 电影成人av| 免费一级毛片在线播放高清视频 | 99国产极品粉嫩在线观看| 亚洲一码二码三码区别大吗| 国产成人免费无遮挡视频| 久久天堂一区二区三区四区| 中文字幕色久视频| 欧美+亚洲+日韩+国产| 久久久久国内视频| 在线 av 中文字幕| 十八禁高潮呻吟视频| 黑丝袜美女国产一区| 91大片在线观看| 久久久国产欧美日韩av| tocl精华| 曰老女人黄片| 久久女婷五月综合色啪小说| 国产精品 欧美亚洲| 亚洲成人免费电影在线观看| 最近最新免费中文字幕在线| 欧美 亚洲 国产 日韩一| 18禁国产床啪视频网站| 国产成人啪精品午夜网站| av在线老鸭窝| 国产精品秋霞免费鲁丝片| 亚洲av片天天在线观看| 国产欧美亚洲国产| 欧美国产精品一级二级三级| 精品人妻1区二区| 国产成人av教育| 黄色视频在线播放观看不卡| 免费高清在线观看日韩| 午夜福利影视在线免费观看| av线在线观看网站| 国产欧美日韩精品亚洲av| 亚洲第一av免费看| 亚洲av电影在线进入| 久久精品亚洲av国产电影网| 中文精品一卡2卡3卡4更新| 亚洲国产欧美网| 9色porny在线观看| 亚洲综合色网址| 美女福利国产在线| 又紧又爽又黄一区二区| 国产成人精品久久二区二区91| 一区二区三区乱码不卡18| 18禁国产床啪视频网站| 黑人欧美特级aaaaaa片| 久久天堂一区二区三区四区| 久久人人爽av亚洲精品天堂| 亚洲精品久久成人aⅴ小说| 日韩有码中文字幕| 久久久久久久大尺度免费视频| 黄片小视频在线播放| 久久久国产成人免费| 五月天丁香电影| 欧美激情极品国产一区二区三区| 欧美精品av麻豆av| 狠狠精品人妻久久久久久综合| 国产精品一区二区在线观看99| 中文字幕最新亚洲高清| 国产日韩欧美亚洲二区| 男人添女人高潮全过程视频| 国产男女超爽视频在线观看| 99热网站在线观看| 97精品久久久久久久久久精品| 亚洲人成77777在线视频| 黄色a级毛片大全视频| 一区二区日韩欧美中文字幕| 亚洲综合色网址| av在线app专区| 成年人黄色毛片网站| 久久久久国产精品人妻一区二区| 国产伦理片在线播放av一区| 国产激情久久老熟女| 精品亚洲成国产av| 性少妇av在线| 成人av一区二区三区在线看 | 777米奇影视久久| 亚洲av成人不卡在线观看播放网 | 热re99久久精品国产66热6| 国产精品九九99| 亚洲欧洲日产国产| 国产精品香港三级国产av潘金莲| 国产97色在线日韩免费| 在线观看免费视频网站a站| 18禁裸乳无遮挡动漫免费视频| 丝瓜视频免费看黄片| 成人黄色视频免费在线看| 少妇 在线观看| 久久久久久久久久久久大奶| 多毛熟女@视频| 久久国产精品男人的天堂亚洲| 国产极品粉嫩免费观看在线| 老汉色∧v一级毛片| 免费人妻精品一区二区三区视频| 国产视频一区二区在线看| 亚洲国产精品一区二区三区在线| 男男h啪啪无遮挡| 在线永久观看黄色视频| 中文精品一卡2卡3卡4更新| videos熟女内射| 精品熟女少妇八av免费久了| 亚洲熟女毛片儿| 母亲3免费完整高清在线观看| 欧美 亚洲 国产 日韩一| 亚洲国产日韩一区二区| 精品欧美一区二区三区在线| 91成人精品电影| 两性夫妻黄色片| 欧美日韩av久久| 最近最新中文字幕大全免费视频| 免费日韩欧美在线观看| 丝袜美腿诱惑在线| 欧美乱码精品一区二区三区| 午夜福利乱码中文字幕| 久久久久视频综合| 欧美午夜高清在线| 高清在线国产一区| www.自偷自拍.com| 精品一区二区三区四区五区乱码| 日韩一区二区三区影片| 最近最新中文字幕大全免费视频| 中文欧美无线码| netflix在线观看网站| 国产精品影院久久| 日韩一卡2卡3卡4卡2021年| 男人舔女人的私密视频| 国产av又大| 亚洲国产欧美日韩在线播放| 免费观看a级毛片全部| 欧美成人午夜精品| 久久久久国内视频| 午夜激情av网站| 狠狠婷婷综合久久久久久88av| a 毛片基地| 欧美精品人与动牲交sv欧美| 男人爽女人下面视频在线观看| 桃红色精品国产亚洲av| 一二三四在线观看免费中文在| 亚洲欧美一区二区三区黑人| 欧美国产精品va在线观看不卡| 亚洲av电影在线进入| 久久影院123| 国产成人系列免费观看| 国产激情久久老熟女| 日韩精品免费视频一区二区三区| 亚洲成国产人片在线观看| 少妇 在线观看| a在线观看视频网站| 亚洲欧美激情在线| av网站免费在线观看视频| 亚洲国产精品成人久久小说| 欧美精品人与动牲交sv欧美| av免费在线观看网站| 亚洲激情五月婷婷啪啪| 国产精品免费视频内射| 别揉我奶头~嗯~啊~动态视频 | 免费人妻精品一区二区三区视频| 国产亚洲一区二区精品| 制服诱惑二区| 黄色 视频免费看| 久久香蕉激情| 亚洲国产成人一精品久久久| 精品人妻熟女毛片av久久网站| 夫妻午夜视频| 人妻 亚洲 视频| 亚洲欧洲精品一区二区精品久久久| 国产av一区二区精品久久| 欧美中文综合在线视频| 19禁男女啪啪无遮挡网站| 99国产精品99久久久久| 午夜福利在线免费观看网站| 9191精品国产免费久久| 香蕉丝袜av| 又黄又粗又硬又大视频| 黄频高清免费视频| 国产精品久久久久成人av| 天天添夜夜摸| 欧美性长视频在线观看| 天天操日日干夜夜撸| 超碰成人久久| 国产福利在线免费观看视频| 欧美日韩av久久| 一级片免费观看大全| 亚洲精品国产av蜜桃| 人人妻人人澡人人看| av在线app专区| 爱豆传媒免费全集在线观看| 女人高潮潮喷娇喘18禁视频| 老司机午夜福利在线观看视频 | 久久久久国产一级毛片高清牌| 精品一区二区三卡| svipshipincom国产片| 午夜福利乱码中文字幕| av一本久久久久| 亚洲国产精品999| 亚洲情色 制服丝袜| 精品少妇黑人巨大在线播放| xxxhd国产人妻xxx| 在线天堂中文资源库| 美女国产高潮福利片在线看| 99香蕉大伊视频| 日韩视频在线欧美| 一级毛片女人18水好多| 男女下面插进去视频免费观看| 悠悠久久av| 可以免费在线观看a视频的电影网站| 国产淫语在线视频| 亚洲欧洲精品一区二区精品久久久| av有码第一页| 一级a爱视频在线免费观看| 国产精品秋霞免费鲁丝片| 欧美变态另类bdsm刘玥| 丝袜美足系列| 亚洲人成电影观看| 精品人妻一区二区三区麻豆| 人妻久久中文字幕网| 97在线人人人人妻| 18在线观看网站| 美国免费a级毛片| 99精国产麻豆久久婷婷| 婷婷丁香在线五月| 婷婷色av中文字幕| 香蕉国产在线看| 少妇粗大呻吟视频| 交换朋友夫妻互换小说| av国产精品久久久久影院| 国产不卡av网站在线观看| 精品少妇久久久久久888优播| 久久精品人人爽人人爽视色| 不卡av一区二区三区| 久久性视频一级片| 亚洲第一av免费看| 啦啦啦视频在线资源免费观看| av有码第一页| 男女高潮啪啪啪动态图| 国产免费av片在线观看野外av| 精品第一国产精品| 久久精品熟女亚洲av麻豆精品| 操美女的视频在线观看| 国产高清视频在线播放一区 | 首页视频小说图片口味搜索| 男人添女人高潮全过程视频| 久久热在线av| 欧美老熟妇乱子伦牲交| 午夜福利视频精品| 男女之事视频高清在线观看| 丝袜脚勾引网站| 母亲3免费完整高清在线观看| 欧美 亚洲 国产 日韩一| 国产男女超爽视频在线观看| 搡老熟女国产l中国老女人| 日本a在线网址| 亚洲欧美日韩另类电影网站| 国产欧美日韩一区二区精品| 国产亚洲精品第一综合不卡| 可以免费在线观看a视频的电影网站| 精品国产一区二区三区四区第35| 精品第一国产精品| 国产精品一区二区在线观看99| 久久精品国产综合久久久| 久久精品国产亚洲av高清一级| 午夜两性在线视频| 美女主播在线视频| 国产又色又爽无遮挡免| 国产成人免费无遮挡视频| 精品免费久久久久久久清纯 | 99热国产这里只有精品6| 在线亚洲精品国产二区图片欧美| 久久久精品国产亚洲av高清涩受| 亚洲成人免费av在线播放| 亚洲综合色网址| 99精品欧美一区二区三区四区| 99九九在线精品视频| 51午夜福利影视在线观看| 国产成+人综合+亚洲专区| 国内毛片毛片毛片毛片毛片| 亚洲自偷自拍图片 自拍| 久久久久精品人妻al黑| 国产免费视频播放在线视频| 在线看a的网站| 国产精品一区二区精品视频观看| 日韩欧美免费精品| 老司机在亚洲福利影院| 男人操女人黄网站| 少妇精品久久久久久久| 亚洲avbb在线观看|