• <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
    国产成人福利小说| 亚洲成a人片在线一区二区| 人妻久久中文字幕网| 久久久欧美国产精品| 不卡一级毛片| 亚州av有码| 在线观看美女被高潮喷水网站| 51国产日韩欧美| 国产色爽女视频免费观看| 网址你懂的国产日韩在线| 国产一区二区三区av在线 | 亚洲精品久久国产高清桃花| 精品久久久久久成人av| 国产精品一区二区三区四区免费观看 | www.色视频.com| 国产精品精品国产色婷婷| 亚洲成人久久爱视频| 天堂网av新在线| 在线观看66精品国产| 日韩中字成人| 嫩草影院入口| 国产精品久久电影中文字幕| 日韩,欧美,国产一区二区三区 | 免费在线观看影片大全网站| 免费av毛片视频| 色播亚洲综合网| 国产中年淑女户外野战色| 亚洲在线观看片| 有码 亚洲区| 春色校园在线视频观看| 亚洲av电影不卡..在线观看| 国产午夜精品论理片| 日韩人妻高清精品专区| 中国国产av一级| 最近的中文字幕免费完整| 午夜精品一区二区三区免费看| 在线天堂最新版资源| 久久亚洲精品不卡| 亚洲精品久久国产高清桃花| 日韩大尺度精品在线看网址| 亚洲精品亚洲一区二区| 国产一区二区在线av高清观看| 亚洲国产精品成人综合色| 国产亚洲欧美98| 中文资源天堂在线| 亚洲美女黄片视频| 乱人视频在线观看| 99热这里只有是精品在线观看| 中文字幕av在线有码专区| 亚洲一区二区三区色噜噜| 黑人高潮一二区| 久久国内精品自在自线图片| 中文字幕人妻熟人妻熟丝袜美| 伊人久久精品亚洲午夜| 国产 一区精品| 噜噜噜噜噜久久久久久91| 99热6这里只有精品| 99精品在免费线老司机午夜| av在线观看视频网站免费| 国产一区二区亚洲精品在线观看| 国产精品一二三区在线看| 18+在线观看网站| 欧美+亚洲+日韩+国产| 丰满乱子伦码专区| 麻豆精品久久久久久蜜桃| 天堂av国产一区二区熟女人妻| 三级国产精品欧美在线观看| 激情 狠狠 欧美| 午夜激情欧美在线| 亚洲无线观看免费| 国产一区二区在线观看日韩| 久久久久九九精品影院| 国产伦精品一区二区三区四那| 老熟妇仑乱视频hdxx| 久久久久久国产a免费观看| 欧美xxxx性猛交bbbb| 麻豆一二三区av精品| 男人舔奶头视频| 狂野欧美激情性xxxx在线观看| 精品一区二区三区视频在线| 中出人妻视频一区二区| 亚洲精品乱码久久久v下载方式| av专区在线播放| 1000部很黄的大片| 乱人视频在线观看| 亚洲人成网站在线播| 三级经典国产精品| 国产国拍精品亚洲av在线观看| av女优亚洲男人天堂| 啦啦啦观看免费观看视频高清| 国产高清视频在线播放一区| 深爱激情五月婷婷| 亚洲第一电影网av| 中文字幕av成人在线电影| 久久久久久国产a免费观看| 久久精品国产亚洲网站| 老熟妇乱子伦视频在线观看| 波多野结衣高清作品| 亚洲国产色片| 熟妇人妻久久中文字幕3abv| 国产伦精品一区二区三区视频9| 99riav亚洲国产免费| 中文在线观看免费www的网站| 日本黄色视频三级网站网址| 九九热线精品视视频播放| 日韩 亚洲 欧美在线| 欧美高清成人免费视频www| 午夜福利18| 日日干狠狠操夜夜爽| 亚洲国产精品久久男人天堂| 在线观看66精品国产| 91麻豆精品激情在线观看国产| 久久午夜福利片| 国产aⅴ精品一区二区三区波| 国产精品一区二区性色av| 免费高清视频大片| 久久久国产成人免费| 日韩欧美在线乱码| 久久亚洲精品不卡| 成人性生交大片免费视频hd| 国产精品乱码一区二三区的特点| 国产一区亚洲一区在线观看| 成年免费大片在线观看| 一级黄色大片毛片| 女生性感内裤真人,穿戴方法视频| 久久久久性生活片| 在线观看66精品国产| 亚洲欧美成人综合另类久久久 | 日韩精品中文字幕看吧| 精品不卡国产一区二区三区| 此物有八面人人有两片| 精品乱码久久久久久99久播| 两个人视频免费观看高清| 中文字幕精品亚洲无线码一区| 黄色欧美视频在线观看| 国产精品1区2区在线观看.| 亚洲乱码一区二区免费版| 男人舔女人下体高潮全视频| 国内久久婷婷六月综合欲色啪| 免费观看精品视频网站| 三级男女做爰猛烈吃奶摸视频| 一a级毛片在线观看| 舔av片在线| 日本欧美国产在线视频| 别揉我奶头 嗯啊视频| 国产免费男女视频| 亚洲成人久久性| 日韩欧美一区二区三区在线观看| 免费人成视频x8x8入口观看| 国产视频内射| av专区在线播放| 全区人妻精品视频| 久久精品久久久久久噜噜老黄 | 搞女人的毛片| 一进一出抽搐gif免费好疼| 久久中文看片网| 亚洲aⅴ乱码一区二区在线播放| 国产精品久久电影中文字幕| 日韩,欧美,国产一区二区三区 | 欧美成人精品欧美一级黄| 精品福利观看| 淫秽高清视频在线观看| 国产乱人偷精品视频| 一区二区三区高清视频在线| 亚洲aⅴ乱码一区二区在线播放| 国产高清三级在线| 又粗又爽又猛毛片免费看| 69人妻影院| 真实男女啪啪啪动态图| 嫩草影视91久久| av在线播放精品| 淫妇啪啪啪对白视频| 亚洲精品亚洲一区二区| 免费观看的影片在线观看| 91在线观看av| www.色视频.com| 最近的中文字幕免费完整| 婷婷亚洲欧美| 亚洲性夜色夜夜综合| 啦啦啦啦在线视频资源| 内射极品少妇av片p| 日韩人妻高清精品专区| 丰满的人妻完整版| or卡值多少钱| 亚洲四区av| 国产大屁股一区二区在线视频| 99久久九九国产精品国产免费| 人人妻人人澡欧美一区二区| 亚洲无线在线观看| 熟女人妻精品中文字幕| 亚洲丝袜综合中文字幕| 精品一区二区三区人妻视频| 黑人高潮一二区| 国产亚洲精品久久久com| av在线老鸭窝| 在线天堂最新版资源| 日韩欧美三级三区| 99riav亚洲国产免费| 成熟少妇高潮喷水视频| 国产探花极品一区二区| 国产男靠女视频免费网站| 色综合站精品国产| 老司机影院成人| 免费观看精品视频网站| 国产成人精品久久久久久| 亚洲精品色激情综合| 午夜老司机福利剧场| 久久久久精品国产欧美久久久| 国产黄片美女视频| 午夜a级毛片| 六月丁香七月| 国产伦精品一区二区三区四那| 男女下面进入的视频免费午夜| 成人性生交大片免费视频hd| 国产精品久久久久久久电影| 久久6这里有精品| 大又大粗又爽又黄少妇毛片口| 亚洲精品成人久久久久久| 精品欧美国产一区二区三| 国产精品99久久久久久久久| 色哟哟·www| 亚洲精品乱码久久久v下载方式| 日韩精品青青久久久久久| 欧美xxxx黑人xx丫x性爽| 小蜜桃在线观看免费完整版高清| 99热只有精品国产| 直男gayav资源| 国产男靠女视频免费网站| 日本一二三区视频观看| 婷婷精品国产亚洲av| 日韩强制内射视频| 啦啦啦观看免费观看视频高清| 色噜噜av男人的天堂激情| 成人av在线播放网站| 亚洲色图av天堂| 淫秽高清视频在线观看| 99精品在免费线老司机午夜| 99热只有精品国产| 国产av一区在线观看免费| 2021天堂中文幕一二区在线观| 俺也久久电影网| 欧美激情国产日韩精品一区| 国产黄a三级三级三级人| 高清毛片免费看| av中文乱码字幕在线| 国产亚洲av嫩草精品影院| 两性午夜刺激爽爽歪歪视频在线观看| 久久久精品欧美日韩精品| 国产精品一区二区免费欧美| 草草在线视频免费看| 在线免费观看不下载黄p国产| 在线天堂最新版资源| 91在线精品国自产拍蜜月| 日日摸夜夜添夜夜添小说| 婷婷六月久久综合丁香| 成熟少妇高潮喷水视频| 国产 一区精品| 好男人在线观看高清免费视频| 亚洲人成网站在线观看播放| 国语自产精品视频在线第100页| 日本在线视频免费播放| 一个人看视频在线观看www免费| 嫩草影视91久久| 国产亚洲91精品色在线| 国产欧美日韩一区二区精品| 99热精品在线国产| 午夜福利在线在线| 最近中文字幕高清免费大全6| 九九爱精品视频在线观看| 亚洲成人av在线免费| 亚洲18禁久久av| 亚洲欧美中文字幕日韩二区| 日韩成人伦理影院| 亚洲成人中文字幕在线播放| 亚洲精品影视一区二区三区av| 丝袜喷水一区| 国产高潮美女av| 最近视频中文字幕2019在线8| 人妻久久中文字幕网| 全区人妻精品视频| 亚洲精品粉嫩美女一区| 麻豆av噜噜一区二区三区| 伊人久久精品亚洲午夜| 国产成人福利小说| 成人美女网站在线观看视频| 国产精品国产三级国产av玫瑰| 欧美成人免费av一区二区三区| 人人妻,人人澡人人爽秒播| 1024手机看黄色片| 精品熟女少妇av免费看| 成人无遮挡网站| 亚洲最大成人中文| 我要搜黄色片| 伦精品一区二区三区| 一级毛片电影观看 | 成人午夜高清在线视频| 特级一级黄色大片| 一个人免费在线观看电影| 国产色爽女视频免费观看| 国产免费一级a男人的天堂| 色哟哟哟哟哟哟| 亚洲国产高清在线一区二区三| 一a级毛片在线观看| 免费高清视频大片| 久久国内精品自在自线图片| av在线老鸭窝| 欧美日韩一区二区视频在线观看视频在线 | 天堂动漫精品| 精品人妻熟女av久视频| 波多野结衣巨乳人妻| 一进一出抽搐gif免费好疼| 综合色av麻豆| 国产v大片淫在线免费观看| 成人亚洲欧美一区二区av| 亚洲熟妇熟女久久| 成人美女网站在线观看视频| 国产成年人精品一区二区| 一卡2卡三卡四卡精品乱码亚洲| 亚洲精品日韩在线中文字幕 | 联通29元200g的流量卡| 国产男人的电影天堂91| 精品国内亚洲2022精品成人| 亚洲熟妇熟女久久| 99精品在免费线老司机午夜| 亚洲内射少妇av| 中文在线观看免费www的网站| 国内揄拍国产精品人妻在线| 亚洲av不卡在线观看| 欧美日韩在线观看h| 国产中年淑女户外野战色| 99久久久亚洲精品蜜臀av| 一本一本综合久久| 欧美日韩一区二区视频在线观看视频在线 | 十八禁网站免费在线| av在线老鸭窝| 国产精品人妻久久久影院| 中文在线观看免费www的网站| 久久精品国产亚洲av香蕉五月| 特大巨黑吊av在线直播| 欧美日韩精品成人综合77777| 又爽又黄无遮挡网站| 自拍偷自拍亚洲精品老妇| 国产成人aa在线观看| 免费在线观看影片大全网站| 成人av在线播放网站| 两个人的视频大全免费| 精品一区二区三区视频在线| 久久热精品热| 久久久久性生活片| 国产精品无大码| 成年免费大片在线观看| 国产三级中文精品| 免费在线观看成人毛片| 免费看a级黄色片| 精品欧美国产一区二区三| 国产午夜福利久久久久久| 一本久久中文字幕| 麻豆久久精品国产亚洲av| 老司机影院成人| 精品一区二区三区人妻视频| 乱系列少妇在线播放| 欧美一区二区精品小视频在线| 日韩亚洲欧美综合| 中文字幕av成人在线电影| 国产精品美女特级片免费视频播放器| 亚洲精品亚洲一区二区| 久久99热6这里只有精品| 国产三级在线视频| 欧美中文日本在线观看视频| 男人舔女人下体高潮全视频| 久久久久精品国产欧美久久久| 亚洲综合色惰| 亚洲欧美日韩高清在线视频| 国产成人福利小说| 中文字幕久久专区| 国产伦精品一区二区三区视频9| 亚洲国产色片| 久久精品国产亚洲av涩爱 | 毛片女人毛片| 午夜福利高清视频| 亚洲人与动物交配视频| 久久人人精品亚洲av| 又爽又黄无遮挡网站| 美女免费视频网站| 亚洲图色成人| 国产精品福利在线免费观看| 校园人妻丝袜中文字幕| 国产蜜桃级精品一区二区三区| 国产成人a∨麻豆精品| 日日摸夜夜添夜夜添小说| 婷婷色综合大香蕉| 久久午夜亚洲精品久久| 国产午夜精品论理片| 亚洲av.av天堂| 日本撒尿小便嘘嘘汇集6| 国产精品亚洲一级av第二区| 国产精品三级大全| 久久久久精品国产欧美久久久| 日本与韩国留学比较| 毛片女人毛片| 婷婷亚洲欧美| 国产精品精品国产色婷婷| 亚洲欧美日韩高清在线视频| 成人国产麻豆网| 韩国av在线不卡| 亚洲欧美精品自产自拍| 99国产精品一区二区蜜桃av| 欧美最黄视频在线播放免费| 男女做爰动态图高潮gif福利片| 三级毛片av免费| 亚洲欧美精品自产自拍| 天天躁日日操中文字幕| 久久久久久久久久成人| 哪里可以看免费的av片| av黄色大香蕉| 五月伊人婷婷丁香| 国产在视频线在精品| 国产精品人妻久久久影院| 国产欧美日韩精品一区二区| 最近视频中文字幕2019在线8| 国产精品99久久久久久久久| 69av精品久久久久久| 国产高清不卡午夜福利| 久久久国产成人免费| 亚洲av中文av极速乱| 成年免费大片在线观看| 亚洲欧美成人综合另类久久久 | 午夜爱爱视频在线播放| 午夜福利18| 精品久久久久久成人av| 一区福利在线观看| 好男人在线观看高清免费视频| 国产激情偷乱视频一区二区| 亚洲av成人精品一区久久| 国产免费一级a男人的天堂| 国产一区二区激情短视频| 十八禁国产超污无遮挡网站| 国内久久婷婷六月综合欲色啪| 久久精品久久久久久噜噜老黄 | 悠悠久久av| 性色avwww在线观看| 大香蕉久久网| 一级毛片久久久久久久久女| 赤兔流量卡办理| 亚洲av成人av| 久久精品国产鲁丝片午夜精品| 亚洲精品成人久久久久久| 国产精品一二三区在线看| 简卡轻食公司| 三级国产精品欧美在线观看| 亚洲精品国产av成人精品 | 最近2019中文字幕mv第一页| 午夜福利18| 欧美激情在线99| 免费av不卡在线播放| 久久九九热精品免费| 日韩精品青青久久久久久| 91精品国产九色| 久久久久久伊人网av| 国产精品电影一区二区三区| 男女之事视频高清在线观看| 变态另类成人亚洲欧美熟女| 精品人妻熟女av久视频| 婷婷色综合大香蕉| 久久久精品大字幕| 偷拍熟女少妇极品色| 麻豆一二三区av精品| 免费高清视频大片| 超碰av人人做人人爽久久| 极品教师在线视频| 深夜a级毛片| 99久国产av精品| 日本五十路高清| 好男人在线观看高清免费视频| 国产精品1区2区在线观看.| 日本a在线网址| 中文资源天堂在线| 丰满乱子伦码专区| 99精品在免费线老司机午夜| 亚州av有码| 国产片特级美女逼逼视频| 亚洲,欧美,日韩| 嫩草影院精品99| 老女人水多毛片| 国产亚洲精品久久久久久毛片| av在线天堂中文字幕| 午夜免费男女啪啪视频观看 | 一级黄片播放器| 日本免费一区二区三区高清不卡| 亚洲va在线va天堂va国产| 亚洲av二区三区四区| 亚洲欧美日韩卡通动漫| 国产伦在线观看视频一区| 俄罗斯特黄特色一大片| 色5月婷婷丁香| 乱人视频在线观看| 免费看美女性在线毛片视频| 最近最新中文字幕大全电影3| 少妇被粗大猛烈的视频| 一级av片app| 91av网一区二区| 欧美色视频一区免费| 国产精品久久久久久久电影| а√天堂www在线а√下载| 国产成人a区在线观看| 香蕉av资源在线| 欧美国产日韩亚洲一区| 日韩制服骚丝袜av| 校园春色视频在线观看| 国产精品av视频在线免费观看| 国产单亲对白刺激| 少妇被粗大猛烈的视频| 亚洲精品456在线播放app| 亚洲精品日韩av片在线观看| 一级av片app| 亚洲精品成人久久久久久| 欧洲精品卡2卡3卡4卡5卡区| 日韩欧美一区二区三区在线观看| 日本在线视频免费播放| 日日撸夜夜添| 99久久成人亚洲精品观看| 色噜噜av男人的天堂激情| 久久精品国产亚洲av天美| 精品一区二区免费观看| 在线播放国产精品三级| 丰满的人妻完整版| 亚洲国产精品国产精品| 久久这里只有精品中国| 国产精品永久免费网站| 久久亚洲精品不卡| 别揉我奶头 嗯啊视频| 热99在线观看视频| 亚洲av电影不卡..在线观看| 国产高清激情床上av| 久久精品国产鲁丝片午夜精品| 五月玫瑰六月丁香| 日韩,欧美,国产一区二区三区 | 久久精品综合一区二区三区| 看十八女毛片水多多多| 少妇人妻精品综合一区二区 | 亚洲内射少妇av| 国产精品一区二区三区四区免费观看 | 日韩精品中文字幕看吧| 国产精品一区www在线观看| 一a级毛片在线观看| 国产av麻豆久久久久久久| 一个人观看的视频www高清免费观看| 国产精品综合久久久久久久免费| 国产91av在线免费观看| 精品久久国产蜜桃| h日本视频在线播放| 欧美xxxx性猛交bbbb| www.色视频.com| 日韩成人伦理影院| 国内精品宾馆在线| 欧美日韩精品成人综合77777| 成人一区二区视频在线观看| 国产成人a∨麻豆精品| 此物有八面人人有两片| 国产综合懂色| 观看美女的网站| 亚洲成人久久性| 欧美高清性xxxxhd video| 欧美性猛交黑人性爽| 国产视频一区二区在线看| 欧美丝袜亚洲另类| 国产精品一及| 国产精品99久久久久久久久| 久久国内精品自在自线图片| 国产一区二区在线观看日韩| 麻豆一二三区av精品| 午夜老司机福利剧场| 色在线成人网| 联通29元200g的流量卡| 天天躁日日操中文字幕| 亚洲精品一区av在线观看| 最近最新中文字幕大全电影3| 校园人妻丝袜中文字幕| 22中文网久久字幕| 国产在视频线在精品| 日本免费a在线| 悠悠久久av| 欧美国产日韩亚洲一区| 免费看美女性在线毛片视频| 1000部很黄的大片| 亚洲图色成人| 亚洲av一区综合| 国产免费一级a男人的天堂| 高清毛片免费看| 欧美性感艳星| 变态另类成人亚洲欧美熟女| 可以在线观看的亚洲视频| 村上凉子中文字幕在线| 99riav亚洲国产免费| 又爽又黄无遮挡网站| 国产私拍福利视频在线观看| 99久久精品一区二区三区| 日韩欧美免费精品| 变态另类成人亚洲欧美熟女| 麻豆国产av国片精品| 欧美+亚洲+日韩+国产| 欧美极品一区二区三区四区| 亚洲久久久久久中文字幕| 亚洲精品456在线播放app| 我的女老师完整版在线观看| 欧美高清成人免费视频www| av卡一久久| 一进一出抽搐gif免费好疼| 美女高潮的动态| 国内揄拍国产精品人妻在线| 国产在线精品亚洲第一网站| 亚洲熟妇中文字幕五十中出| 国产亚洲精品av在线| 欧美激情在线99| 寂寞人妻少妇视频99o|