• <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 ?

    改進(jìn)深度神經(jīng)網(wǎng)絡(luò)的用戶用電量預(yù)測方法

    2023-12-02 14:18:50蔡翔朱莉
    關(guān)鍵詞:深度神經(jīng)網(wǎng)絡(luò)粒子群算法

    蔡翔 朱莉

    [摘 要]針對深度神經(jīng)網(wǎng)絡(luò)對電能預(yù)測精度低的問題,提出正弦粒子群優(yōu)化神經(jīng)元數(shù)量的深度神經(jīng)網(wǎng)絡(luò)算法,通過對粒子群算法進(jìn)行變異操作和慣性權(quán)重改進(jìn),來對深度神經(jīng)網(wǎng)絡(luò)隱藏層神經(jīng)元參數(shù)進(jìn)行尋優(yōu)。實(shí)驗(yàn)結(jié)果表明,SPSONN-DNN算法相比于DNN、極度梯度提升、線性回歸、兩種改進(jìn)PSONN-DNN算法的預(yù)測精度分別提高了1.926%、2.820%、1.500%、0.633%、0.582%;SPSONN-DNN算法相比于兩種改進(jìn)PSONN-DNN算法迭代次數(shù)分別減少6次、4次。

    [關(guān)鍵詞]電量預(yù)測;深度神經(jīng)網(wǎng)絡(luò);粒子群算法;預(yù)測精度

    [中圖分類號(hào)]TP391[文獻(xiàn)標(biāo)識(shí)碼]A

    電量預(yù)測是智能電網(wǎng)中電能調(diào)度的理論依據(jù),提前通過預(yù)測模型來推測出各地區(qū)的用電量,使供電部門的輸電量和各地區(qū)的用電量達(dá)到供需平衡,從而減少電網(wǎng)中電能的浪費(fèi)[1]。隨著人工智能的興起,深度神經(jīng)網(wǎng)絡(luò)由于具有自學(xué)習(xí)、自適應(yīng)、容錯(cuò)性等特點(diǎn),大量的學(xué)者將其應(yīng)用在電量預(yù)測領(lǐng)域,但是深度神經(jīng)網(wǎng)絡(luò)處理不同領(lǐng)域的數(shù)據(jù)集時(shí),由于數(shù)據(jù)的多樣性導(dǎo)致深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)不同。人們利用其它算法的優(yōu)點(diǎn)來對深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化,但只是對神經(jīng)網(wǎng)絡(luò)中的訓(xùn)練數(shù)據(jù)、學(xué)習(xí)率、輸入權(quán)值等參數(shù)進(jìn)行尋優(yōu),而隱藏層神經(jīng)元數(shù)量是根據(jù)輸入?yún)?shù)隨機(jī)設(shè)置的,不是最佳的參數(shù),導(dǎo)致網(wǎng)絡(luò)的模型達(dá)不到最優(yōu),模型預(yù)測精度較低[2-3]。

    優(yōu)化算法能準(zhǔn)確的對深度神經(jīng)網(wǎng)絡(luò)各隱藏層神經(jīng)元進(jìn)行尋優(yōu),其典型方法有粒子群算法、遺傳算法、蟻群算法。又因粒子群算法相比于遺傳算法、蟻群算法需要調(diào)整的參數(shù)少、搜索速度快、效率高以及簡單容易實(shí)現(xiàn)等優(yōu)點(diǎn)[4-5]。本文利用改進(jìn)粒子群算法來優(yōu)化深度神經(jīng)網(wǎng)絡(luò)各隱藏層神經(jīng)元數(shù)量。

    1 算法設(shè)計(jì)

    1.1 SPSONN-DNN預(yù)測模型框架

    改進(jìn)粒子群優(yōu)化深度神經(jīng)網(wǎng)絡(luò)的模型見圖1。

    本文原始數(shù)據(jù)為某地區(qū)的家庭用電量數(shù)據(jù),數(shù)據(jù)包括日期、時(shí)間、平均有功功率、平均無功功率、平均電壓、平均電流、3個(gè)計(jì)量表等9個(gè)維度的參數(shù)。

    首先,對原始數(shù)據(jù)進(jìn)行預(yù)處理。在數(shù)據(jù)預(yù)處理過程中,先將數(shù)據(jù)格式進(jìn)行轉(zhuǎn)換,然后將數(shù)據(jù)的日期和時(shí)間轉(zhuǎn)換為浮點(diǎn)型,將各參數(shù)的單位換算統(tǒng)一;接著查找缺失、異常字符串的數(shù)據(jù)并將其刪除,因?yàn)槭菍彝ビ秒娏窟M(jìn)行短期預(yù)測,刪除對數(shù)據(jù)的整體沒有影響。

    SPSONN-DNN算法是利用改進(jìn)粒子群算法的種群粒子在迭代過程中的位置坐標(biāo)來確定深度神經(jīng)網(wǎng)絡(luò)隱藏層神經(jīng)元數(shù)量,深度神經(jīng)網(wǎng)絡(luò)根據(jù)每個(gè)粒子坐標(biāo)來確定其對應(yīng)的預(yù)測誤差(即適應(yīng)值),粒子群算法從所有粒子中尋找出最優(yōu)粒子,然后再根據(jù)粒子群的速度和位置更新公式來更新所有粒子,經(jīng)過多次迭代后尋找出全局最優(yōu)粒子,全局最優(yōu)粒子坐標(biāo)和適應(yīng)值分別代表深度神經(jīng)網(wǎng)絡(luò)隱藏層神經(jīng)元的數(shù)量和相對應(yīng)的預(yù)測誤差[6]。

    1.2 粒子群慣性權(quán)重的改進(jìn)

    粒子群算法是通過模擬鳥群覓食的行為而發(fā)展起來的一種基于群體協(xié)作的隨機(jī)搜索算法[7-8]。

    粒子群有兩個(gè)特性:速度和位置。速度大小決定下一次迭代后的位置變化大?。晃恢玫木S度是由所要解決的問題決定的,每個(gè)粒子的位置信息可以看成適應(yīng)函數(shù)的一組解,每個(gè)粒子空間坐標(biāo)的不斷變化,代表其函數(shù)解也是在不斷變化的。PSO算法中粒子的速度和位置公式如下:

    式中,vkid表示粒子i第k次迭代的飛行速度的第d維分量;xkid表示粒子i第k次迭代的位置矢量的第d維分量;pbestid表示粒子i第d維分量的局部(即個(gè)體)最優(yōu)值;gbestid表示粒子i第d維分量的全局(即群體)最優(yōu)值;c1、c2表示學(xué)習(xí)因子;r1、r2表示取值范圍在[0,1]之間的隨機(jī)數(shù);w表示慣性權(quán)重(非負(fù)數(shù))。

    通過對粒子群算法的分析可知,粒子群算法的搜索能力和收斂能力都與慣性權(quán)重w息息相關(guān)。根據(jù)分析,粒子群算法在尋優(yōu)時(shí),前期需要速度較大,從而提高全局搜索能力;中期需要速度適中,來平衡全局搜索能力和局部搜索能力;后期需要速度較小,使得局部搜索能力較強(qiáng)。

    慣性權(quán)重為固定值已經(jīng)很難滿足粒子群算法在尋優(yōu)過程中全局搜索能力和局部搜索能力的轉(zhuǎn)換。很多學(xué)者提出了優(yōu)化的方法,一般分為線性和非線性兩種方法:

    式中,w是指慣性權(quán)重,wmax、wmin分別代表最大、最小慣性權(quán)重值,tmax表示種群的最大迭代次數(shù),t表示種群的當(dāng)前迭代次數(shù)。

    公式(3)是線性變換,在粒子群算法迭代過程中慣性權(quán)重變化率相同,不能滿足粒子群算法在迭代前期慣性權(quán)重變化較小的要求;公式(4)是非線性變換,在粒子群算法迭代中期,變化仍然很小,不能很好平衡全局搜索能力和局部搜索能力。

    為了使粒子群算法計(jì)算結(jié)果更加準(zhǔn)確,提出了正弦慣性權(quán)重,使慣性權(quán)重隨著粒子的迭代次數(shù)而成正弦變換,滿足粒子群算法在整個(gè)迭代過程中全局搜索能力和局部搜索能力的轉(zhuǎn)換如下式:

    式中,w表示慣性權(quán)重,wmax、wmin分別表示慣性權(quán)重的最大值和最小值,iter表示當(dāng)前迭代次數(shù),itermax表示最大迭代次數(shù)。

    1.3 粒子群陷入局部最優(yōu)的改進(jìn)

    粒子群雖然對慣性權(quán)重進(jìn)行了改進(jìn),但是在尋優(yōu)的過程中,隨著種群聚合程度越來越高,種群也可能會(huì)匯聚于一點(diǎn)。發(fā)生這種情況的根本原因是種群在迭代尋優(yōu)的過程中,其本身的多樣性逐漸降低,導(dǎo)致陷入局部最優(yōu)。為了解決這個(gè)問題,引入種群平均距離來描述種群的離散程度,根據(jù)平均距離的大小和迭代誤差來判斷種群是否陷入局部最優(yōu)。

    式中,L(iter)表示種群在第iter次迭代的平均距離,N表示種群的粒子數(shù),d表示粒子的維度,xin(iter)表示第i個(gè)粒子的n維分量在iter次迭代的值,x-n(iter)表示所有粒子在iter次迭代的平均坐標(biāo)的n維分量的值。

    當(dāng)種群粒子平均距離L(iter)的值較大時(shí),粒子分布程度較分散,PSO進(jìn)行大范圍的全局搜索。隨著迭代的進(jìn)行,L(iter)的值會(huì)逐漸減小,表示種群中粒子分布程度較密集,種群的多樣性也會(huì)降低,此時(shí)PSO易陷入局部最優(yōu),從而無法達(dá)到全局最優(yōu)。

    此時(shí)就需要變異操作來提高種群粒子的多樣性。給定閾值,如果種群粒子平均距離L(iter)的值低于設(shè)定閾值則表示PSO陷入局部最優(yōu),應(yīng)啟動(dòng)變異操作,將特定的粒子通過變異的方式增加種群活性,使其跳入到其它區(qū)域繼續(xù)尋優(yōu),讓種群達(dá)到全局最優(yōu)。

    可通過L(iter)的大小或粒子群全局最優(yōu)值來判斷是否需要進(jìn)行變異操作。若粒子經(jīng)過多次迭代仍未發(fā)生明顯變化或A低于給定的閾值,則可進(jìn)行變異操作。變異操作時(shí)根據(jù)粒子離全局最優(yōu)的距離來選取變異操作的粒子,而變異前后粒子群的最優(yōu)值保持不變。變異操作的公式如下:

    式中,x′i表示粒子i變異后的位置,xi表示粒子i變異前的位置,iter是種群的當(dāng)前迭代次數(shù),itermax是種群的最大迭代次數(shù),N(0,1)表示0~1之間的任選隨機(jī)數(shù)。

    1.4 算法流程

    SPSONN-DNN算法流程如下:

    1)初始化。對改進(jìn)粒子群算法和深度神經(jīng)網(wǎng)絡(luò)進(jìn)行初始化設(shè)置,改進(jìn)粒子群算法需要設(shè)置以下參數(shù):粒子的數(shù)量N、粒子的維度D、算法的最大迭代次數(shù)itermax、慣性權(quán)重的最大值wmax和最小值wmin以及兩個(gè)學(xué)習(xí)因子c1和c2;深度神經(jīng)網(wǎng)絡(luò)需要設(shè)置迭代次數(shù)、隱藏層數(shù)等。

    2)選取合適適應(yīng)函數(shù)并計(jì)算適應(yīng)值。根據(jù)具體問題,設(shè)計(jì)相關(guān)的函數(shù)關(guān)系,然后將粒子的信息輸入到函數(shù)關(guān)系中求出函數(shù)的輸出值(即適應(yīng)值)。本文以深度神經(jīng)網(wǎng)絡(luò)損失函數(shù)為參考,以均方根誤差公式作為適應(yīng)度函數(shù)。

    3)將初始的粒子位置參數(shù)作為DNN網(wǎng)絡(luò)各隱藏層的神經(jīng)元個(gè)數(shù),計(jì)算出預(yù)測誤差作為粒子群算法的適應(yīng)值。各粒子的適應(yīng)度值就是個(gè)體最優(yōu)值,在個(gè)體最優(yōu)值中尋找全局最優(yōu)值。

    4)慣性權(quán)重的更新。將種群當(dāng)前迭代次數(shù)帶入式(5)中,計(jì)算出新的慣性權(quán)重值。

    5)更新種群各粒子的速度和位置。根據(jù)式(1)、式(2)來更新每個(gè)粒子的速度和位置。

    6)將更新后的各粒子分別帶入適應(yīng)函數(shù),計(jì)算出對應(yīng)的適應(yīng)值。

    7)更新個(gè)體最優(yōu)值。計(jì)算出各粒子適應(yīng)值后,分別與各粒子的當(dāng)前個(gè)體最優(yōu)值作比較,若小于當(dāng)前個(gè)體最優(yōu)值,則將該粒子的適應(yīng)值作為個(gè)體最優(yōu)值,反之,個(gè)體最優(yōu)值不變。

    8)更新全局最優(yōu)值。當(dāng)個(gè)體最優(yōu)值更新后,將各粒子的個(gè)體最優(yōu)值依次與全局最優(yōu)值作比較,若粒子個(gè)體最優(yōu)值小于全局最優(yōu)值,則將該粒子的個(gè)體最優(yōu)值作為全局最優(yōu)值,反之,全局最優(yōu)值不變。

    9)變異判斷。按照公式(6)計(jì)算得到的平均距離來判斷是否達(dá)到變異條件,如果距離低于給定的閾值或種群迭代多次全局最優(yōu)值沒有發(fā)生明顯變化則執(zhí)行步驟10);否則執(zhí)行步驟11)。

    10)變異操作。選取部分平均距離較小的粒子,根據(jù)式(7)計(jì)算出變異后粒子位置。

    11)結(jié)束循環(huán)判斷。當(dāng)?shù)螖?shù)或者最優(yōu)適應(yīng)值滿足種群要求后,則執(zhí)行步驟12),否則執(zhí)行步驟4)。

    12)算法結(jié)束。輸出算法計(jì)算的最優(yōu)值。

    SPSONN-DNN算法流程如圖2所示。

    2 算例分析

    為驗(yàn)證預(yù)測方法的有效性,選用網(wǎng)上公布的某一地區(qū)的用戶電量數(shù)據(jù)集。數(shù)據(jù)集包含平均有功功率、平均無功功率、平均電壓、平均電流等數(shù)據(jù)參數(shù)。

    2.1 實(shí)例分析

    選取用戶的用電量數(shù)據(jù)(表1),進(jìn)行數(shù)據(jù)分析、過濾。首先將數(shù)據(jù)的格式統(tǒng)一,單位換算成統(tǒng)一的標(biāo)準(zhǔn);然后查找缺失、異常字符串的數(shù)據(jù),接著剔除異常數(shù)據(jù)或填補(bǔ)缺失數(shù)據(jù);最后將處理好的數(shù)據(jù)集作為DNN、SPSONN-DNN等算法的數(shù)據(jù)集,以有功功率為輸出,其它參數(shù)為輸入。

    2.2 實(shí)驗(yàn)參數(shù)設(shè)置

    由式(2)、式(6)可知,需要初始化設(shè)置的實(shí)驗(yàn)參數(shù)有粒子的數(shù)量N、粒子的維度D、算法的最大迭代次數(shù)itermax、慣性權(quán)重的最大值wmax和最小值wmin以及兩個(gè)學(xué)習(xí)因子c1和c2。本文將N設(shè)置為50、D設(shè)置為6、itermax設(shè)置為30,wmax設(shè)置為0.9、wmin設(shè)置為0.4、c1和c2都設(shè)置為0.2;深度神經(jīng)網(wǎng)絡(luò)隱藏層數(shù)設(shè)為6,各隱藏層神經(jīng)元的數(shù)量根據(jù)全局最優(yōu)粒子坐標(biāo)值來確定。

    2.3 實(shí)驗(yàn)結(jié)果與分析

    深度神經(jīng)網(wǎng)絡(luò)、線性回歸、極限梯度提升、兩種改進(jìn) PSONN-DNN算法以及SPSONN-DNN算法分別以處理好的數(shù)據(jù)集來訓(xùn)練和預(yù)測用戶用電量,預(yù)測結(jié)果見圖3-9,本文以MAPE和MSE為標(biāo)準(zhǔn)對算法的精度進(jìn)行衡量。

    圖3為深度神經(jīng)網(wǎng)絡(luò)的真實(shí)值與預(yù)測值誤差曲線,其中藍(lán)色曲線代表真實(shí)數(shù)據(jù)集,紅色曲線表示預(yù)測數(shù)據(jù)集,MAPE為5.997%,說明訓(xùn)練數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的平均絕對百分比誤差為5.997%;MSE為0.3673,說明訓(xùn)練數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的均方誤差為0.3673。

    圖4表示線性回歸的真實(shí)值與預(yù)測值的對比曲線圖,圖中橫坐標(biāo)表示樣本點(diǎn)的個(gè)數(shù),縱坐標(biāo)表示每個(gè)樣本點(diǎn)的數(shù)值,其中藍(lán)色曲線代表真實(shí)數(shù)據(jù),紅色曲線表示預(yù)測數(shù)據(jù)。計(jì)算可知,MAPE為6.871%,即訓(xùn)練數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的平均絕對百分比誤差為6.871%;MSE為0.5717,即訓(xùn)練數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的均方誤差為0.5717。

    圖5表示極端梯度提升的真實(shí)值與預(yù)測值對比曲線圖,圖中橫坐標(biāo)表示樣本點(diǎn)的個(gè)數(shù),縱坐標(biāo)表示每個(gè)樣本點(diǎn)的數(shù)值,其中藍(lán)色曲線代表真實(shí)數(shù)據(jù),紅色曲線表示預(yù)測數(shù)據(jù)。計(jì)算可知,MAPE為5.551%,說明測試數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的平均絕對百分比誤差為5.551%;MSE為0.3232,說明訓(xùn)練數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的均方誤差為0.3232。

    本文對粒子群優(yōu)化神經(jīng)元數(shù)量的深度神經(jīng)網(wǎng)絡(luò)算法中的慣性權(quán)重分別做線性變換、微分變換、正弦變換,如式(3)、(4)、(5)所示。圖6中PSONN-DNN(method1)表示慣性權(quán)重為線性變換;PSONN-DNN(method2)表示慣性權(quán)重為微分變換;SPSONN-DNN表示慣性權(quán)重為正弦變換。

    圖6a沒有設(shè)置粒子群算法的適應(yīng)值閾值,可知PSONN-DNN(method1)算法的適應(yīng)值(即MAPE)為4.693%,是指PSONN-DNN(method1)算法的全局最優(yōu)粒子的適應(yīng)值為4.693%,全局最優(yōu)粒子位置為(30,15,55,27,27,13);PSONN-DNN(method2)算法的適應(yīng)值為4.622%,是指PSONN-DNN(method2)算法的全局最優(yōu)粒子的適應(yīng)值為4.622%,全局最優(yōu)粒子位置為(54,51,45,29,3,44);SPSONN-DNN算法適應(yīng)值為4.103%,是指SPSONN-DNN算法的全局最優(yōu)粒子的適應(yīng)值為4.103%,全局最優(yōu)粒子位置為(58,15,54,34,53,33)。因此,相比于其它兩種算法,SPSONN-DNN算法預(yù)測精度有所提升。

    圖6b設(shè)置粒子群算法的適應(yīng)值為4.9%,PSONN-DNN(method1)算法在迭代13次后達(dá)到4.9%;PSONN-DNN(method2)算法在迭代11次后達(dá)到4.9%;SPSONN-DNN算法在迭代7次時(shí)適應(yīng)值達(dá)到了4.9%。因此,相比于其他兩種算法,SPSONN-DNN算法迭代次數(shù)均減少了。

    將PSONN-DNN(method1)算法、PSONN-DNN(method2)算法以及SPSONN-DNN算法的全局最優(yōu)粒子坐標(biāo)帶入深度神經(jīng)網(wǎng)絡(luò)中檢驗(yàn)其準(zhǔn)確性。

    圖7表示PSONN-DNN(method1)算法的迭代次數(shù)與訓(xùn)練誤差曲線圖,圖中橫坐標(biāo)表示樣本點(diǎn)的個(gè)數(shù),縱坐標(biāo)表示每個(gè)樣本點(diǎn)的數(shù)值,其中藍(lán)色曲線代表真實(shí)數(shù)據(jù),紅色曲線表示預(yù)測數(shù)據(jù)。計(jì)算可知,MAPE為4.684%,即PSONN-DNN(method1)算法中訓(xùn)練數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的平均絕對百分比誤差為4.684%;MSE為0.2853,表示PSONN-DNN(mothed1)算法中測試數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的均方誤差為0.2853。

    圖8表示PSONN-DNN(method2)算法的迭代次數(shù)與誤差曲線圖,圖中橫坐標(biāo)表示樣本點(diǎn)的個(gè)數(shù),縱坐標(biāo)表示每個(gè)樣本點(diǎn)的數(shù)值,其中藍(lán)色曲線代表真實(shí)數(shù)據(jù),紅色曲線表示預(yù)測數(shù)據(jù)。計(jì)算可知,MAPE為4.633%,表示PSONN-DNN(method2)算法中訓(xùn)練數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的平均絕對百分比誤差為4.633%;MSE為0.2846,表示PSONN-DNN(method2)算法中測試數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的均方誤差為0.2846。

    圖9表示SPSONN-DNN算法的迭代次數(shù)與誤差曲線,圖中橫坐標(biāo)表示樣本點(diǎn)的個(gè)數(shù),縱坐標(biāo)表示每個(gè)樣本點(diǎn)的數(shù)值,其中藍(lán)色曲線代表真實(shí)數(shù)據(jù),紅色曲線表示預(yù)測數(shù)據(jù)。計(jì)算可知,MAPE為4.051%,表示SPSONN-DNN算法中訓(xùn)練數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的平均絕對百分比誤差為4.051%;MSE為0.2647,表示SPSONN-DNN算法中測試數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的均方誤差為0.2647。

    綜上所述,驗(yàn)證了PSONN-DNN(method1)算法、PSONN-DNN(method2)算法以及SPSONN-DNN算法的準(zhǔn)確性。

    由表2、表3可知,SPSONN-DNN算法的預(yù)測精度(MAPE)相比于DNN、線性回歸、極限梯度提升分別提升了1.926%、2.820%、1.500%;并且SPSONN-DNN算法相比于PSONN-DNN(mothed1)算法、PSONN-DNN(mothed2)算法預(yù)測精度(MAPE)分別提升了0.633%、0.582%,迭代次數(shù)分別減少了6次、4次。實(shí)驗(yàn)證明,相比于傳統(tǒng)的方法,SPSONN-DNN算法在用戶電量預(yù)測中預(yù)測精度更高。本文方法在電量預(yù)測中具有普遍的適用性。

    3 結(jié)論

    目前,深度神經(jīng)網(wǎng)絡(luò)應(yīng)用廣泛,但是面對不同領(lǐng)域的數(shù)據(jù)集,深度神經(jīng)網(wǎng)絡(luò)隱藏層神經(jīng)元參數(shù)不確定。針對這一問題,提出改進(jìn)粒子群優(yōu)化神經(jīng)元數(shù)量的深度神經(jīng)網(wǎng)絡(luò)算法對家庭用電進(jìn)行預(yù)測,該算法是將粒子群中的慣性權(quán)重改進(jìn)為隨迭代次數(shù)變化而成正弦變化的變量;同時(shí)在計(jì)算中加入了變異操作,使陷入局部最優(yōu)的粒子跳入其它區(qū)域繼續(xù)尋優(yōu)。通過實(shí)驗(yàn)驗(yàn)證,SPSONN-DNN算法相比于DNN、線性回歸、極限梯度提升方法的預(yù)測精度(MAPE)分別提升了1.926%、2.820%、1.500%,同時(shí)相比于PSONN-DNN(mothed1)算法、PSONN-DNN(mothed2)算法的預(yù)測精度分別提升了0.633%、0.582%,并且迭代次數(shù)分別減少了6次、4次。因此,通過SPSONN-DNN算法可以提高電量的預(yù)測精度,以此來減少發(fā)電量,從而減少能源的浪費(fèi)。

    [ 參 考 文 獻(xiàn) ]

    [1] GYAMFI S, KRUMDIECK S. Scenario analysis of residential demand response at network peak periods[J]. Electric Power Systems Research, 2012, 93(01):32-38.

    [2] KUN XIE, HONG YI, GANGYI HU, et al. Short-term power load forecasting based on Elman neural network with particle swarm optimization[J]. Neurocomputing, 2019, 416(11): 136-142.

    [3] GUNDU V, SIMON S P. PSO-LSTM for short term forecast of heterogeneous time series electricity price signals[J]. Journal of Ambient Intelligence and Humanized Computing, 2020, 12(02): 2375-2385.

    [4] YIN L, SUN Z, GAO F, et al. Deep forest regression for short-term load forecasting of power systems[J]. IEEE Access, 2020, 8:49 090-49 099.

    [5] NIU D, SHI H, LI J, et al. Research on short-term power load time series forecasting model based on BP neural network[C].∥2010 2nd International Conference on Advanced Computer Control, 2010.

    [6] 郭海燕, 李英娜, 李川. 基于模擬退火算法優(yōu)化BP的短期負(fù)荷預(yù)測控制策略[J]. 陜西理工大學(xué)學(xué)報(bào), 2021, 37(01): 36-42.

    [7] YLDZ C, AKGZ H, KORKMAZ D. An improved residual-based convolutional neural network for very short-term wind power forecasting[J]. Energy Conversion and Management, 2021, 28(01): 113731.

    [8] 楊毅, 雷霞, 徐貴陽, 等. 采用PSO-BF算法的微電網(wǎng)多目標(biāo)電能優(yōu)化調(diào)度[J].電力系統(tǒng)保護(hù)與控制, 2014, 42(13): 13-20.

    Research on User Electricity Consumption Prediction Method

    Based on Improved Deep Neural Network

    CAI Xiang1,ZHU Li2

    (1 School of Electrical and Electronic Engineering, Hubei Univ. of Tech.,Wuhan 430068, China;

    2 Hubei Provincial Key Laboratory of Solar Energy Efficient

    Utilization and Energy Storage Operation Control,

    Hubei Univ. of Tech., Wuhan 430068, China)

    Abstract:With the rise of artificial intelligence, researchers have widely used deep neural networks in the field of electric power. However, due to the uncertainty of the parameters of neurons in the hidden layer of deep neural networks, the prediction accuracy of electric power is low, resulting in an imbalance between the supply and demand of electric power and in power redundancy. To this end, we propose the Sin Particle Swarm Optimization Number of Neurons of Deep Neural Networks (SPSONN-DNN) algorithm, which is based on the mutation operation and inertia weight of the particle swarm algorithm improvement, to optimize the parameters of the hidden layer neurons of the deep neural network. The experimental results show that compared with DNN, extreme gradient boosting, linear regression, and the two improved PSONN-DNN algorithms, the prediction accuracy of the SPSONN-DNN algorithm is improved by 1.926%, 2.820%, 1.500%, 0.633%, and 0.582%, respectively; Compared with the two improved PSONN-DNN algorithms, the DNN algorithm reduces the number of iterations by 6 and 4 times, respectively.

    Keywords:power prediction; deep neural network; particle swarm optimization; prediction accuracy

    [責(zé)任編校:張巖芳]

    猜你喜歡
    深度神經(jīng)網(wǎng)絡(luò)粒子群算法
    基于大數(shù)據(jù)網(wǎng)絡(luò)的運(yùn)動(dòng)損傷評估模型研究
    試論基于深度神經(jīng)網(wǎng)絡(luò)的汽車車型識(shí)別問題
    深度神經(jīng)網(wǎng)絡(luò)的發(fā)展現(xiàn)狀
    蟻群算法的運(yùn)用及其優(yōu)化分析
    電力市場交易背景下水電站優(yōu)化調(diào)度研究
    基于粒子群算法的產(chǎn)業(yè)技術(shù)創(chuàng)新生態(tài)系統(tǒng)運(yùn)行穩(wěn)定性組合評價(jià)研究
    預(yù)測(2016年5期)2016-12-26 10:04:59
    基于深度神經(jīng)網(wǎng)絡(luò)的身份識(shí)別研究
    無線傳感器網(wǎng)絡(luò)聯(lián)盟初始結(jié)構(gòu)生成研究
    人工智能與語音識(shí)別技術(shù)
    基于深度學(xué)習(xí)的目標(biāo)反饋?zhàn)R別系統(tǒng)
    毛片一级片免费看久久久久 | 亚洲av日韩精品久久久久久密| 好男人电影高清在线观看| 久久精品91蜜桃| 美女被艹到高潮喷水动态| 日本在线视频免费播放| 如何舔出高潮| 在线免费观看不下载黄p国产 | 一级毛片久久久久久久久女| 精品久久久久久久久av| 国产精品一区二区三区四区久久| 他把我摸到了高潮在线观看| 午夜a级毛片| 国产野战对白在线观看| 国产高清视频在线播放一区| av天堂中文字幕网| 又黄又爽又免费观看的视频| 黄色一级大片看看| 免费无遮挡裸体视频| 国产免费男女视频| 真人做人爱边吃奶动态| 国产精品人妻久久久久久| 久久久久久久亚洲中文字幕 | 日韩成人在线观看一区二区三区| 亚洲国产精品合色在线| 国内精品一区二区在线观看| 99久久九九国产精品国产免费| 熟妇人妻久久中文字幕3abv| 午夜日韩欧美国产| 欧美乱色亚洲激情| 亚洲午夜理论影院| 老司机深夜福利视频在线观看| 欧美日本视频| 亚洲三级黄色毛片| 免费在线观看日本一区| 天堂av国产一区二区熟女人妻| 啦啦啦韩国在线观看视频| 国产精品永久免费网站| 中文字幕人妻熟人妻熟丝袜美| 别揉我奶头 嗯啊视频| 人妻久久中文字幕网| 亚洲av电影不卡..在线观看| 蜜桃亚洲精品一区二区三区| 黄色配什么色好看| 亚洲一区二区三区不卡视频| 国产高清有码在线观看视频| 欧美黄色片欧美黄色片| 色综合亚洲欧美另类图片| 国产精品一及| 五月玫瑰六月丁香| 久久久久久国产a免费观看| 床上黄色一级片| 哪里可以看免费的av片| 亚洲精品粉嫩美女一区| 午夜福利免费观看在线| 欧美日韩乱码在线| 免费人成视频x8x8入口观看| 亚洲av第一区精品v没综合| 免费人成视频x8x8入口观看| 亚洲五月天丁香| 亚洲aⅴ乱码一区二区在线播放| 性色avwww在线观看| 俺也久久电影网| 能在线免费观看的黄片| 99热这里只有是精品在线观看 | 欧美+亚洲+日韩+国产| 人人妻人人澡欧美一区二区| 久久99热这里只有精品18| 婷婷六月久久综合丁香| 亚洲国产欧洲综合997久久,| 十八禁网站免费在线| 久久人人爽人人爽人人片va | www.www免费av| 久9热在线精品视频| 亚洲成a人片在线一区二区| 中文字幕精品亚洲无线码一区| 久久久久性生活片| 99热6这里只有精品| 国产成人aa在线观看| 51国产日韩欧美| aaaaa片日本免费| 国产av一区在线观看免费| 日韩 亚洲 欧美在线| 亚洲精品久久国产高清桃花| av视频在线观看入口| 欧美xxxx黑人xx丫x性爽| 桃红色精品国产亚洲av| 在现免费观看毛片| 国产真实乱freesex| 很黄的视频免费| 欧美3d第一页| 极品教师在线视频| 国产av一区在线观看免费| 夜夜躁狠狠躁天天躁| 久久久久久大精品| 国产高清激情床上av| 九九久久精品国产亚洲av麻豆| 91麻豆精品激情在线观看国产| 国产国拍精品亚洲av在线观看| 亚洲国产欧美人成| 亚洲av电影在线进入| 欧美zozozo另类| 久久午夜福利片| 国产欧美日韩一区二区精品| 夜夜夜夜夜久久久久| 国产亚洲欧美98| 亚洲av不卡在线观看| 日韩欧美在线二视频| 国产精品一区二区免费欧美| 成人精品一区二区免费| 免费无遮挡裸体视频| 亚洲一区二区三区色噜噜| 亚洲乱码一区二区免费版| 搡老岳熟女国产| 精品国产三级普通话版| 美女大奶头视频| 色吧在线观看| 亚洲内射少妇av| 听说在线观看完整版免费高清| 亚洲aⅴ乱码一区二区在线播放| 精品久久久久久久末码| 日韩欧美精品免费久久 | 欧美激情国产日韩精品一区| 国产乱人伦免费视频| 国内精品美女久久久久久| 国产一区二区在线观看日韩| 美女高潮喷水抽搐中文字幕| 国产亚洲欧美在线一区二区| 国产一区二区亚洲精品在线观看| 国产精品精品国产色婷婷| 少妇裸体淫交视频免费看高清| 亚洲七黄色美女视频| 午夜免费激情av| 亚洲国产色片| 成人鲁丝片一二三区免费| 又爽又黄无遮挡网站| 人妻久久中文字幕网| 国产精品一区二区免费欧美| 国产精品野战在线观看| 亚洲国产精品合色在线| 亚洲国产高清在线一区二区三| 欧美成人a在线观看| 国产伦精品一区二区三区视频9| 草草在线视频免费看| 精品久久久久久久久av| 亚洲最大成人av| 最近最新免费中文字幕在线| 一本一本综合久久| 亚洲精品456在线播放app | 亚洲av免费高清在线观看| 美女 人体艺术 gogo| 一级av片app| 国产高清三级在线| 一本综合久久免费| 又黄又爽又免费观看的视频| 精品一区二区三区人妻视频| 国产男靠女视频免费网站| 久久久久久久久久黄片| 97人妻精品一区二区三区麻豆| 午夜福利成人在线免费观看| 午夜福利18| 色噜噜av男人的天堂激情| 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 | 精品乱码久久久久久99久播| 90打野战视频偷拍视频| 女人十人毛片免费观看3o分钟| 精品一区二区三区视频在线| 国内久久婷婷六月综合欲色啪| 亚洲国产日韩欧美精品在线观看| 日本成人三级电影网站| 色哟哟哟哟哟哟| www.色视频.com| 国产一区二区激情短视频| 午夜老司机福利剧场| 麻豆av噜噜一区二区三区| 中文在线观看免费www的网站| 99久久99久久久精品蜜桃| 国产午夜福利久久久久久| 97碰自拍视频| 国产精品免费一区二区三区在线| 色哟哟·www| 日本免费a在线| 别揉我奶头~嗯~啊~动态视频| 国产精品永久免费网站| 可以在线观看毛片的网站| 亚洲午夜理论影院| 国产精品久久久久久久电影| 亚洲成人中文字幕在线播放| 亚洲av成人av| 亚洲精品久久国产高清桃花| 老司机福利观看| 国产亚洲精品综合一区在线观看| 欧美三级亚洲精品| 免费看a级黄色片| 在线免费观看的www视频| 欧美性感艳星| 给我免费播放毛片高清在线观看| 欧洲精品卡2卡3卡4卡5卡区| 丁香六月欧美| 好看av亚洲va欧美ⅴa在| 999久久久精品免费观看国产| 少妇人妻一区二区三区视频| 免费高清视频大片| 51午夜福利影视在线观看| 51国产日韩欧美| 久久久久久久亚洲中文字幕 | 一个人免费在线观看电影| 男人的好看免费观看在线视频| 亚洲人成网站在线播| 国产精品不卡视频一区二区 | 免费搜索国产男女视频| 国产69精品久久久久777片| 欧美一级a爱片免费观看看| 人妻制服诱惑在线中文字幕| 亚洲专区中文字幕在线| 国产主播在线观看一区二区| 我要搜黄色片| 亚洲人成电影免费在线| 观看免费一级毛片| 欧美精品啪啪一区二区三区| 一区二区三区高清视频在线| 最新中文字幕久久久久| 欧美日韩中文字幕国产精品一区二区三区| 一区二区三区四区激情视频 | 欧美成人一区二区免费高清观看| 亚洲国产色片| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 国产乱人伦免费视频| 日韩成人在线观看一区二区三区| 亚洲熟妇熟女久久| 免费搜索国产男女视频| 色视频www国产| 日韩欧美在线乱码| 亚洲精品亚洲一区二区| 变态另类丝袜制服| 亚洲欧美清纯卡通| 亚洲avbb在线观看| 国产免费男女视频| 精品人妻1区二区| 国产一区二区亚洲精品在线观看| 一本久久中文字幕| 亚洲男人的天堂狠狠| 亚洲午夜理论影院| 好男人电影高清在线观看| 亚洲熟妇中文字幕五十中出| 特大巨黑吊av在线直播| 久久国产精品人妻蜜桃| 99久久99久久久精品蜜桃| 日韩欧美 国产精品| 3wmmmm亚洲av在线观看| 床上黄色一级片| a在线观看视频网站| 亚洲男人的天堂狠狠| 国产午夜精品论理片| 村上凉子中文字幕在线| 欧美性猛交╳xxx乱大交人| 无人区码免费观看不卡| 欧美潮喷喷水| 国产一区二区三区视频了| 男女下面进入的视频免费午夜| 亚洲av第一区精品v没综合| 最新在线观看一区二区三区| 国产精品人妻久久久久久| 成人国产一区最新在线观看| 亚洲内射少妇av| 午夜福利视频1000在线观看| 国产精品永久免费网站| 老熟妇乱子伦视频在线观看| 午夜福利18| 男女之事视频高清在线观看| 免费看日本二区| 亚洲欧美日韩东京热| 一区福利在线观看| 精品久久久久久久末码| 国产精品久久电影中文字幕| 成年版毛片免费区| 一区福利在线观看| 天天躁日日操中文字幕| 成人亚洲精品av一区二区| 亚洲,欧美,日韩| 精品久久久久久,| 欧美日韩乱码在线| 成人亚洲精品av一区二区| 又黄又爽又免费观看的视频| 欧美在线黄色| 色精品久久人妻99蜜桃| 亚洲久久久久久中文字幕| 免费无遮挡裸体视频| 男人舔女人下体高潮全视频| 深爱激情五月婷婷| 日韩有码中文字幕| 美女被艹到高潮喷水动态| 日本与韩国留学比较| 中国美女看黄片| 亚洲人成网站高清观看| 午夜两性在线视频| 国产精品日韩av在线免费观看| 国产真实乱freesex| 99国产精品一区二区三区| 中文字幕人成人乱码亚洲影| 久久精品综合一区二区三区| 国产美女午夜福利| 精品久久久久久久久久免费视频| 1000部很黄的大片| 国产精品爽爽va在线观看网站| 99热这里只有是精品在线观看 | 天堂动漫精品| 热99re8久久精品国产| 午夜日韩欧美国产| 亚洲精品日韩av片在线观看| 亚洲七黄色美女视频| 日本三级黄在线观看| 免费av不卡在线播放| 国产精品,欧美在线| 久99久视频精品免费| 免费一级毛片在线播放高清视频| 好男人电影高清在线观看| 嫩草影院精品99| 色视频www国产| 亚洲va日本ⅴa欧美va伊人久久| 中文字幕人成人乱码亚洲影| 欧美xxxx黑人xx丫x性爽| 久久国产精品人妻蜜桃| 亚洲 欧美 日韩 在线 免费| 黄片小视频在线播放| 精品欧美国产一区二区三| 国产亚洲精品综合一区在线观看| 亚洲成人精品中文字幕电影| 最近视频中文字幕2019在线8| 国产单亲对白刺激| 伊人久久精品亚洲午夜| 精品人妻视频免费看| 成人无遮挡网站| 99热这里只有是精品50| 日本黄大片高清| 色哟哟·www| 成年免费大片在线观看| 成人国产综合亚洲| 99久久精品热视频| 免费搜索国产男女视频| 99久久成人亚洲精品观看| 不卡一级毛片| 精品久久国产蜜桃| 国产日本99.免费观看| 好看av亚洲va欧美ⅴa在| 村上凉子中文字幕在线| 性插视频无遮挡在线免费观看| 国内久久婷婷六月综合欲色啪| 全区人妻精品视频| АⅤ资源中文在线天堂| 国产美女午夜福利| 日本熟妇午夜| 99久久精品热视频| 好男人在线观看高清免费视频| 午夜免费男女啪啪视频观看 | 男人的好看免费观看在线视频| 亚洲三级黄色毛片| 人人妻人人澡欧美一区二区| 丝袜美腿在线中文| 直男gayav资源| 国产极品精品免费视频能看的| 九九热线精品视视频播放| 欧美另类亚洲清纯唯美| 国产亚洲精品久久久久久毛片| 亚洲av.av天堂| 欧美日韩福利视频一区二区| 国产成+人综合+亚洲专区| 在线观看一区二区三区| 性插视频无遮挡在线免费观看| 一本精品99久久精品77| 成人国产一区最新在线观看| 精品免费久久久久久久清纯| 丰满人妻熟妇乱又伦精品不卡| 亚洲 欧美 日韩 在线 免费| 免费高清视频大片| 熟女人妻精品中文字幕| 国产精品不卡视频一区二区 | 悠悠久久av| 国产欧美日韩精品亚洲av| 男插女下体视频免费在线播放| 小蜜桃在线观看免费完整版高清| 精华霜和精华液先用哪个| 在线观看午夜福利视频| 亚洲在线观看片| 亚洲真实伦在线观看| 啪啪无遮挡十八禁网站| 日本撒尿小便嘘嘘汇集6| 免费无遮挡裸体视频| 美女黄网站色视频| 久99久视频精品免费| 国产探花极品一区二区| 午夜福利18| 国产精华一区二区三区| 中文资源天堂在线| 久久精品久久久久久噜噜老黄 | 悠悠久久av| 天堂√8在线中文| 美女高潮的动态| 变态另类成人亚洲欧美熟女| 亚洲av成人av| 久久99热6这里只有精品| 亚洲国产精品合色在线| 久久精品久久久久久噜噜老黄 | 国产亚洲精品久久久久久毛片| 琪琪午夜伦伦电影理论片6080| 成人鲁丝片一二三区免费| 国产亚洲精品久久久久久毛片| 欧美性猛交黑人性爽| 精品久久久久久成人av| 欧美+亚洲+日韩+国产| 亚洲黑人精品在线| 精品久久久久久久久久免费视频| 久久欧美精品欧美久久欧美| 亚洲精品影视一区二区三区av| 精品久久久久久久久久免费视频| 日本与韩国留学比较| 91久久精品国产一区二区成人| 脱女人内裤的视频| 一区福利在线观看| 欧美xxxx性猛交bbbb| 女同久久另类99精品国产91| 亚洲熟妇中文字幕五十中出| 美女高潮的动态| 欧美三级亚洲精品| 欧美性猛交╳xxx乱大交人| 尤物成人国产欧美一区二区三区| 午夜福利高清视频| 色播亚洲综合网| 免费观看精品视频网站| 欧美bdsm另类| 一进一出抽搐动态| 成年版毛片免费区| 色综合站精品国产| 欧美激情国产日韩精品一区| 亚洲人成网站在线播| av福利片在线观看| 国产精品自产拍在线观看55亚洲| 蜜桃久久精品国产亚洲av| 日本免费一区二区三区高清不卡| 亚洲五月天丁香| 日日摸夜夜添夜夜添小说| 婷婷色综合大香蕉| 熟女人妻精品中文字幕| 国产黄片美女视频| 国产亚洲欧美在线一区二区| 日本在线视频免费播放| 亚洲av成人不卡在线观看播放网| 一个人观看的视频www高清免费观看| 免费在线观看日本一区| 一区福利在线观看| 欧美乱妇无乱码| 亚洲精品一卡2卡三卡4卡5卡| АⅤ资源中文在线天堂| 中文字幕免费在线视频6| 日韩免费av在线播放| 国产精品女同一区二区软件 | 非洲黑人性xxxx精品又粗又长| 欧美激情国产日韩精品一区| 国产私拍福利视频在线观看| 少妇人妻精品综合一区二区 | 亚洲第一电影网av| 麻豆久久精品国产亚洲av| 69人妻影院| 国产精品人妻久久久久久| 免费电影在线观看免费观看| 欧美黄色淫秽网站| 国产乱人伦免费视频| 免费看美女性在线毛片视频| 久久人妻av系列| 18禁黄网站禁片免费观看直播| 久99久视频精品免费| 日本黄大片高清| 一本久久中文字幕| 国产毛片a区久久久久| 午夜福利免费观看在线| 国产成人a区在线观看| 美女大奶头视频| 国产麻豆成人av免费视频| 麻豆成人av在线观看| 国产一区二区激情短视频| 久久精品国产99精品国产亚洲性色| 我的老师免费观看完整版| 天天躁日日操中文字幕| 亚洲一区二区三区不卡视频| 欧美一区二区国产精品久久精品| 日韩欧美国产在线观看| 午夜影院日韩av| 欧美日韩福利视频一区二区| 99视频精品全部免费 在线| 丝袜美腿在线中文| 一本综合久久免费| 久久久精品欧美日韩精品| 高清在线国产一区| 人人妻人人澡欧美一区二区| 国产真实乱freesex| 精品国产亚洲在线| 嫩草影院入口| 亚洲欧美日韩东京热| 欧美一区二区亚洲| 色5月婷婷丁香| 国产亚洲欧美在线一区二区| 国产探花在线观看一区二区| 黄片小视频在线播放| 亚洲avbb在线观看| 亚洲乱码一区二区免费版| 99热6这里只有精品| 两个人的视频大全免费| 97人妻精品一区二区三区麻豆| 给我免费播放毛片高清在线观看| 国产精品一区二区三区四区免费观看 | www.色视频.com| 国产久久久一区二区三区| 亚洲美女视频黄频| 精品99又大又爽又粗少妇毛片 | www日本黄色视频网| 亚洲一区高清亚洲精品| 国产精品影院久久| 熟女人妻精品中文字幕| 欧美三级亚洲精品| 日韩欧美精品免费久久 | 亚洲av一区综合| 欧美最黄视频在线播放免费| 在线免费观看的www视频| 亚洲第一电影网av| 男女做爰动态图高潮gif福利片| 国产精品亚洲av一区麻豆| ponron亚洲| 国产美女午夜福利| 成人毛片a级毛片在线播放| 国产欧美日韩一区二区精品| 精品一区二区三区视频在线观看免费| 成人无遮挡网站| 欧美日韩综合久久久久久 | 国产高清视频在线观看网站| 欧美成人免费av一区二区三区| 亚洲成人中文字幕在线播放| 美女高潮的动态| 97人妻精品一区二区三区麻豆| 欧美丝袜亚洲另类 | 啦啦啦韩国在线观看视频| 天堂√8在线中文| 亚洲av中文字字幕乱码综合| 国产一区二区在线av高清观看| 老女人水多毛片| 欧美又色又爽又黄视频| 99热这里只有是精品在线观看 | 在线免费观看不下载黄p国产 | 3wmmmm亚洲av在线观看| 久久99热6这里只有精品| 国产男靠女视频免费网站| 国产单亲对白刺激| 午夜福利18| 99久国产av精品| 精品久久久久久久久亚洲 | 人妻久久中文字幕网| 亚洲精品一区av在线观看| 夜夜夜夜夜久久久久| 久久国产乱子免费精品| 久久草成人影院| 国产一区二区在线观看日韩| 色视频www国产| 丁香欧美五月| 内地一区二区视频在线| 国产三级在线视频| 99久国产av精品| 国产高清激情床上av| 国产又黄又爽又无遮挡在线| 丰满人妻一区二区三区视频av| 久久国产精品人妻蜜桃| www.999成人在线观看| 国产在线男女| 国产亚洲欧美在线一区二区| 欧美日本视频| 91在线精品国自产拍蜜月| 一个人看视频在线观看www免费| 国产伦人伦偷精品视频| 国内精品一区二区在线观看| 嫩草影院入口| 国产一级毛片七仙女欲春2| 十八禁人妻一区二区| 成年女人看的毛片在线观看| 一本一本综合久久| 成人av一区二区三区在线看| x7x7x7水蜜桃| 最好的美女福利视频网| 亚洲第一欧美日韩一区二区三区| 18禁黄网站禁片免费观看直播| 精品久久久久久成人av| 久久婷婷人人爽人人干人人爱| 国产精品久久电影中文字幕| 精品一区二区免费观看| 又爽又黄a免费视频| 久久久久久久久中文| 一个人免费在线观看的高清视频| 欧美一级a爱片免费观看看| 天堂动漫精品| 乱码一卡2卡4卡精品| 久久香蕉精品热| 久久九九热精品免费| 亚洲 国产 在线| 首页视频小说图片口味搜索| 欧美在线黄色| 亚洲天堂国产精品一区在线| 久久精品影院6| 中文字幕高清在线视频| 最近视频中文字幕2019在线8| 国产伦一二天堂av在线观看| 亚洲aⅴ乱码一区二区在线播放| 小说图片视频综合网站| 国产真实乱freesex| 国产午夜精品久久久久久一区二区三区 | 午夜免费激情av| 99久久久亚洲精品蜜臀av| 成人鲁丝片一二三区免费|