• <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)
    欧美精品一区二区免费开放| 又粗又硬又长又爽又黄的视频| a级毛片免费高清观看在线播放| 在线观看免费高清a一片| 国产美女午夜福利| 丝袜喷水一区| 女人久久www免费人成看片| 亚洲欧美精品自产自拍| 亚洲av.av天堂| 亚洲国产精品一区三区| 午夜激情福利司机影院| 乱码一卡2卡4卡精品| 国产精品不卡视频一区二区| 两个人的视频大全免费| 色吧在线观看| av国产久精品久网站免费入址| 麻豆精品久久久久久蜜桃| av线在线观看网站| av有码第一页| 亚洲天堂av无毛| 男女边吃奶边做爰视频| 亚洲国产色片| 男人添女人高潮全过程视频| 亚洲电影在线观看av| 日本色播在线视频| 国产精品女同一区二区软件| 狂野欧美激情性bbbbbb| 大又大粗又爽又黄少妇毛片口| 看十八女毛片水多多多| 久久精品久久久久久噜噜老黄| 久久久精品94久久精品| 国产精品99久久99久久久不卡 | 久久久国产欧美日韩av| 国产91av在线免费观看| 亚洲人成网站在线观看播放| 久久久久久久久久久久大奶| 啦啦啦在线观看免费高清www| 美女福利国产在线| 蜜桃久久精品国产亚洲av| 国产精品不卡视频一区二区| 一区二区三区精品91| 一边亲一边摸免费视频| 男人爽女人下面视频在线观看| 亚洲美女搞黄在线观看| 大香蕉久久网| 精品国产乱码久久久久久小说| av天堂久久9| 男人爽女人下面视频在线观看| 十八禁高潮呻吟视频 | 久久久国产一区二区| 搡老乐熟女国产| 在线观看美女被高潮喷水网站| 国产av国产精品国产| 观看美女的网站| 免费观看无遮挡的男女| 插阴视频在线观看视频| 亚洲欧美清纯卡通| av免费观看日本| 国产精品人妻久久久影院| 国产视频首页在线观看| 91精品国产国语对白视频| 亚洲色图综合在线观看| 久久99热这里只频精品6学生| 国产免费一区二区三区四区乱码| 老司机亚洲免费影院| 三级国产精品片| 纯流量卡能插随身wifi吗| 久久久国产欧美日韩av| 熟女av电影| 色94色欧美一区二区| 日韩欧美 国产精品| 如日韩欧美国产精品一区二区三区 | 在线观看免费高清a一片| 欧美xxxx性猛交bbbb| 成年av动漫网址| 亚洲精品乱码久久久v下载方式| 久久99蜜桃精品久久| 一本—道久久a久久精品蜜桃钙片| 美女xxoo啪啪120秒动态图| 男女边吃奶边做爰视频| 毛片一级片免费看久久久久| 日本黄色片子视频| 80岁老熟妇乱子伦牲交| 在线天堂最新版资源| 国产精品成人在线| 各种免费的搞黄视频| av免费观看日本| 久久久久视频综合| 国产男人的电影天堂91| 国产亚洲精品久久久com| 伊人久久国产一区二区| 人人妻人人看人人澡| av.在线天堂| 国产精品偷伦视频观看了| 久久99蜜桃精品久久| 久久人人爽人人爽人人片va| 啦啦啦中文免费视频观看日本| 啦啦啦视频在线资源免费观看| 性色av一级| 免费少妇av软件| 国产伦在线观看视频一区| 最近中文字幕2019免费版| 婷婷色综合大香蕉| 国产精品一区二区在线不卡| 国产免费一区二区三区四区乱码| a级毛色黄片| 又爽又黄a免费视频| 十八禁网站网址无遮挡 | 天堂8中文在线网| 美女cb高潮喷水在线观看| 极品教师在线视频| 免费看不卡的av| 国产av码专区亚洲av| 久久99精品国语久久久| 亚州av有码| 亚洲国产av新网站| 高清不卡的av网站| 日韩 亚洲 欧美在线| 欧美成人午夜免费资源| 赤兔流量卡办理| 欧美日韩一区二区视频在线观看视频在线| av在线观看视频网站免费| 色吧在线观看| 亚洲高清免费不卡视频| 秋霞在线观看毛片| 久久久a久久爽久久v久久| 亚洲无线观看免费| 这个男人来自地球电影免费观看 | 国产精品一区二区在线观看99| 黄色一级大片看看| 观看av在线不卡| 国产国拍精品亚洲av在线观看| 国产高清有码在线观看视频| 99热全是精品| 日韩电影二区| 三级国产精品欧美在线观看| 欧美日韩精品成人综合77777| 啦啦啦在线观看免费高清www| 黄色毛片三级朝国网站 | 精品熟女少妇av免费看| 欧美精品人与动牲交sv欧美| 国产成人精品婷婷| 久久99热这里只频精品6学生| 男人爽女人下面视频在线观看| av线在线观看网站| 精品少妇黑人巨大在线播放| 久久热精品热| 99热网站在线观看| 一级毛片久久久久久久久女| 亚洲精品日本国产第一区| 特大巨黑吊av在线直播| 国产精品久久久久久精品古装| 十八禁网站网址无遮挡 | 99久国产av精品国产电影| 在线观看免费视频网站a站| 国产精品国产三级专区第一集| 91在线精品国自产拍蜜月| 十八禁高潮呻吟视频 | 美女内射精品一级片tv| 又大又黄又爽视频免费| 观看av在线不卡| 日日撸夜夜添| av不卡在线播放| 久热这里只有精品99| 欧美精品一区二区免费开放| 午夜91福利影院| 男人添女人高潮全过程视频| 亚洲真实伦在线观看| 国产成人免费无遮挡视频| tube8黄色片| 亚洲一区二区三区欧美精品| 精品卡一卡二卡四卡免费| 亚洲三级黄色毛片| 精华霜和精华液先用哪个| 好男人视频免费观看在线| 一级av片app| 美女中出高潮动态图| 欧美+日韩+精品| 色94色欧美一区二区| 只有这里有精品99| 99九九在线精品视频 | 久久久久精品久久久久真实原创| 亚洲国产精品成人久久小说| 女人久久www免费人成看片| 亚洲自偷自拍三级| 亚洲国产欧美日韩在线播放 | 亚洲国产色片| 成人免费观看视频高清| 国产精品欧美亚洲77777| 国产精品久久久久久精品古装| 99精国产麻豆久久婷婷| 丰满迷人的少妇在线观看| 亚洲精品国产av蜜桃| 夜夜看夜夜爽夜夜摸| 国产高清国产精品国产三级| 新久久久久国产一级毛片| 天天躁夜夜躁狠狠久久av| 国产综合精华液| 亚洲av在线观看美女高潮| 边亲边吃奶的免费视频| 久久青草综合色| 少妇精品久久久久久久| 国产精品无大码| 99九九在线精品视频 | 日日爽夜夜爽网站| 日韩欧美一区视频在线观看 | 一个人免费看片子| 婷婷色综合大香蕉| 最近的中文字幕免费完整| 久久久久国产网址| 国产亚洲欧美精品永久| 国产精品久久久久久精品古装| 欧美+日韩+精品| 一级,二级,三级黄色视频| 伦精品一区二区三区| 蜜臀久久99精品久久宅男| 观看美女的网站| 九九爱精品视频在线观看| 欧美三级亚洲精品| 黑人高潮一二区| 久久精品夜色国产| 九草在线视频观看| 美女国产视频在线观看| 精品少妇内射三级| 精品人妻一区二区三区麻豆| 国产精品一区二区在线观看99| 一本—道久久a久久精品蜜桃钙片| 亚洲av免费高清在线观看| 男女无遮挡免费网站观看| 自拍偷自拍亚洲精品老妇| av在线播放精品| 九九爱精品视频在线观看| 你懂的网址亚洲精品在线观看| 日韩制服骚丝袜av| 夜夜骑夜夜射夜夜干| 美女中出高潮动态图| 日日啪夜夜撸| 中文字幕av电影在线播放| 少妇精品久久久久久久| 大话2 男鬼变身卡| 亚洲自偷自拍三级| 人妻系列 视频| 色5月婷婷丁香| 亚洲欧美精品专区久久| 久久精品久久精品一区二区三区| 国产在线一区二区三区精| 男女免费视频国产| 欧美少妇被猛烈插入视频| 日本黄色片子视频| av有码第一页| 亚洲美女视频黄频| 午夜免费鲁丝| 国产精品蜜桃在线观看| 午夜福利在线观看免费完整高清在| 26uuu在线亚洲综合色| 麻豆成人午夜福利视频| 欧美区成人在线视频| 美女xxoo啪啪120秒动态图| 久久久久久久亚洲中文字幕| 最新中文字幕久久久久| 妹子高潮喷水视频| 美女大奶头黄色视频| 毛片一级片免费看久久久久| 国产探花极品一区二区| 久久久久人妻精品一区果冻| 久久婷婷青草| 精品午夜福利在线看| 晚上一个人看的免费电影| 国内少妇人妻偷人精品xxx网站| 好男人视频免费观看在线| 中国美白少妇内射xxxbb| 成人国产av品久久久| 综合色丁香网| 80岁老熟妇乱子伦牲交| 中文精品一卡2卡3卡4更新| 久久久久久久大尺度免费视频| 永久免费av网站大全| 久久国产亚洲av麻豆专区| 欧美97在线视频| 草草在线视频免费看| 亚洲精品成人av观看孕妇| 在线天堂最新版资源| 最近中文字幕高清免费大全6| 男女无遮挡免费网站观看| 国产一区二区在线观看av| 国产69精品久久久久777片| 国产精品一区二区性色av| 亚洲欧美日韩卡通动漫| 亚洲久久久国产精品| 免费久久久久久久精品成人欧美视频 | 亚洲精品日韩av片在线观看| 少妇 在线观看| 夜夜看夜夜爽夜夜摸| 啦啦啦视频在线资源免费观看| 中文字幕人妻熟人妻熟丝袜美| 制服丝袜香蕉在线| 久久精品国产鲁丝片午夜精品| 久久精品熟女亚洲av麻豆精品| 国产黄片美女视频| 最近最新中文字幕免费大全7| 国产亚洲精品久久久com| h视频一区二区三区| 自拍偷自拍亚洲精品老妇| 亚洲欧美日韩卡通动漫| 久久久a久久爽久久v久久| 亚洲av欧美aⅴ国产| 在线观看国产h片| 嘟嘟电影网在线观看| 人人妻人人澡人人爽人人夜夜| 美女国产视频在线观看| av女优亚洲男人天堂| 久久av网站| 国产一区二区在线观看av| 精品人妻熟女av久视频| 国产精品.久久久| 国产精品一区二区在线不卡| 97超碰精品成人国产| 一级片'在线观看视频| 国产日韩欧美亚洲二区| 日日撸夜夜添| 久久久a久久爽久久v久久| 极品人妻少妇av视频| 99热这里只有精品一区| 精品国产乱码久久久久久小说| 另类精品久久| 国产真实伦视频高清在线观看| 熟女人妻精品中文字幕| 大话2 男鬼变身卡| 成年人午夜在线观看视频| 美女脱内裤让男人舔精品视频| 国产成人a∨麻豆精品| 看免费成人av毛片| 久久97久久精品| 内射极品少妇av片p| 亚洲国产精品一区三区| 久久久久久久久久成人| 校园人妻丝袜中文字幕| 亚洲欧美日韩东京热| 色视频在线一区二区三区| 日韩成人伦理影院| 国产日韩一区二区三区精品不卡 | 成人综合一区亚洲| 亚洲内射少妇av| 夜夜爽夜夜爽视频| 国产男女内射视频| h视频一区二区三区| 久久久国产一区二区| 久久国产精品男人的天堂亚洲 | 久久精品久久久久久噜噜老黄| 嘟嘟电影网在线观看| 国产真实伦视频高清在线观看| 韩国高清视频一区二区三区| 国产 一区精品| 国产视频内射| 亚洲欧美精品专区久久| 国产精品久久久久久久久免| 国产欧美日韩综合在线一区二区 | 男女边摸边吃奶| 亚洲国产精品成人久久小说| 日韩av不卡免费在线播放| 女性被躁到高潮视频| 亚洲电影在线观看av| 一级毛片我不卡| 久久国产精品大桥未久av | 欧美精品人与动牲交sv欧美| 少妇人妻精品综合一区二区| 汤姆久久久久久久影院中文字幕| 妹子高潮喷水视频| av福利片在线| 九九爱精品视频在线观看| 日韩不卡一区二区三区视频在线| 亚洲国产精品国产精品| 97超视频在线观看视频| 国产高清三级在线| 一边亲一边摸免费视频| 99久久精品一区二区三区| 国产亚洲午夜精品一区二区久久| 人人妻人人看人人澡| 国产高清国产精品国产三级| 秋霞伦理黄片| 国产亚洲欧美精品永久| 中文在线观看免费www的网站| 夜夜爽夜夜爽视频| 国产极品天堂在线| 狂野欧美激情性bbbbbb| 国产精品偷伦视频观看了| 性色av一级| av.在线天堂| 99九九在线精品视频 | 有码 亚洲区| 夜夜爽夜夜爽视频| 国产男女内射视频| 久久精品国产a三级三级三级| 黑丝袜美女国产一区| 丰满迷人的少妇在线观看| 人人妻人人爽人人添夜夜欢视频 | 少妇 在线观看| 精品国产露脸久久av麻豆| 一区二区三区乱码不卡18| 亚洲电影在线观看av| 亚洲色图综合在线观看| 国产高清不卡午夜福利| 免费大片18禁| 99re6热这里在线精品视频| 观看美女的网站| 日本欧美视频一区| 精品一区在线观看国产| 欧美成人午夜免费资源| 国产伦精品一区二区三区视频9| 黑人巨大精品欧美一区二区蜜桃 | 黄色视频在线播放观看不卡| 亚洲av欧美aⅴ国产| 亚洲欧美中文字幕日韩二区| av福利片在线观看| 日韩亚洲欧美综合| 欧美激情国产日韩精品一区| 男男h啪啪无遮挡| 人体艺术视频欧美日本| 日日爽夜夜爽网站| 在线天堂最新版资源| 亚洲国产精品一区三区| 人人妻人人看人人澡| 天堂8中文在线网| 99久久精品一区二区三区| 国产视频首页在线观看| 久久av网站| 多毛熟女@视频| 亚洲国产精品999| 十分钟在线观看高清视频www | 国产精品无大码| 亚洲欧美清纯卡通| 国内少妇人妻偷人精品xxx网站| 丰满少妇做爰视频| 亚洲精品aⅴ在线观看| 一二三四中文在线观看免费高清| 看十八女毛片水多多多| 夜夜骑夜夜射夜夜干| 国内少妇人妻偷人精品xxx网站| 99热6这里只有精品| 亚洲国产精品一区二区三区在线| 国产中年淑女户外野战色| www.av在线官网国产| 99久久综合免费| 插逼视频在线观看| 日日摸夜夜添夜夜爱| 夫妻性生交免费视频一级片| 啦啦啦视频在线资源免费观看| 最近中文字幕2019免费版| 国产亚洲精品久久久com| 黑丝袜美女国产一区| 老司机影院成人| 人人妻人人澡人人爽人人夜夜| 我要看黄色一级片免费的| 亚洲国产精品999| 久久国产亚洲av麻豆专区| 一级毛片黄色毛片免费观看视频| 亚洲高清免费不卡视频| 成人毛片60女人毛片免费| 午夜激情福利司机影院| 中文天堂在线官网| 久久青草综合色| 国产伦在线观看视频一区| 毛片一级片免费看久久久久| 久久久久久久久久成人| 能在线免费看毛片的网站| 国产成人精品久久久久久| 成人无遮挡网站| 国产免费福利视频在线观看| 69精品国产乱码久久久| 成人亚洲精品一区在线观看| 黄色日韩在线| 色吧在线观看| 国产亚洲精品久久久com| 色94色欧美一区二区| 国产欧美另类精品又又久久亚洲欧美| 免费看av在线观看网站| 日韩熟女老妇一区二区性免费视频| 搡老乐熟女国产| 亚洲av综合色区一区| 久久免费观看电影| 日本爱情动作片www.在线观看| 午夜免费男女啪啪视频观看| 街头女战士在线观看网站| 一区二区三区乱码不卡18| 久久精品熟女亚洲av麻豆精品| 精品国产乱码久久久久久小说| tube8黄色片| 狂野欧美激情性xxxx在线观看| 久久久久久久亚洲中文字幕| 18禁在线播放成人免费| 亚洲av二区三区四区| 久久97久久精品| 午夜福利在线观看免费完整高清在| a级毛片免费高清观看在线播放| 久久久久国产网址| 老司机亚洲免费影院| 大话2 男鬼变身卡| 成人二区视频| 99热网站在线观看| 久久久久久人妻| 久久人人爽人人爽人人片va| 久久久久久久国产电影| 大码成人一级视频| 欧美激情国产日韩精品一区| 狂野欧美激情性xxxx在线观看| 女人久久www免费人成看片| 91在线精品国自产拍蜜月| 免费黄频网站在线观看国产| 亚洲精品成人av观看孕妇| 亚洲成人一二三区av| 亚洲欧美精品自产自拍| 亚洲国产精品一区三区| 中国美白少妇内射xxxbb| 欧美日韩精品成人综合77777| 国产亚洲一区二区精品| 国产白丝娇喘喷水9色精品| 国产黄片视频在线免费观看| 亚洲精品国产av蜜桃| 亚洲国产精品999| 99久久精品热视频| 少妇猛男粗大的猛烈进出视频| 国产伦精品一区二区三区四那| 久久热精品热| 在线 av 中文字幕| 国产探花极品一区二区| 我要看日韩黄色一级片| 蜜桃久久精品国产亚洲av| 精华霜和精华液先用哪个| 五月天丁香电影| 人人妻人人澡人人爽人人夜夜| 啦啦啦在线观看免费高清www| 热99国产精品久久久久久7| 国产欧美亚洲国产| 国产男人的电影天堂91| 国产精品麻豆人妻色哟哟久久| 五月伊人婷婷丁香| 狂野欧美激情性bbbbbb| 国产成人精品无人区| av国产精品久久久久影院| 国产精品99久久久久久久久| 午夜激情久久久久久久| 99re6热这里在线精品视频| 精品少妇久久久久久888优播| 亚洲欧美一区二区三区黑人 | 中文字幕免费在线视频6| 亚洲av国产av综合av卡| 三级国产精品片| 丰满人妻一区二区三区视频av| 狂野欧美白嫩少妇大欣赏| 99热国产这里只有精品6| 国产伦精品一区二区三区四那| 免费av中文字幕在线| 人人妻人人澡人人爽人人夜夜| 97精品久久久久久久久久精品| 最新的欧美精品一区二区| 中文字幕人妻熟人妻熟丝袜美| 欧美少妇被猛烈插入视频| 日日摸夜夜添夜夜添av毛片| 夜夜骑夜夜射夜夜干| 国产av精品麻豆| 狂野欧美激情性bbbbbb| 日本vs欧美在线观看视频 | 日本wwww免费看| 免费看不卡的av| 9色porny在线观看| 国产免费福利视频在线观看| 女的被弄到高潮叫床怎么办| 日韩伦理黄色片| 在线观看免费视频网站a站| 男男h啪啪无遮挡| 人人妻人人澡人人爽人人夜夜| 人妻系列 视频| 亚洲精品色激情综合| 国产成人精品一,二区| 亚洲欧美日韩卡通动漫| 午夜福利网站1000一区二区三区| 五月天丁香电影| 视频区图区小说| 久久精品国产亚洲av天美| 亚洲自偷自拍三级| 少妇高潮的动态图| 五月伊人婷婷丁香| 久久精品夜色国产| 久久国产精品男人的天堂亚洲 | 亚洲第一区二区三区不卡| 我的女老师完整版在线观看| 欧美成人午夜免费资源| 亚洲电影在线观看av| 在线 av 中文字幕| 人体艺术视频欧美日本| 免费在线观看成人毛片| 搡女人真爽免费视频火全软件| 一本一本综合久久| 男人舔奶头视频| 能在线免费看毛片的网站| 男人舔奶头视频| 久久久久久久国产电影| 国产 一区精品| 99热这里只有是精品在线观看| 你懂的网址亚洲精品在线观看| 黄色视频在线播放观看不卡| 纵有疾风起免费观看全集完整版| 久久久久国产精品人妻一区二区| 一级毛片黄色毛片免费观看视频| 97精品久久久久久久久久精品| 老女人水多毛片| 两个人的视频大全免费| 国产亚洲最大av| 国产又色又爽无遮挡免| 国产免费一区二区三区四区乱码| 亚洲av日韩在线播放| 国产精品嫩草影院av在线观看| 久久久亚洲精品成人影院| 久久 成人 亚洲| 伊人亚洲综合成人网|