基于SHAP的方法探究淋浴热交换器在非平衡流动条件下的环境与经济性能：一项可行性研究 Sabina Kordana-Obuch 和 Mariusz Starzec

《Energies》：SHAP-Based Insights into Environmental and Economic Performance of a Shower Heat Exchanger Under Unbalanced Flow Conditions: A Feasibility Study Sabina Kordana-Obuch and Mariusz Starzec

【字体：大中小】 时间：2026年04月14日 来源：Energies 3.2

编辑推荐：

　　摘要从灰水中回收热量是提高建筑物能源效率和减少温室气体排放的一种解决方案。特别关注的是利用淋浴水热量的系统，由于其高温和规律性，淋浴水成为了一种有前景的能量来源。然而，决定这种解决方案经济和环境效力的各种参数之间的相互作用尚未得到充分研究。因此，本文旨在

　　摘要从灰水中回收热量是提高建筑物能源效率和减少温室气体排放的一种解决方案。特别关注的是利用淋浴水热量的系统，由于其高温和规律性，淋浴水成为了一种有前景的能量来源。然而，决定这种解决方案经济和环境效力的各种参数之间的相互作用尚未得到充分研究。因此，本文旨在识别影响在不平衡流条件下运行的淋浴热交换器可行性的关键变量，并评估经济效应与环境效应之间的一致性。分析得出的净现值范围从-1381欧元到52,168欧元不等，温室气体减排量介于61公斤二氧化碳当量到37,207公斤二氧化碳当量之间。分析采用了预测建模和SHAP（SHapley Additive exPlanations）方法，该方法可以解释各个变量对预测净现值和潜在温室气体减排量的影响。进行了全局分析以确定变量的相对重要性，并对选定的案例进行了局部分析。结果表明，与淋浴使用相关的操作变量，尤其是淋浴时间和混合水流量，显著影响了两种模型的预测结果。在减排方面，温室气体排放强度及其随时间的变化也有显著影响，而经济效应则取决于系统后续运营年的能源价格。

1. 引言
建筑物，包括住宅建筑，占据了最终能源消耗和温室气体排放的很大一部分。值得注意的是，建筑行业中能源密集度最高的工艺之一是生活热水（DHW）的制备[1]，其加热会产生额外的高成本。与空间加热不同，建筑物的能源需求随着能源标准的提高而系统性地降低[2]，但分配给DHW的能源比例正在成为建筑物能源平衡中越来越重要的组成部分。在高度节能的建筑物中，这一比例甚至可能显著超过其他用途的需求。例如，Hall等人的研究[3]表明，在某些情况下，与水相关的能源使用量可达到每人每天7千瓦时，占家庭能源消耗的50%。因此，基于可再生能源的技术[4]以及能够在终端用户层面减少和回收能源的技术[5,6,7]变得越来越受欢迎。此外，城市中不断增长的能源消耗增加了实现能源效率与热舒适度平衡的需求[8]。这反过来又要求进行详细的分析，以便可靠地评估所提出解决方案的能源、环境和经济效应。
减少DHW能源消耗的一种解决方案是淋浴热交换器（SHE）[9]。在正常运行过程中，灰水中的热能不断流失，其能源潜力未被利用。通过使用SHE，淋浴水中的热能被转移到其他用水中，从而在同一淋浴过程中再次被利用[10]。这是少数不需要改变用户习惯且不影响淋浴系统使用舒适度的措施之一。以往关于评估SHE有效性、确定其经济效率或减少二氧化碳排放的研究[11,12,13]主要依赖于汇总的、简化的指标，缺乏对单个操作和系统参数对分析结果影响的深入分析。同时，大多数研究仅涵盖了平衡流动条件[14]。这意味着即使使用先进的计算工具[15]，分析结论的范围及其实际应用性也明显受限。在安装实践中，也存在在不平衡流动条件下运行的系统[16]。在这种情况下，通过SHE的水流量远低于排水流量，这是因为只向其中一个设备（淋浴混合阀（SMV）或DHW加热器）供应预热水，而另一个设备则供应冷水。尽管与平衡流动情况相比，热能回收的可能性有限，但这种解决方案仍被用来简化液压系统或适应现有的DHW制备系统，在这些系统中无法同时向两个设备供水或技术上不合理。
尽管关于SHE的出版物越来越多，但它们在不平衡流动条件下的运行情况仍然知之甚少，它们对关键环境和经济指标的影响经常被忽视、简化，有时甚至被忽略。依赖在安装实践中通常无法实现的平衡流动条件，会导致对所实现的能源和经济效应的系统性高估。此外，常用的分析方法很少能够清晰地识别决定环境和经济效益的参数，从而限制了它们在淋浴热回收系统设计阶段和实施这类技术支持措施时的实用性。
为应对这些限制，本文采用了一种方法，旨在系统地、定量地分解输入变量在接近实际条件下的环境和经济效应影响，主要目标是分析在不平衡流动条件下运行的SHE的变量对预期温室气体减排（RGHG）和投资净现值（NPV）经济效率的影响。该研究的创新之处在于基于一组部分共同的输入变量，对这两个维度采取了并行、一致的方法，并识别了现有文献中较少关注的经济和环境最优性之间的潜在差异。分析针对的是一种假设仅向淋浴混合阀供应预热水的系统配置。这一选择是基于其在安装实践中的广泛应用以及对现有DHW加热系统的干扰较小。选择垂直热交换器作为研究对象，是因为它在安装实践中占主导地位，且与水平SHE相比具有更优的热传递参数[17]。此外，现有文献中对这种淋浴热回收系统配置的分析主要集中在水平热交换器上[18]，而尽管垂直单元在实践中被广泛使用，但研究仍然相对不足。
分析中使用了可解释的机器学习方法和SHAP分析，这使得能够透明地识别和量化各个输入变量对分析结果的影响。为两个因变量（RGHG、NPV）分别使用不同的模型，从而识别决定它们变异性的关键参数，评估环境和经济效应之间的一致性，并识别塑造这些效应的机制中的潜在差异。这种方法代表了当前知识的重要扩展，提供了支持设计优化和支持在实际情况中实施热回收技术的政策制定的工具。
这里描述的研究是对在不同流动条件下垂直淋浴热交换器能源效率进行分析的延续，其结果已在[19]中描述。本文的范围包括：
- 评估在仅向SMV供应预热水的配置中使用垂直淋浴热交换器的经济效率。
- 在类似运行条件下估计潜在的温室气体减排量。
- 开发极端梯度提升（XGBoost）模型来预测NPV和RGHG。
- 评估单个输入变量对预期NPV和预测温室气体减排量的影响。

2. 材料与方法
2.1. 环境与经济分析
2.1.1. 评估不平衡流动条件下淋浴热交换器的性能
分析包括对一种长度为1.68米、内径为50毫米的垂直“管中管”SHE的性能评估。该单元的详细描述以及测量设备的描述可以在[19]中找到。垂直淋浴热交换器是商业上可获得的单元，用于住宅建筑。由于需要满足特定的安装要求，尤其是需要将它们安装在污水系统的垂直部分，因此在新设计的建筑中更容易应用，因为这样可以提供足够的安装空间。如果不在建筑设计中考虑垂直SHE，可能需要对现有设施进行更为复杂的改造，特别是在向DHW加热器供应预热水的系统中。在某些情况下，安装垂直热交换器甚至可能不可能实现。
根据图1中标记为绿色的输入数据集，进行了一系列实验研究以确定预热水温度（Tpw）（图2）。这些研究针对的是仅向淋浴混合阀供应预热水的系统配置（图3）。实际上，这种配置通常用于难以干扰现有生活热水系统或需要大规模资本支出的设施中。应该注意的是，所考虑的热回收系统配置对现有内部水和污水系统的干扰最小，在水力方面也较为简单，因此更容易在现有建筑的改造项目中实施。在现有的DHW系统中，干扰液压系统的可能性通常有限，因此预热水只能供应到内部系统的选定点。由于SHE位于淋浴下方，这通常意味着只有淋浴混合阀（SMV）可以接收预热水。这种预热水管道的布置导致了热交换器中的不平衡流动条件。还应该注意的是，确保平衡流动的配置需要对水和污水系统进行更复杂的改造，这涉及购买额外的管道、配件，并且经常需要对建筑结构进行干预。这反过来显著增加了投资成本。因此，以不平衡流动条件为特征的解决方案代表了能源效率与排水热回收系统可行性之间的实际折中。这证明了对其进行分析的合理性，因为它代表了广泛的实际应用场景。在这种条件下，热水流量显著低于排水流量，这是因为只有部分用于淋浴的水流通过热交换器。因此，该单元的温度效率高于在平衡流动条件下运行时的效率。然而，在这种条件下，热传递率会降低[19]，从而影响经济和环境效果。
图1. 输入参数及其假设值以及相应的输出参数（GHG—温室气体；DHW—生活热水）。
图2. 研究阶段。颜色和标识与图1一致。
图3. 淋浴排水热回收系统：(a) 系统配置图；(b) 安装有热交换器的研究平台；红色框标示了研究的单元（1—流量计；2—截止阀；3—生活热水加热器；4—温度传感器；5—数据记录器；6—淋浴混合阀；7—淋浴托盘；8—淋浴头；9—淋浴热交换器；10—排水管；SHE—淋浴热交换器）。
对于假设的输入变量范围，通过垂直SHE的水流量占排水流量的百分之几十。其值是根据系统中各部分的假设介质温度和混合水流量（q）得出的。测试持续了12个月，以反映冷水温度的年度变化。其余参数相应调整以表示不同的输入变量组合。因此，虽然将淋浴头处的混合水流量视为独立变量，但SHE中水流量与排水流量的比率并未作为单独的独立参数进行分析。不平衡流动条件是由于采用的熱力和水力假设造成的。
从不同输入参数组合的实验中获得了总共256个预热水温度（Tpw）值。这些数据，连同冷水（Tcw）和热水（Thw）的温度以及混合水的流量（q），构成了进一步计算的基础，这些计算是在十五年的时间范围内进行的。通过从淋浴水中回收热量所实现的年度节能量（Py）是通过比较不安装热交换器的建筑与安装了SHE（Heat Exchange System）的建筑的能耗差异来计算的。在分析过程中，假设使用电热水器（DHW heater）来加热水，因为正如Ali等人[20]所指出的，这是最有利的选择。淋浴混合阀的热水流量是根据热平衡方程确定的。对于DHW加热器的效率（η）和每日淋浴时间（ls），假设了三个代表性的数值（在图1中用粉色标出），以便考虑各种建筑运行情况。这种方法使得能够映射出不同的家庭淋浴使用条件及其导致的年度热水加热能耗。因此，分析包括了2304种减少淋浴水加热能耗的方案。例如，图4显示了在假设淋浴时间最不利的条件下（即ls = 15分钟）获得的256个年度节能量减少值的分布。结果对应于DHW加热器效率为95%的情况。图4. 安装SHE后年度节能量的分布（ls = 15分钟，η = 95%）：(a) 直方图；(b) 箱形图。

2.1.2 净现值
涉及在现有住宅建筑中安装SHE的项目的财务效率是基于净现值（NPV）来确定的。该指标可以通过项目产生的折现现金流与投资支出之间的差额来计算，如公式（1）所示：
$$NPV = \sum_{n=1}^{T} C_e^0 \cdot (1 + i^e)^t (1 + r)^t - I_NV_0$$
其中NPV是净现值（单位：欧元）；Py是由于安装SHE而实现的年度节能量（单位：千瓦时）；$C_e^0$是初始电价（单位：欧元/千瓦时）；$i^e$是年电价变化率；$r$是折现率；$T$是SHE的运行年数；$I_NV_0$是初始投资支出（单位：欧元）。
在所考虑的情况下，正的现金流代表了由于热水加热能耗减少而节省的成本。这一指标在投资盈利能力评估中是一个常用的指标，因为它考虑了货币的时间价值，并能够清楚地判断一项投资是否具有财务效益。因此，NPV被广泛用于评估住宅建筑中实施环保技术的情况[21]，包括那些旨在提高能源效率的技术[22]。
除了系统的关键技术参数（如流量和介质温度、系统运行时间以及DHW加热器的效率）之外，分析还考虑了对财务效益有显著影响的额外变量。这些变量的假设值在图1中用蓝色标出。在每种情况下，考虑了三个初始电价（$C_e^0$）、年电价变化率（$i^e$）、初始投资支出（$I_NV_0$）和折现率（$r$）的值。因此，财务分析基于186,624种不同的热水加热能耗和多种经济假设的情况。
初始电价（$C_e^0$）是根据欧盟（EU）国家的Eurostat数据假设的[23]。这些数据涵盖了年能耗在2500到5000千瓦时之间的家庭。根据这些数据[23]，2025年上半年电价最高的是德国（$C_e = 0.3835$欧元/千瓦时），最低的是匈牙利（$C_e = 0.1040$欧元/千瓦时）。基于近年来的数据[24]，还分析了各国年电价的动态变化，并假设了年电价的百分比变化（$i^e$）。为了避免季节性影响，未分析短期内的剧烈价格波动。某些国家在个别年份出现的短期价格跳跃也被忽略了。这种跳跃是偶然的，因此不能作为多年预测的可靠依据。初始投资支出（$I_NV_0$），包括SHE的购买和安装费用，是考虑到各种所需的安装工作来估算的。值得注意的是，所考虑的热回收系统配置比那些涉及预热供水到DHW加热器的配置具有更低的水力复杂性，因此可能比更复杂的系统具有更低的投资支出。采用的$I_NV_0$值范围考虑了由于安装条件、位置以及设备和劳动力市场价格差异造成的成本变化。采用的折现率（$r$）值反映了欧盟各国之间这一参数的变化[25]。分析采用了基于实际利率解释的折现率方法。考虑了接近一些欧盟国家观察到的最低r水平的值，反映了整体下降趋势，同时也考虑了对应于更保守投资者假设的较高折现率。这种方法允许将经济不确定性纳入分析中，并提高了结果的普遍性，无论 adopted 的电价变化情景如何。

2.1.3 温室气体排放减少
温室气体排放的减少是基于使用SHE所预测的能源消耗减少量（Py）和电力生成的温室气体排放强度（eGHG）来估计的，如公式（2）所示：
$$R_{GHG} = \sum_{n=1}^{T} C_e \cdot e_{GHG} \cdot (1 + i^g)^t$$
其中$R_{GHG}$是温室气体减排量（单位：千克二氧化碳当量）；$e_{GHG}$是电力生成的温室气体排放强度（单位：千克二氧化碳当量/千瓦时）；$i^g$是年$e_{GHG}$值的变化（研究仅包括负值）。
对于$e_{GHG}$和$i^g$，考虑了三个输入变量的值，从而基于20,736个模型案例分析了温室气体减排量。与初始电价（$C_e^0$类似，初始$e_{GHG}$值是根据各个欧盟国家的当前数据假设的[26]。根据欧洲环境署[26]的数据，2024年瑞典的$e_{GHG}$值最低（$e_{GHG} = 0.007$千克二氧化碳当量/千瓦时），而爱沙尼亚的最高（$e_{GHG} = 0.585$千克二氧化碳当量/千瓦时）。此外，还分析了近年来这一参数的变化动态[26]，并据此假设了电力生成温室气体排放强度（$i^g$）的年度变化。尽管近年来一些欧盟国家的$e_{GHG}$值有所增加，但假设这一变量具有长期下降趋势。因此，所有假设的$i^g$值都是负数（图1）。这是由于能源行业的持续去碳化、可再生能源在电力生产中的份额增加以及气候政策的收紧。假定的长期下降趋势使得对垂直SHEs未来环境影响的评估更加现实。

2.2 预测模型及其解释
2.2.1 极端梯度提升（eXtreme Gradient Boosting）
在当代研究中使用了许多机器学习模型[27,28]，这同样适用于环境和经济分析。流行的模型包括极端梯度提升（XGBoost），它既可用于预测二氧化碳排放[29]，也可用于财务风险分析[30]。它还用于预测热交换器的热液压特性[31]，包括SHEs[32]。作者之前的研究[19]也表明，使用XGBoost模型可以获得比其他机器学习模型更有利的模型拟合指标值。本分析使用了XGBoost 2.1.2版本。
XGBoost是一种基于决策树梯度提升的集成学习算法，其中依次构建多个树以最小化预定义的损失函数。每个后续树都被训练来减少前一个模型的残差误差，从而使算法能够捕捉变量之间的复杂非线性关系。除了损失函数外，XGBoost还包括一个正则化项，用于惩罚模型复杂性，从而提高泛化能力并减少过拟合的风险。最终预测结果是所有单个树贡献的总和。XGBoost方法允许建模复杂的非线性关系和变量之间的相互作用，使其成为分析经济和环境过程的合适工具。它的另一个优点是具有高预测准确性和对不同输入数据规模的鲁棒性，在考虑水力和技术参数以及经济和环境参数时这一点尤为重要[33]。作为研究的一部分，开发了两个预测模型，以并行评估财务效应和环境效应。第一个模型基于十个输入变量，预测了在不平衡流量条件下安装SHE的项目的净现值。这有助于识别影响其财务可行性的关键因素。第二个模型用于预测15年时间范围内的温室气体排放累积减少量，从而评估SHE安装带来的长期环境效应。在这种情况下，模型基于八个输入变量。
SHAP（Shapley Additive Explanations）方法被用来解释模型并确定单个独立变量对预测结果的影响[34]。该方法能够定量评估单个变量的重要性，并确定它们对模型结果的影响方向和强度。这有助于更好地理解影响项目财务效率及其环境影响的机制。

2.2.2 SHAP分析
SHAP（Shapley Additive Explanations）方法基于来自合作博弈论的Shapley值。对于给定的观测值，模型预测可以表示为：
$$f(x) = \phi_0 + \sum_{i=1}^{m} \phi_i x_i$$
其中$\phi_0$是基准值，$\phi_i$表示第i个特征对预测的贡献。这种公式允许将预测分解为各个输入变量的效应，并确保无论变量规模如何都能进行可比的解释[35]。SHAP分析为每个观测值和整个模型的预测结果分配了每个变量的贡献[35]。在局部分析中，检查了单个预测的SHAP值分布，以确定各个特征的影响方向和强度。本文展示了代表每个模型的三个观测结果的此类分析结果。在每种情况下，正的SHAP值表示模型预测值的增加，而负值表示减少。另一方面，全局分析基于每个变量的平均绝对SHAP值，从而确定其总体重要性。这两种分析的结果在文中以图表的形式呈现。

3. 结果
3.1 财务分析
3.1.1 净现值计算结果
对186,624种输入变量组合的分析表明，在研究的范围内，它们的NPV介于-1381欧元至52,168欧元之间（图5）。大约有24,000个组合获得了负值，占总组合的不到13%。平均NPV达到了4317欧元，中位数为2445欧元，表明结果分布呈现右侧偏态。在这种情况下，偏度值为2.30。与最大值相比，大多数结果相对较低（几乎75%的结果落在0至10,000欧元的范围内）。然而，有一组输入变量组合的NPV达到了非常高的数值，达到数万欧元的数量级。在分析NPV分布时，还可以看到25%的结果超过了5995欧元。相同比例的结果低于672欧元，这意味着四分位数区间接近5500欧元。这表明结果存在显著的变异性，以及项目的高经济不确定性，这是由于NPV对采用模型假设的高度敏感性所致。较低四分位数的相对较低值表明，在许多情景下，项目仅产生少量正现金流。较高的上四分位数则表明在有利条件下有可能获得非常有利的结果。这证实了该项目的盈利能力具有不对称性，高风险情景占主导地位，而虽然数量较少，但存在一些非常有利的情况。图5显示了净现值分布：(a)直方图；(b)箱线图。上述观察结果也得到了kurtosis值为7.4的验证。其高值表明分布具有明显的 leptokurtic 特征，即观测值集中在中心值附近，同时存在大量异常值。高kurtosis结合右侧偏态意味着低概率、高回报的情况，大多数情景产生中等结果，但存在一定概率出现非常大的正偏差，这应在决策分析中予以考虑。如前所述，净现值分布观察到的高变异性、右侧不对称性和 leptokurtic 特征表明，项目的盈利能力在很大程度上取决于特定输入变量组合的存在。这种分布结构表明模型对输入变量变化的敏感性是非线性的且可能存在异质性，这使得识别关键风险因素变得复杂。非线性和极端值使得使用 SHAP 等可解释性方法变得必要。为此，开发了 XGBoost 模型。该模型为后续研究中的 SHAP 分析奠定了基础，从而能够识别出最显著影响净现值并导致极端情况的变量。

3.1.2 SHAP 分析结果
XGBoost 模型旨在模拟输入变量与净现值 (NPV) 之间的关系。输入数据被分为三个数据集（训练集、验证集和测试集），比例为 70/15/15，每个样本仅出现在一个数据集中，避免了数据泄露的风险。使用标准模型拟合指标（即决定系数 R2、均方根误差 RMSE 和平均绝对误差 MAE）[36] 对模型进行了评估。选定模型的指标值总结在表 1 中。表 1 显示了 NPV 预测的模型拟合指标。RMSE 和 MAE 以欧元为单位报告。结果表明，该模型对 NPV 预测任务的拟合度非常好，预测范围从 ?€1381 到 €52,168（图 6）。决定系数 R2 在所有数据集中都达到了几乎相同的非常高的值（0.999），表明模型具有良好的泛化能力。然而，如此高的决定系数值也可能表明模型存在过拟合或数据泄露的风险。但在本研究中，这主要是由于输入数据的性质决定的。净现值是基于所采用的方程式得出的确定性关系计算得出的。因此，XGBoost 模型再现了现有的数学关系，从而实现了非常高的预测准确性。接近 1 的 R2 结果也可能是因为输出变量值的范围广，而相对较小的预测误差所致。图 6 显示了预测值与实际观察值的对比：(a) 训练集；(b) 验证集；(c) 测试集。模型的高质量以及在保持 realistic 误差估计的同时，还通过平均绝对误差和均方根误差的值得到了证实，这些误差值相对于预测的净现值范围来说保持在较低水平。这表明模型在整个净现值范围内都具有较高的预测准确性，因为相对于训练集，验证集和测试集上的 RMSE 和 MAE 有一定程度的增加是预期之中的。这些结果表明模型具有有效的泛化能力，高 R2 并不是由数据泄露或过拟合引起的。

为了识别决定投资财务盈利能力（表现为 NPV）的关键变量，使用 SHAP 分析对模型的可解释性进行了分析。预测值可以解释为基线值与所有独立变量贡献之和，这些贡献通过它们的 SHAP 值来表示。如图 7 所示，模型的基线值为 €4322，这意味着各个输入变量使 NPV 预测值相对于这个参考水平发生了变化。这种变化的方向由各个参数的值决定。图 7 展示了预测净现值的 SHAP 分析（标记与图 1 相同）。全局分析显示，淋浴长度 (ls) 对 NPV 的影响最大，其平均绝对 SHAP 值超过 €2200。这一结果证实了安装使用时长直接影响节能量，进而影响项目产生的正能量流。第二重要的变量是初始能源价格 (Ce0)。然而，需要注意的是，该变量的平均 |SHAP 值仅比 ls 低 €87，表明这两个变量对分析结果都非常关键。考虑到电价百分比变化 (ie) 的重要性排名第三，可以假设长期市场条件，通过预测的能源价格动态反映出来，可能会显著影响投资的经济效益。混合水流量 (q) 对净现值的影响略小，其平均绝对 SHAP 值约为 €1500。特征层次结构表明，项目的财务效率主要由与淋浴使用强度相关的运营变量和经济条件决定。

进一步的条形图分析显示，其余输入变量的重要性显著较低，平均 |SHAP 值在任何情况下都不超过 €1000。对于冷水温度 (Tcw)、折现率 (r) 和排水水温度 (Tdw)，平均绝对 SHAP 值高于 €700。而对于其他变量，如初始投资支出 (INV0)、生活热水温度 (Thw) 和 DHW 加热器效率 (η)，平均 |SHAP 值则不超过 €350。因此，重要性层次结构证明，在不平衡流动条件下运行的 vertical SHE 中，运营和市场因素比技术参数（如安装中的主要热源效率）更为重要。Beeswarm 图分析使我们能够解释各个变量相对于基线值 (€4322) 的影响方向。对于淋浴长度、初始电价及其增长率，随着这些变量值的增加，NPV 也增加，这从图 7 中红色点的位置可以看出，这些点位于基线值右侧。混合水流量、排水水温和 DHW 温度的变化也有类似的影响，增加它们的值会导致预测投资盈利能力的提升，这是因为它们具有更大的能源回收潜力和更高的财务节省。对于冷水温度、折现率和 DHW 加热器效率，较低的值（蓝色点）与较高的 NPV 相关联，表明增加这些变量会对结果产生负面影响。较高的冷水温度会减少供暖需求，从而降低潜在的节省效果；较高的折现率会减少未来的现金流，从而降低 NPV。相反，较高的 DHW 加热器效率会减少参考变体与不平衡流动条件变体之间的能耗差异，限制了使用换热器的效益。

3.2 环境分析
3.2.1 温室气体减排计算结果
对建筑物内淋浴系统运行的 20,736 种情景进行分析后发现，在不平衡流动条件下安装垂直淋浴换热器可以将 15 年内的温室气体排放量减少多达 37,207 公斤二氧化碳当量 (kgCO2e)（图 8）。然而，需要注意的是，减排潜力取决于国家能源结构和未来几年的脱碳情景。欧盟国家的平均 RGHG 值为 4185 kgCO2e，而中位数为 2405 kgCO2e。另一方面，假设最低的输入温室气体排放强度 (eGHG) 和随后几年内该变量的最大减排量 (ig)，最低 RGHG 值仅为 61 kgCO2e。均值与中位数的比率本身表明结果分布高度不对称，这一点通过正偏度 2.1 和较高的 kurtosis 5.9 得到证实。这表明在大多数情景中，预计的减排量是适中的，而在少数情况下，尤其是在高排放国家，会出现非常高的异常值，显著抬高了平均值。因此，在这种情况下，非线性和极端值的使用也证明了模型可解释性方法的合理性。然而，尽管 RGHG 分布明显不对称，NPV 分布的偏度和 kurtosis 更高，这很可能是由于能源价格随时间的显著上涨所致。图 8 显示了预计的温室气体减排分布：(a) 直方图；(b) 箱线图。进一步的统计分析进一步证实了环境效应的实际规模的不确定性很大。四分位数范围超过 4800 kgCO2e。四分之一的结果低于 958 kgCO2e，75% 的 RGHG 值未达到 5768 kgCO2e，这个值仅代表了潜在最大温室气体减排量的 18% 以下。因此，这些结果对淋浴热回收技术的环境效益评估有重要影响。仅依赖平均 RGHG 值可能会导致在低排放能源系统的国家高估预期的环境效益。

3.2.2 SHAP 分析结果
为了进一步分析在不平衡流动条件下使用垂直淋浴换热器 (vertical SHE) 时的温室气体减排，开发了一个基于 XGBoost 算法的预测模型，并使用 SHAP 进行了可解释性分析。与财务分析类似，该模型的主要目标是识别各个输入变量的相对重要性及其对 RGHG 值的影响方向。这种方法有助于识别在不同国家和能源转型情景下影响 SHE 环境性能的关键参数。结果表明，该模型提供了支持对获得的温室气体减排结果进行解释以及制定气候和能源政策建议的工具。与净现值分析类似，输入数据也被分为 70/15/15 以防止数据泄露。表 2 中总结了模型拟合指标，表明模型能够很好地再现分析中的关系。图 9 也证实了这一点。决定系数 0.999 表明模型能够很好地解释数据变异性，并且没有显著过拟合，因为所有数据集（包括未用于训练过程的数据集）都具有很高的预测准确性。然而，值得注意的是，在 RGHG 预测中，XGBoost 模型也再现了现有的数学关系。模型的高质量也通过 RMSE 和 MAE 值得到证实，与分析的数千公斤二氧化碳当量 (kgCO2e) 的范围相比，这些数值相对较低。因此，使用该模型作为进行 SHAP 分析的可靠基础是完全合理的。表 2 显示了 RGHG 预测的模型拟合指标。图 9 显示了预测值与实际观察值的对比：(a) 训练集；(b) 验证集；(c) 测试集。全局 SHAP 分析（图 10）清楚地表明，决定通过使用垂直淋浴换热器减少温室气体排放的关键因素是 eGHG，其平均绝对 SHAP 值接近 2500 kgCO2e。因此，该变量对解释 XGBoost 模型的变异性贡献最大，进一步证实了以前关于国家能源结构对 SHE 环境性能重要性的结论。降低能源来源的碳强度相当于限制每单位回收热能的减排潜力，导致不同能源结构国家之间的效果存在显著差异。Beeswarm 图分析详细解释了各个输入变量对基础值（€4322）影响的方向。对于淋浴长度、初始电价及其增长率，随着这些变量值的增加，NPV 也增加，这一点从图 7 中红色点的位置可以看出来。混合水流量、排水水温和 DHW 温度的变化也有类似的影响，增加它们的值会导致预测投资盈利能力的提升，因为它们具有更大的能源回收潜力和更高的财务节省。

对于冷水温度、折现率和 DHW 加热器效率，较低的值（蓝色点）与较高的 NPV 相关联，表明增加这些变量会对结果产生负面影响。较高的冷水温度会减少供暖需求，从而降低潜在的节省效果；较高的折现率会减少未来的现金流，从而降低 NPV。另一方面，较高的 DHW 加热器效率会减少参考变体与不平衡流动条件变体之间的能耗差异，限制了使用换热器的效益。

3.2.2.1 温室气体减排计算结果
对建筑物内淋浴系统运行的 20,736 种情景进行分析后发现，在不平衡流动条件下安装垂直淋浴换热器可将 15 年内的温室气体排放量减少多达 37,207 公斤二氧化碳当量 (kgCO2e)（图 8）。然而，需要注意的是，减排潜力取决于国家能源结构和未来几年的脱碳情景。欧盟国家的平均 RGHG 值为 4185 kgCO2e，而中位数为 2405 kgCO2e。另一方面，假设最低的输入温室气体排放强度 (eGHG) 和随后几年内该变量的最大减排量 (ig) 时，最低 RGHG 值仅为 61 kgCO2e。均值与中位数的比率本身表明结果分布高度不对称，这一点通过正偏度 2.1 和较高的 kurtosis 5.9 得到证实。这表明在大多数情况下，预计的减排量是适中的，而在少数情况下，尤其是高排放国家，会出现非常高的异常值，显著抬高了平均值。因此，在这种情况下，非线性和极端值的使用也证明了模型可解释性方法的合理性。然而，尽管 RGHG 分布明显不对称，NPV 分布的偏度和 kurtosis 更高，这很可能是由于能源价格随时间的显著上涨所致。图 8 显示了预计温室气体减排的分布：(a) 直方图；(b) 箱线图。进一步的统计分析进一步证实了环境效应实际规模的不确定性很大。四分位数范围超过 4800 kgCO2e。四分之一的结果低于 958 kgCO2e，75% 的 RGHG 值未达到 5768 kgCO2e，这个值仅代表了潜在最大温室气体减排量的 18% 以下。因此，这些结果对淋浴热回收技术的环境效益评估有重要影响。仅依赖平均 RGHG 值可能会导致在低排放能源系统的国家高估预期的环境效益。

3.2.2.2 SHAP 分析结果
为了进一步分析在不平衡流动条件下使用垂直淋浴换热器 (vertical SHE) 的温室气体减排情况，开发了一个基于 XGBoost 算法的预测模型，并使用 SHAP 进行了可解释性分析。与财务分析类似，该模型的主要目标是识别各个输入变量的相对重要性及其对 RGHG 值的影响方向。这种方法有助于识别在不同国家和能源转型情景下影响 SHE 环境性能的关键参数。结果表明，该模型为解释温室气体减排结果和制定气候及能源政策建议提供了支持。与净现值分析类似，输入数据也被分为 70/15/15 以防止数据泄露。表 2 中总结的模型拟合指标表明模型能够很好地再现分析中的关系。图 9 也证实了这一点。决定系数 0.999 表明模型能够很好地解释数据变异性，并且所有数据集（包括未用于训练过程的数据集）都没有显著过拟合。然而，值得注意的是，XGBoost 模型也再现了现有的数学关系。模型的高质量还通过 RMSE 和 MAE 值得到证实，这些值相对于分析的数千公斤二氧化碳当量 (kgCO2e) 的范围来说相对较低。因此，可以使用该模型作为进行 SHAP 分析的可靠基础。表 2 显示了 RGHG 预测的模型拟合指标。图 9 显示了预测值与实际观察值的对比：(a) 训练集；(b) 验证集；(c) 测试集。全局 SHAP 分析（图 10）清楚地表明，通过使用垂直淋浴换热器减少温室气体排放的关键因素是 eGHG，其平均绝对 SHAP 值接近 2500 kgCO2e。因此，该变量对解释 XGBoost 模型的变异性贡献最大，进一步证实了国家能源结构对 SHE 环境性能重要性的结论。降低能源来源的碳强度相当于限制每单位回收热能的减排潜力，导致不同能源结构国家之间的效果存在显著差异。这一点通过 BeeSwarm 图分析得到证实，该分析允许详细解释各个输入变量对基线值（3804 kgCO2e）偏离的影响方向和规模。在温室气体排放强度的情况下，这一范围最为广泛。个别观测值的绝对 SHAP 值接近 10,000 kgCO2e，无论是负值还是正值。这一广泛的范围表明，该变量可以根据当地条件显著增加或减少相对于基准值的预测温室气体减排量（RGHG）。高SHAP值的存在（在基准值右侧用红色标记）表明，能源系统的高排放强度显著增强了在流量不平衡条件下运行的垂直热回收系统（SHE）的减排效果。图10显示了对预测温室气体减排量的SHAP分析（标记方式如图1所示）。第二重要的因素是淋浴时长（ls），它直接影响用水量，从而影响可回收能源的数量。然而，在这种情况下，平均|SHAP值|大约低35%。这一结果表明，用户习惯可能与技术因素同样重要，突显了在分析减少热水加热能源消耗的项目时，消费模式的重要性。接下来是年度温室气体排放强度的变化（ig），基本上是这一指标的降低，以及混合水流速率（q）。在这两种情况下，平均|SHAP值|都超过了1000千克二氧化碳当量。这表明，能源转型动态和建筑安装的液压参数显著影响了长期减排潜力。还应注意的是，这三个因素对RGHG预测结果的影响方向与温室气体排放强度相似，尽管单个观测值的SHAP值范围显著较小。延长淋浴时长或增加淋浴头处的混合水流速率会导致用水量增加，从而增加可回收的热能，进而提高减排量。同样的道理也适用于变量ig。能源部门的低碳化速度较慢（后续年份的减排量较少）可能会显著提升配备垂直SHE的安装的环境性能，特别是因为一些观测值的SHAP值超过了5000千克二氧化碳当量。

系统某些部分的介质温度得到了显著较低的结果。对于冷水和排水水，其影响范围在几百千克以内，而生活热水（DHW）温度的影响可以忽略不计，因为平均|SHAP值|未达到100千克二氧化碳当量。温度变量的重要性较低表明，在其变化范围内，它们对热回收系统的效率不构成主要限制。对预测温室气体减排量影响最小的变量是DHW热水器的效率，这可能是由于电热水器的高效率以及该参数分析值的范围较窄所致。

为了拓宽结果的解释，对三个特征观测值进行了局部SHAP值分析，分别对应于分布的最大值、最小值和中位数。这种分析对两种模型都进行了。这种方法能够评估输入变量组合对净现值（NPV）和温室气体减排量（RGHG）计算结果的影响。对于对应于最大NPV和RGHG预测的观测值（图11），所有输入变量都促进了预测值相对于基线的增加。这表明，在包括运行因素（大量用水）、经济因素（高能源价格及其快速增长）和环境因素（热交换器整个寿命期间的高温室气体排放强度）在内的有利因素累积条件下，安装垂直SHE的好处最大。对于最大NPV预测，仅观察到个别输入变量的重要性等级发生了轻微变化。投资支出的重要性相对降低，导致该变量被移至最后位置。这意味着，在因节省大量热水加热能源而产生的高正向财务流动条件下，INV0值的相对重要性降低。当预热水仅供应给淋浴装置（SMV）时，安装工作的范围较小，显著降低了初始投资成本。另一方面，对于RGHG来说，输入变量的重要性结构与全局分析保持一致。

对于对应于最小NPV和RGHG值的观测值（图12），所有变量都导致了预测值的降低。因此，与最大预测不同，最低结果是由于不利的条件共存造成的，这些条件包括淋浴系统使用强度低、装置整个生命周期中的能源价格较低以及限制热回收潜力的参数。关于最小NPV预测，观察到变量重要性的结构发生了轻微变化，即混合水流速率（q）的影响相对于年电价上涨的影响增强。在第二个模型中也观察到了类似的变化，其中水流速率的影响比温室气体排放强度（ig）的变化更为显著。这表明在财务节省极少的情况下，当前的运行参数可能比长期因素（如价格动态或脱碳）更为重要。

对于对应于中位数预测的观测值（图13），观察到了最复杂的关系。在中位数NPV的情况下，初始电价的影响最大，较低的初始电价导致预测值低于基准值。高初始投资成本、电价适度上涨、DHW热水器效率高以及DHW温度低也促进了较低的NPV预测。另一方面，较长的淋浴时长使NPV相对于基准值增加了近2500欧元。高排水水温度、低折现率和相对较高的混合水流速率也有助于提高NPV预测。这种模式表明，在平均条件下，各个变量的影响部分相互抵消。其中一些变量提高了项目的财务效率，而另一些则降低了效率。

在评估财务效应和环境效应之间的一致性时，基于两个独立预测模型（NPV模型和RGHG模型）的SHAP分析结果进行了比较。由于两个模型包含的输入变量数量不同，比较仅适用于两个分析共有的特征空间部分。这包括六个与淋浴安装的运行和技术条件相关的输入变量（ls、q、Tcw、Tdw、Thw、η）。对于NPV模型中这六个共同输入变量的每一种组合值，有81种情景，这些情景是由四个额外的经济变量组合而成的，每个经济变量假设有三个值。同样，在RGHG模型中，对于相同的共同变量组合，有九种情景，这些情景是由两个额外的环境变量组合而成的，也分析了三个不同的值。因此，并不是针对两个模型中完全相同的单个观测值来确定代表性案例，而是针对具有相同共同变量值的观测值集合。对于每个分析的共同变量，比较了预测分布中的三个代表点对应的SHAP值：最小值、中位数和最大值。图14展示了淋浴时长（ls）对NPV和RGHG影响的基于SHAP的比较结果（a）最小值；（b）中位数；（c）最大值。结果表明财务效应和环境效应之间具有高度一致性。在考虑的最小值、中位数和最大值情况下，共同输入变量对两个模型的预测值的影响方向相同。这意味着增加预测NPV的因素同时增加了预测的温室气体减排量，而减少财务效应的因素对环境效应也有类似的影响。此外，发现共同变量的相对重要性是一致的。在整个分析中，淋浴时长（ls）在两个模型中的重要性最高，后续的共同变量在影响方面保持类似的地位。这证实了财务和环境效益在很大程度上由相同的运行机制决定，主要与淋浴系统的使用强度有关。

然而，需要强调的是，在实际条件下，项目的盈利能力还取决于其他输入变量。在这种情况下，中位数情景的结果（图13）尤为重要，因为它们可以被视为最能代表实际运行条件的结果。SHAP分析显示，输入变量与NPV和RGHG之间的关系比极端情况更为复杂且不明确。对于关键的共同变量，总体趋势保持一致。例如，较长的淋浴时间会提高结果，而较低的ls值会导致预期结果减少。然而，这些变量并不能完全决定最终值，因为两个模型特有的参数也起着重要作用。因此，在中位数条件下观察到的结果变化是由于共同变量和模型特定变量的影响重叠所致。这种情况表明，总体趋势保持不变，但其最终效果会随着外部参数的配置而改变。这表明在财务和环境效率之间需要权衡。然而，应该注意的是，并非所有输入变量都受用户或系统设计者的控制。例如电价及其随时间的变化，或是温室气体排放强度等外部因素与安装的运行无关。对于用户可以实际影响的运行变量（如ls或q），在NPV和RGHG的影响上观察到了高度的一致性。因此，两者之间的观察差异主要是由于系统位置的不同，而不是用户决策直接造成的。NPV和减排量之间缺乏完全一致性并不是由于操作目标冲突，而是由于可控和不可控参数的影响重叠所致。最终效果是用户决策和外部条件的共同结果。

4.**讨论**
分析结果证实，使用XGBoost模型结合SHAP分析是一种有效的工具，可以识别出在非平衡流动条件下运行时决定淋浴热回收系统财务和环境性能的关键变量。通过量化各个输入变量对净现值（NPV）和温室气体减少量（RGHG）的影响，这种方法可以为透明的系统优化提供基础[8]。它不仅能够识别出最重要的变量，还能帮助理解这些变量在各种淋浴系统运行场景中的影响。全局SHAP分析表明，对于所考虑的两个因变量来说，与淋浴使用强度相关的变量，即淋浴时间（ls）和混合水流量（q），对预测结果有显著影响。这些参数直接影响所使用的水量，因此也影响可回收的热能量。对个别淋浴系统场景的局部分析进一步确认，增加淋浴系统的用水量不仅提高了减少温室气体排放的潜力，还带来了预期的财务节省。这种一致性表明，在许多情况下，改善环境性能与经济吸引力是相关的。

然而，重要的是要记住那些未包含在两个模型中的变量。在减少温室气体排放方面，电力生产的温室气体排放强度（eGHG）及其在随后几年内下降的速度起着重要作用。这些变量决定了每单位节省能源的“环境价值”。另一方面，能源价格的变化水平及动态，以及在较小程度上的折现率，对财务盈利能力至关重要。这意味着污水热回收的环境效应在很大程度上取决于能源系统的结构，而财务效应则取决于市场条件。观察到的影响净现值和潜在温室气体减排机制的差异表明，在许多情况下，最大化环境效益并不等同于最大化财务效益，特别是在低排放系统的电力生产和相对较低的能源价格环境下。

在实际应用中解释SHAP分析结果时，可以得出结论：在淋浴使用强度较高的情况下，使用垂直型淋浴热回收系统（SHE）在经济和环境方面都具有最大优势。一致性分析结果表明，尽管模型结构存在差异，但共同的运营和技术变量对两个预测变量都表现出一致的影响。特别是与淋浴系统使用强度相关的参数，如淋浴时间（ls）和混合水流量（q），能同时增加净现值和潜在的温室气体减排量。这意味着在特征空间的共同部分内，财务和环境效应是由与回收能量量相关的物理机制所决定的。电价及其随时间的增长速度也在投资盈利能力中起着重要作用。在高能源价格条件下，获得的财务节省最多，从而导致净现值增加。然而，在能源使用强度较高的国家，环境效应将最为明显，因为这些国家的温室气体减排潜力最大。另一方面，在那些通过明智的能源政策淘汰了化石燃料并转而使用可再生能源和核能的国家，使用垂直型SHE的环境影响将受到限制。此外，减少用水量会限制可回收的热能量，从而影响环境和财务效益。这意味着这些系统可以在每次淋浴用水量较大且电价较高、能源生产排放量较大的建筑中实现最大效益。

然而，在考虑分析结果时，需要注意所采用研究方法的局限性。所使用的数据集是合成的。在现实世界的运行条件下，数据的变化性和随机因素的存在可能会导致预测模型的准确性降低。因此，这些结果应被视为变量之间潜在关系的评估，而非对实际安装的直接预测。

另一个重要限制是，该分析基于电动热水加热器（DHW heater），这显著影响了分析结果。对于使用天然气作为能源的设备，财务和环境性能的结果可能会有所不同。一方面，较低的天然气价格可能导致较低的预期财务节省，从而降低净现值。Eurostat的统计数据[37]显示，2025年上半年欧盟家庭的天然气价格范围从匈牙利的0.0307欧元/千瓦时到瑞典的0.2128欧元/千瓦时不等。因此，天然气的最高价格几乎是电价的二分之一。另一方面，天然气燃烧产生的温室气体排放通常低于基于高排放能源组合的电力生产。这可能会导致减排潜力受限。然而，值得注意的是，在排放非常低的系统中，使用电力加热热水可能比燃烧天然气更具环境效益。欧盟委员会的数据[38]显示，天然气的温室气体排放因子约为0.20公斤二氧化碳当量/千瓦时。在eGHG值较低的国家，将SHE与天然气加热器结合使用可以进一步减少温室气体排放。

还应强调的是，SHAP分析的结果取决于输入变量的假设范围。特征重要性反映了变量在分析数据集中的影响，而非其普遍意义。这意味着改变输入变量的范围可能会改变它们在模型中的相对重要性。这对于值范围较广的变量尤其如此，例如淋浴时间。它们在重要性层次结构中的高位并不总是由于实际重要性造成的，也可能是因为它们对结果变化的影响较大。因此，获得的变量排名应在假设的输入变量范围内进行解读。在不同的淋浴使用场景或环境/财务参数变化的情况下，个别变量的重要性层次可能会有所改变。

此外，该分析仅关注了一种特定类型的淋浴换热器和一种特定的系统配置，这限制了将结果直接推广到实际应用的所有解决方案的可能性。对于其他类型的SHE，实现的环境和财务效应的绝对值可能会有所不同。然而，识别出的关系，特别是关于个别输入变量影响方向的关系，具有更普遍性，可以应用于其他类型的向淋浴混合阀供水的SHE。

随着各个领域对能源需求的增长，这些关系的重要性也需要考虑，因为社会发展和现代经济的运作在很大程度上依赖于可靠的、安全的且经济上可负担的能源供应[39]。市政基础设施中能源消耗最大的领域之一是水和污水处理行业，这主要是由于对水质要求的提高、气候变化以及极端事件的发生[40]。确保系统的高可靠性也很重要。在这种情况下，水损失成为一个严重问题[41]，需要收集、处理和输送更多的水，从而增加总能源消耗。在这种情况下，利用废水携带的热能尤为重要，正如Arsenyeva等人[42]所指出的，即使只有少量的热需求也可以通过废水热回收来满足。废水热回收的可能性不仅限于单户住宅，还包括多户建筑、酒店和工业设施等场所，在这些场所中可用的废能量可能要多得多。文献为在高热水消耗场所应用废水热回收系统提供了建议，例如酒店，在确定热回收系统的位置时，除了考虑能源需求和热回收潜力外，还应考虑该地区的旅游潜力[43]。此外，从其他卫生设备（如洗碗机）中回收热量也是合理的。Zanganeh等人[44]强调了在这方面回收热量的重要性。因此，从废水中回收热量的应用范围远比本文描述的要广泛得多。

这种多种热水回收系统配置和运行条件的多样性表明，结合SHAP分析的预测模型可以在未来的研究中成为有价值的工具，有助于识别决定各种废水热回收系统能源效率、环境性能和经济效率的关键参数。这些研究不仅应考虑小型本地安装，还应包括基于热泵的系统[45]。特别应关注结合多种可再生能源和废热源（如废水和空气热泵）以及太阳能集热器的混合系统[46]。考虑热储存系统[47]也将是有益的，因为这样的解决方案可以进一步提高废水热回收系统的灵活性，并更好地适应需求波动。将废水热回收系统与其他技术结合使用可以提高能源和环境效率以及财务可行性。出于这个原因，研究可用的支持形式也是值得的。Ogarek等人[48]以波兰为例指出，该地区增长最快的可再生能源领域正是获得最高补贴的领域。

未来的研究还应考虑开发废水热回收技术，包括灰水回收。其他能源领域的技术可以为新的SHE解决方案提供灵感。例如，Ahmad和Alsalmah[49]提出了一种双管太阳能辅助换热器。这类技术的发展定义了现代能源生产的前进方向，它们是结合了多种能量收集机制的混合解决方案。本文所述的研究表明，即使对于更复杂的废水热回收系统，基于SHAP分析的方法也可以成为支持和优化设计的有效工具。

将所考虑的热回收系统与更广泛的建筑能源管理策略相结合也是进一步研究的一个有趣方向，因为Li等人[50]指出，需求侧的灵活性取决于多种参数的相互作用，这些参数决定了建筑的能源特性。尽管所展示的垂直型SHE应用仅影响热水加热的能源需求，但其重要性可以在更广泛的建筑能源性能背景下进行考虑。这些结果还可以从实现可持续发展目标和全球气候目标的更广泛角度来理解。先前的研究表明，现代化和适应新的环境要求是向更可持续能源系统过渡的关键环节[51]。毫无疑问，SHE也符合这一要求，有助于合理管理资源、提高建筑能源效率并减少温室气体排放。这样的解决方案也与循环经济概念一致，后者力求最大化利用系统中已有的能源[52]。废水热回收技术和可持续发展目标的实施也有助于实现可持续发展目标（SDGs）。因此，希望将可持续节能技术与现代分析方法和预测建模相结合，将成为迈向更加环保和有韧性的能源未来的重要环节，尤其是在应对气候变化影响日益加剧的情况下[53]。

**结论**
分析表明，使用垂直型换热器为淋浴混合阀供水加热可以实现从废水中高效回收热量。在考虑的输入参数变化范围内，净现值（NPV）介于-1381欧元到52,168欧元之间。与此同时，在15年的运营期间，温室气体减排量在61千克二氧化碳当量（kgCO2e）到37,207千克二氧化碳当量之间。通过使用预测建模结合SHAP（Shapley Value Analysis）分析，可以识别出影响该解决方案财务和环境影响的关键参数，并评估这些效应之间的一致性。此外，还可以确定影响项目净现值和潜在温室气体减排量的各个输入变量的相对重要性。全局SHAP分析通过针对选定案例的局部分析得到了补充，从而更好地理解了各个输入变量如何影响两个模型的预测结果。这些分析的主要发现包括：发电过程中的温室气体排放强度和淋浴时间是最重要的变量，对潜在的温室气体减排量有着显著影响；温室气体排放强度的年度变化和混合水流速率也对环境影响有显著影响；在财务效应方面，除了每次淋浴的用水量外，电价及其在整个热回收系统运行生命周期内的变化也至关重要；各个运行参数对预计的温室气体减排量和净现值的影响方向是一致的。然而，根据局部分析的结果，可以观察到各个变量相对重要性的差异，这表明在不同情景下影响层次会发生变化。需要注意的是，由于模型假设和分析数据范围的限制，这些结果可能存在一定的不确定性。该分析是在特定的技术和运行条件下进行的，没有考虑其他连接淋浴换热器的方法或其他SHE（Shared Heat Economy）模型。此外，预测模型考虑的参数数量有限，因此在实际情况中，建筑物内用水量变化等其他因素也可能影响系统的效率。另一个局限性在于，局部分析基于选定的典型案例，虽然有助于更好地理解系统的运行情况，但并未反映所有可能运行情景的全貌。此外，还需要注意垂直型SHE技术本身的限制及其在现有建筑中的实施风险，这些限制可能源于当地条件、运行参数的变异性以及与现有建筑系统的集成需求。在每种情况下，这些都可能影响该解决方案的实际财务和环境性能。未来的研究应该结合预测建模和解释工具进行，同时扩大分析范围，包括其他类型的排水热回收系统以及其他水务和污水处理基础设施中的应用方案。未来的研究还可以涵盖更多的情景，从而更全面地评估各个参数变化对系统财务效率及其减少温室气体排放潜力的影响。

热点排行