在半干旱气候条件下，利用时间序列预测技术进行创新能源管理以收集大气中的水分，该方法结合了混合级联循环和人工智能（AI）技术

《Applied Energy》：Innovative energy management using time-series forecasting for atmospheric water harvesting in a semi-arid climate, combining a hybrid cascade cycle and AI

　　 Mohammed Remaidi | Najoua Elfethi | Amine Ennawaoui | Hicham Mastouri | Chouaib Ennawaoui
Chouaib Doukkali 大学，国家应用科学学院（ENSA），能源科学工程实验室（LabSIPE），埃尔贾迪达，24000，摩洛哥

**摘要**
本研究提出了一种创新的能量管理策略，用于半干旱气候下的大气水收集（AWH）技术，结合了混合级联制冷系统和预测性人工智能。该系统采用蒸汽压缩循环（R1234yf，因其全球变暖潜能值较低而被选中）和吸收循环（LiBr/H2O）。开发了一个综合的多物理场模型，该模型将级联循环的质量和能量平衡与蒸发器中的热量和质量传递方程耦合在一起，明确区分了显热冷却和潜热冷凝。系统性能通过三个互补指标进行量化：制冷循环性能系数（COPFr）、包含回收热量的整体AWH系统性能系数（COPAWH）以及特定能耗（Espec），后者是主要的优化目标。为应对气候变异性，采用了一种结合Prophet和长短期记忆（LSTM）网络的双重预测方法，用于预测摩洛哥Benguerir地区五年内的露点温度（Tdew）和相对湿度（ωair）。LSTM模型表现出优异的预测精度（R2>0.9），并且预测区间校准得当。预测的气候数据被整合到一个分层控制架构中，该架构将离线计算（长期预测生成性能图）与在线执行（48小时预测可实现蒸发温度TEv和空气质量流量m˙air的最优设定点）分开。每日重置机制确保系统能够持续适应现场条件。分析明确考虑了蒸发性温度TEv
**1. 引言**
严重的水资源压力，表现为长期且严酷的水资源限制，加剧了对能源的需求[1]。这种需求的增加主要是由于能源密集型供水解决方案的使用增加[2]，如深井地下水抽取[3]、海水淡化[4]或远距离水传输[5]。在这种情况下，大气水收集（awh）技术作为一种补充和分散的水源日益受到重视[6]。通过捕获大气中的水分，这些系统可以减轻对传统水资源的压力，从而降低与取水、处理和分配相关的总体能源需求[7]。然而，它们的大规模部署与其自身的能源效率密切相关。它们的可行性取决于能否优化awh系统的能耗，使其与传统供水方法具有竞争力[8]，从而形成一个良性循环，即减少水资源压力不会导致能源需求的不成比例增加。
大气水收集（awh）系统利用诸如蒸汽压缩制冷（vcr）和吸收循环等制冷技术[9]。vcr系统简单且成熟，具有可接受的效率和有效的控制能力，但在湿热环境中其性能系数（cop）会显著下降[10]。另一方面，吸收系统利用低品位热源并减少电能消耗[11]，但其复杂性、成本以及对稳定热源的依赖限制了其实际应用。先进的配置（如级联循环[12]）在awh应用中仍有限，仍有潜力提高各种气候条件下的能源效率。
在应用于awh的级联循环特定背景下，制冷剂的选择是一个重要的科学和监管挑战。实际上，由于《基加利修正案》的推动，从高全球变暖潜能值（gwp）的hfcs向低gwp替代品（hfos、碳氢化合物和天然流体）的转变已经加速[13]。在hfos中，r1234yf因其类似的热力学特性和低于1的gwp而被确定为r134a的直接替代品[14]。然而，其采用在欧洲引发了越来越多的争议，因为其在大气降解过程中会产生pfas副产品，这重新引发了人们对r290（丙烷）的兴趣。r290的gwp几乎为零，热力学性能优异，尽管其易燃性较高（a3级），需要特定的安全设备[15][16]。其他替代品也在出现（r152a、r1234ze、二元混合物如r513a）[17]。然而，在专用于大气水生产的级联配置中，选择制冷剂时必须考虑其与libr/h2o吸收循环的热力学兼容性[18]。
除了硬件进步之外，科学文献还探讨了多种控制和建模策略来优化awh系统性能。第一类工作侧重于稳态热力学方法，这些方法可以评估平均性能，但不能考虑制冷循环与潮湿空气之间的热量和质量传递耦合[19]。这一限制因对气候参数（如露点温度tdew和相对湿度ωair）的静态处理而加剧，而这些参数对系统的实际性能至关重要[20]。第二类较新的工作开始探索控制策略，特别是通过模型预测控制（mpc）方法[21]。初步研究表明mpc有潜力改善awh系统的运行响应。然而，这些工作存在两个主要局限性：一方面，它们通常依赖于简化的热力学模型或经验相关性，无法准确捕捉系统的瞬态物理过程；另一方面，也是最关键的点，它们实施的是被动控制策略：优化是在实时测量到气候变化时触发的，而不是提前预测这些变化。无法基于详细的气候预测实施预测性控制策略，导致awh系统无法主动适应环境变化[22]。这些不足表明需要采取新举措，一方面整合精确的多物理场模型，另一方面整合能够预测变化的气候预测工具，以指导实时控制。
准确预测气候变量对于依赖环境条件的能源系统至关重要[23]。在这方面，基于人工智能的时间序列模型已被证明比传统统计方法更有效。prophet模型由meta开发[24]，因其面对数据缺失时的鲁棒性、对多季节性（日、周、年）的支持以及通过显式加法分解的可解释性而成为标准工具[25]。这些特性使其成为中期气候预测的首选工具，例如在光伏和风能预测领域的应用中，考虑到季节性周期至关重要。同时，循环神经网络（如lstm）由于其门控记忆架构而在建模长时间序列和复杂非线性关系方面表现出色[26]。它们学习长期依赖性的能力使这种类型的神经网络特别适合预测相互依赖的气象变量[27]，如其在风速和电力负荷预测中的表现所示。
本研究提出了一种创新的半干旱气候下大气水收集能量管理方法，结合了混合级联制冷系统的多物理场模型和基于人工智能的气候预测。目标是开发一个主动控制框架，根据时间序列预测实时优化蒸发温度tev和空气质量流量m˙air。该方法结合了分析多物理场建模、热力学仿真和基于ai的预测。模型整合了吸收（libr/h2o）和压缩（r1234yf）循环的质量和能量平衡，以及蒸发器中的热量和质量传递，明确区分了显热冷却和潜热冷凝。创新之处在于将制冷循环的性能（以性能系数copfr表示）与水产量（以特定能耗espec表示）相关联，espec是一个综合指标，将消耗（压缩机、发电机、风扇）与凝结水量联系起来。气候预测组件预测露点温度tdew和相对湿度ωair的变化，这两个变量决定了冷凝潜力。结合了两种互补模型：prophet用于分解趋势和季节性，lstm的记忆单元架构能够捕捉长期依赖性和气候非线性。这种双重性在可解释性和预测精度之间取得了平衡，并通过概率置信区间评估进行了强化。这些发展为一个分层控制架构提供了支持，该架构包括离线阶段（五年预测生成性能图）和在线阶段（lstm的短期预测实现即时定义最优设定点），同时每日重置确保持续适应。结果与文献中的实验数据和理论数据非常吻合。系统理论最优值与实际气候约束下可实现最优值之间的区别强调了整合局部条件的重要性。这项工作在智能能源系统管理方面取得了重大进展，直接有助于提高能源效率、增强气候韧性，并促进水资源短缺地区的净零排放目标。

**2. 大气水收集：系统描述和多物理场建模**
本研究提出了一种创新的预测性能量管理策略，用于半干旱气候下的大气水收集（awh），基于混合级联制冷系统。该架构结合了使用r1234yf制冷剂的蒸汽压缩循环（其全球变暖潜能值较低）和水锂溴化物（libr/h2o）吸收循环，使学生能够利用低品位热源。选择r1234yf的原因在于其有利的热力学特性、与聚醇酯（poe）油的兼容性以及低易燃性，从而在性能、安全性和操作简便性之间取得了最佳平衡。尽管在欧洲存在监管争议，但这种制冷剂在摩洛哥仍被批准使用，且其与libr/h2o吸收循环的组合在级联配置中显示出更高的能源效率[18]。两个循环通过级联热交换器（chx）热耦合，确保能量传递而不混合流体，保证了功能独立性和热力学协同作用。潮湿的空气首先通过从高温循环冷凝器回收废热进行预热，然后在蒸发器中冷却至低于其露点的温度以凝结水蒸气。这种热回收循环是一项战略创新：它补偿了半干旱气候中露点低时期的条件，减少了冷凝所需的温差，同时降低了蒸发器结霜的风险。
关键创新在于开发了一个综合的多物理场分析模型，这比传统的稳态方法有了显著进步。该模型严格耦合了两个制冷循环的质量和能量平衡，包括吸收循环中的循环比，以及蒸发器内的热量和质量传递。该模型明确区分了显热冷却和潜热冷凝，从而能够精确评估水产量。模型将操作参数蒸发温度tev和空气质量流量m˙air与整体能源性能联系起来，并通过三个互补指标进行量化：制冷循环性能系数copfr、包含回收热量的整体收集系统性能系数copawh以及特定能耗espec。后者指标将总能耗与生产水量联系起来，是优化的核心目标函数。
为了预测环境波动的影响，该研究引入了基于人工智能的创新预测层。使用两种互补模型（prophet模型和lstm循环神经网络）预测五年内的露点温度tdew和相对湿度ωair的变化，这两个变量直接影响冷凝潜力。这些预测数据为一个分层控制架构提供输入，该架构包括离线阶段（长期预测生成性能图）和在线阶段（lstm的短期预测用于即时定义蒸发温度和空气质量流量的最优设定点），同时每日重置确保持续适应实际条件。 l）和实际半干旱条件下的可实现最优值（espec=0.09kWh/L）。本研究建立了一个闭环优化框架，其中预测性AI服务于实时热力学控制，使AWH管理从被动操作转变为主动操作。通过整合详细的多物理场建模、先进的气候预测和运行约束，这项工作有助于智能管理能源-水系统，支持气候韧性和水资源短缺地区的净零排放目标。 **1. 引言** 严重的水资源压力，表现为长期且严酷的水资源限制，加剧了对能源的需求[1]。这种需求的增加主要是由于能源密集型供水解决方案的使用增加[2]，如深井地下水抽取[3]、海水淡化[4]或远距离水传输[5]。在这种情况下，大气水收集（awh）技术作为一种补充和分散的水源日益受到重视[6]。通过捕获大气中的水分，这些系统可以减轻对传统水资源的压力，从而降低与取水、处理和分配相关的总体能源需求[7]。然而，它们的大规模部署与其自身的能源效率密切相关。它们的可行性取决于能否优化awh系统的能耗，使其与传统供水方法具有竞争力[8]，从而形成一个良性循环，即减少水资源压力不会导致能源需求的不成比例增加。 大气水收集（awh）系统利用诸如蒸汽压缩制冷（vcr）和吸收循环等制冷技术[9]。vcr系统简单且成熟，具有可接受的效率和有效的控制能力，但在湿热环境中其性能系数（cop）会显著下降[10]。另一方面，吸收系统利用低品位热源并减少电能消耗[11]，但其复杂性、成本以及对稳定热源的依赖限制了其实际应用。先进的配置（如级联循环[12]）在awh应用中仍有限，仍有潜力提高各种气候条件下的能源效率。 在应用于awh的级联循环特定背景下，制冷剂的选择是一个重要的科学和监管挑战。实际上，由于《基加利修正案》的推动，从高全球变暖潜能值（gwp）的hfcs向低gwp替代品（hfos、碳氢化合物和天然流体）的转变已经加速[13]。在hfos中，r1234yf因其类似的热力学特性和低于1的gwp而被确定为r134a的直接替代品[14]。然而，其采用在欧洲引发了越来越多的争议，因为其在大气降解过程中会产生pfas副产品，这重新引发了人们对r290（丙烷）的兴趣。r290的gwp几乎为零，热力学性能优异，尽管其易燃性较高（a3级），需要特定的安全设备[15][16]。其他替代品也在出现（r152a、r1234ze、二元混合物如r513a）[17]。然而，在专用于大气水生产的级联配置中，选择制冷剂时必须考虑其与libr h2o吸收循环的热力学兼容性[18]。 除了硬件进步之外，科学文献还探讨了多种控制和建模策略来优化awh系统性能。第一类工作侧重于稳态热力学方法，这些方法可以评估平均性能，但不能考虑制冷循环与潮湿空气之间的热量和质量传递耦合[19]。这一限制因对气候参数（如露点温度tdew和相对湿度ωair）的静态处理而加剧，而这些参数对系统的实际性能至关重要[20]。第二类较新的工作开始探索控制策略，特别是通过模型预测控制（mpc）方法[21]。初步研究表明mpc有潜力改善awh系统的运行响应。然而，这些工作存在两个主要局限性：一方面，它们通常依赖于简化的热力学模型或经验相关性，无法准确捕捉系统的瞬态物理过程；另一方面，也是最关键的点，它们实施的是被动控制策略：优化是在实时测量到气候变化时触发的，而不是提前预测这些变化。无法基于详细的气候预测实施预测性控制策略，导致awh系统无法主动适应环境变化[22]。这些不足表明需要采取新举措，一方面整合精确的多物理场模型，另一方面整合能够预测变化的气候预测工具，以指导实时控制。 准确预测气候变量对于依赖环境条件的能源系统至关重要[23]。在这方面，基于人工智能的时间序列模型已被证明比传统统计方法更有效。prophet模型由meta开发[24]，因其面对数据缺失时的鲁棒性、对多季节性（日、周、年）的支持以及通过显式加法分解的可解释性而成为标准工具[25]。这些特性使其成为中期气候预测的首选工具，例如在光伏和风能预测领域的应用中，考虑到季节性周期至关重要。同时，循环神经网络（如lstm）由于其门控记忆架构而在建模长时间序列和复杂非线性关系方面表现出色[26]。它们学习长期依赖性的能力使这种类型的神经网络特别适合预测相互依赖的气象变量[27]，如其在风速和电力负荷预测中的表现所示。 本研究提出了一种创新的半干旱气候下大气水收集能量管理方法，结合了混合级联制冷系统的多物理场模型和基于人工智能的气候预测。目标是开发一个主动控制框架，根据时间序列预测实时优化蒸发温度tev和空气质量流量m˙air。该方法结合了分析多物理场建模、热力学仿真和基于ai的预测。模型整合了吸收（libr h2o）和压缩（r1234yf）循环的质量和能量平衡，以及蒸发器中的热量和质量传递，明确区分了显热冷却和潜热冷凝。创新之处在于将制冷循环的性能（以性能系数copfr表示）与水产量（以特定能耗espec表示）相关联，espec是一个综合指标，将消耗（压缩机、发电机、风扇）与凝结水量联系起来。气候预测组件预测露点温度tdew和相对湿度ωair的变化，这两个变量决定了冷凝潜力。结合了两种互补模型：prophet用于分解趋势和季节性，lstm的记忆单元架构能够捕捉长期依赖性和气候非线性。这种双重性在可解释性和预测精度之间取得了平衡，并通过概率置信区间评估进行了强化。这些发展为一个分层控制架构提供了支持，该架构包括离线阶段（五年预测生成性能图）和在线阶段（lstm的短期预测实现即时定义最优设定点），同时每日重置确保持续适应。结果与文献中的实验数据和理论数据非常吻合。系统理论最优值与实际气候约束下可实现最优值之间的区别强调了整合局部条件的重要性。这项工作在智能能源系统管理方面取得了重大进展，直接有助于提高能源效率、增强气候韧性，并促进水资源短缺地区的净零排放目标。 **2. 大气水收集：系统描述和多物理场建模** 本研究提出了一种创新的预测性能量管理策略，用于半干旱气候下的大气水收集（awh），基于混合级联制冷系统。该架构结合了使用r1234yf制冷剂的蒸汽压缩循环（其全球变暖潜能值较低）和水锂溴化物（libr h2o）吸收循环，使学生能够利用低品位热源。选择r1234yf的原因在于其有利的热力学特性、与聚醇酯（poe）油的兼容性以及低易燃性，从而在性能、安全性和操作简便性之间取得了最佳平衡。尽管在欧洲存在监管争议，但这种制冷剂在摩洛哥仍被批准使用，且其与libr h2o吸收循环的组合在级联配置中显示出更高的能源效率[18]。两个循环通过级联热交换器（chx）热耦合，确保能量传递而不混合流体，保证了功能独立性和热力学协同作用。潮湿的空气首先通过从高温循环冷凝器回收废热进行预热，然后在蒸发器中冷却至低于其露点的温度以凝结水蒸气。这种热回收循环是一项战略创新：它补偿了半干旱气候中露点低时期的条件，减少了冷凝所需的温差，同时降低了蒸发器结霜的风险。 关键创新在于开发了一个综合的多物理场分析模型，这比传统的稳态方法有了显著进步。该模型严格耦合了两个制冷循环的质量和能量平衡，包括吸收循环中的循环比，以及蒸发器内的热量和质量传递。该模型明确区分了显热冷却和潜热冷凝，从而能够精确评估水产量。模型将操作参数蒸发温度tev和空气质量流量m˙air与整体能源性能联系起来，并通过三个互补指标进行量化：制冷循环性能系数copfr、包含回收热量的整体收集系统性能系数copawh以及特定能耗espec。后者指标将总能耗与生产水量联系起来，是优化的核心目标函数。>
**1. 引言**
严重的水资源压力，表现为长期且严酷的水资源限制，加剧了对能源的需求[1]。这种需求的增加主要是由于能源密集型供水解决方案的使用增加[2]，如深井地下水抽取[3]、海水淡化[4]或远距离水传输[5]。在这种情况下，大气水收集（awh）技术作为一种补充和分散的水源日益受到重视[6]。通过捕获大气中的水分，这些系统可以减轻对传统水资源的压力，从而降低与取水、处理和分配相关的总体能源需求[7]。然而，它们的大规模部署与其自身的能源效率密切相关。它们的可行性取决于能否优化awh系统的能耗，使其与传统供水方法具有竞争力[8]，从而形成一个良性循环，即减少水资源压力不会导致能源需求的不成比例增加。
大气水收集（awh）系统利用诸如蒸汽压缩制冷（vcr）和吸收循环等制冷技术[9]。vcr系统简单且成熟，具有可接受的效率和有效的控制能力，但在湿热环境中其性能系数（cop）会显著下降[10]。另一方面，吸收系统利用低品位热源并减少电能消耗[11]，但其复杂性、成本以及对稳定热源的依赖限制了其实际应用。先进的配置（如级联循环[12]）在awh应用中仍有限，仍有潜力提高各种气候条件下的能源效率。
在应用于awh的级联循环特定背景下，制冷剂的选择是一个重要的科学和监管挑战。实际上，由于《基加利修正案》的推动，从高全球变暖潜能值（gwp）的hfcs向低gwp替代品（hfos、碳氢化合物和天然流体）的转变已经加速[13]。在hfos中，r1234yf因其类似的热力学特性和低于1的gwp而被确定为r134a的直接替代品[14]。然而，其采用在欧洲引发了越来越多的争议，因为其在大气降解过程中会产生pfas副产品，这重新引发了人们对r290（丙烷）的兴趣。r290的gwp几乎为零，热力学性能优异，尽管其易燃性较高（a3级），需要特定的安全设备[15][16]。其他替代品也在出现（r152a、r1234ze、二元混合物如r513a）[17]。然而，在专用于大气水生产的级联配置中，选择制冷剂时必须考虑其与libr/h2o吸收循环的热力学兼容性[18]。
除了硬件进步之外，科学文献还探讨了多种控制和建模策略来优化awh系统性能。第一类工作侧重于稳态热力学方法，这些方法可以评估平均性能，但不能考虑制冷循环与潮湿空气之间的热量和质量传递耦合[19]。这一限制因对气候参数（如露点温度tdew和相对湿度ωair）的静态处理而加剧，而这些参数对系统的实际性能至关重要[20]。第二类较新的工作开始探索控制策略，特别是通过模型预测控制（mpc）方法[21]。初步研究表明mpc有潜力改善awh系统的运行响应。然而，这些工作存在两个主要局限性：一方面，它们通常依赖于简化的热力学模型或经验相关性，无法准确捕捉系统的瞬态物理过程；另一方面，也是最关键的点，它们实施的是被动控制策略：优化是在实时测量到气候变化时触发的，而不是提前预测这些变化。无法基于详细的气候预测实施预测性控制策略，导致awh系统无法主动适应环境变化[22]。这些不足表明需要采取新举措，一方面整合精确的多物理场模型，另一方面整合能够预测变化的气候预测工具，以指导实时控制。
准确预测气候变量对于依赖环境条件的能源系统至关重要[23]。在这方面，基于人工智能的时间序列模型已被证明比传统统计方法更有效。prophet模型由meta开发[24]，因其面对数据缺失时的鲁棒性、对多季节性（日、周、年）的支持以及通过显式加法分解的可解释性而成为标准工具[25]。这些特性使其成为中期气候预测的首选工具，例如在光伏和风能预测领域的应用中，考虑到季节性周期至关重要。同时，循环神经网络（如lstm）由于其门控记忆架构而在建模长时间序列和复杂非线性关系方面表现出色[26]。它们学习长期依赖性的能力使这种类型的神经网络特别适合预测相互依赖的气象变量[27]，如其在风速和电力负荷预测中的表现所示。
本研究提出了一种创新的半干旱气候下大气水收集能量管理方法，结合了混合级联制冷系统的多物理场模型和基于人工智能的气候预测。目标是开发一个主动控制框架，根据时间序列预测实时优化蒸发温度tev和空气质量流量m˙air。该方法结合了分析多物理场建模、热力学仿真和基于ai的预测。模型整合了吸收（libr/h2o）和压缩（r1234yf）循环的质量和能量平衡，以及蒸发器中的热量和质量传递，明确区分了显热冷却和潜热冷凝。创新之处在于将制冷循环的性能（以性能系数copfr表示）与水产量（以特定能耗espec表示）相关联，espec是一个综合指标，将消耗（压缩机、发电机、风扇）与凝结水量联系起来。气候预测组件预测露点温度tdew和相对湿度ωair的变化，这两个变量决定了冷凝潜力。结合了两种互补模型：prophet用于分解趋势和季节性，lstm的记忆单元架构能够捕捉长期依赖性和气候非线性。这种双重性在可解释性和预测精度之间取得了平衡，并通过概率置信区间评估进行了强化。这些发展为一个分层控制架构提供了支持，该架构包括离线阶段（五年预测生成性能图）和在线阶段（lstm的短期预测实现即时定义最优设定点），同时每日重置确保持续适应。结果与文献中的实验数据和理论数据非常吻合。系统理论最优值与实际气候约束下可实现最优值之间的区别强调了整合局部条件的重要性。这项工作在智能能源系统管理方面取得了重大进展，直接有助于提高能源效率、增强气候韧性，并促进水资源短缺地区的净零排放目标。

**2. 大气水收集：系统描述和多物理场建模**
本研究提出了一种创新的预测性能量管理策略，用于半干旱气候下的大气水收集（awh），基于混合级联制冷系统。该架构结合了使用r1234yf制冷剂的蒸汽压缩循环（其全球变暖潜能值较低）和水锂溴化物（libr/h2o）吸收循环，使学生能够利用低品位热源。选择r1234yf的原因在于其有利的热力学特性、与聚醇酯（poe）油的兼容性以及低易燃性，从而在性能、安全性和操作简便性之间取得了最佳平衡。尽管在欧洲存在监管争议，但这种制冷剂在摩洛哥仍被批准使用，且其与libr/h2o吸收循环的组合在级联配置中显示出更高的能源效率[18]。两个循环通过级联热交换器（chx）热耦合，确保能量传递而不混合流体，保证了功能独立性和热力学协同作用。潮湿的空气首先通过从高温循环冷凝器回收废热进行预热，然后在蒸发器中冷却至低于其露点的温度以凝结水蒸气。这种热回收循环是一项战略创新：它补偿了半干旱气候中露点低时期的条件，减少了冷凝所需的温差，同时降低了蒸发器结霜的风险。
关键创新在于开发了一个综合的多物理场分析模型，这比传统的稳态方法有了显著进步。该模型严格耦合了两个制冷循环的质量和能量平衡，包括吸收循环中的循环比，以及蒸发器内的热量和质量传递。该模型明确区分了显热冷却和潜热冷凝，从而能够精确评估水产量。模型将操作参数蒸发温度tev和空气质量流量m˙air与整体能源性能联系起来，并通过三个互补指标进行量化：制冷循环性能系数copfr、包含回收热量的整体收集系统性能系数copawh以及特定能耗espec。后者指标将总能耗与生产水量联系起来，是优化的核心目标函数。
为了预测环境波动的影响，该研究引入了基于人工智能的创新预测层。使用两种互补模型（prophet模型和lstm循环神经网络）预测五年内的露点温度tdew和相对湿度ωair的变化，这两个变量直接影响冷凝潜力。这些预测数据为一个分层控制架构提供输入，该架构包括离线阶段（长期预测生成性能图）和在线阶段（lstm的短期预测用于即时定义蒸发温度和空气质量流量的最优设定点），同时每日重置确保持续适应实际条件。>这项工作的创新之处在于创建了一个闭环预测优化框架，将系统运行从反应式逻辑（即在测量后进行调整）转变为 proactive 逻辑（即系统能够预测气候变化以优化其运行参数）。这种方法在摩洛哥的 Benguerir 实际场地得到了验证，那里的半干旱气候对系统运行提出了明确的限制，尤其是基本冷凝条件 TEv
2.1 混合级联制冷循环的多物理场建模
图 1(b) 中所示的压缩-吸收级联制冷系统基于一种创新的热力学架构，该架构整合了两个热耦合但在功能上不同的回路。图 2(a) 展示了这种混合级联循环的 t-s 图，说明了低温回路（ltc）和高温回路（htc）的热力学演变过程，其中 r1234yf 用蓝色表示，h2o 用红色表示。

下载：下载高分辨率图像（1mb）
下载：下载全尺寸图像

图 1. 大气水收集（awh）系统的概念和架构图：(a) 包含预加热器和蒸发器的整体系统架构；(b) 压缩-吸收级联制冷循环的详细表示，以及高温回路（htc）和低温回路（ltc）的组件。

下载：下载高分辨率图像（911kb）
下载：下载全尺寸图像

图 2. 基于级联压缩-吸收制冷循环的大气水收集系统热力学示意图：(a) ltc（r1234yf）和 htc（h2o）子系统的 t-s 图；(b) 在环境条件（t=30°c, rh=40%）下湿空气处理和冷凝的过程图。

对于低温回路（ltc），初始状态（13）对应于过热蒸汽（干蒸汽区域）。等压变换（13 到 14）使工作流体冷却并在冷凝器中发生部分冷凝，热量被释放到环境中。这一步骤导致饱和状态（14）。等焓膨胀（14 到 15）降低压力并将流体转移到两相液-气区域（15）。在恒定压力下，这种混合物分离成两种不同的组分：饱和液体组分（16）和饱和蒸汽组分（19）。液体组分（16）经过第二次等焓膨胀（16 到 17），进一步降低压力同时保持流体在两相区域（17）。随后等压蒸发（17 到 18）将这种混合物转换为饱和蒸汽（18）。等压过热（18 到 20）增加流体的温度、焓和熵（20）。

同时，饱和蒸汽组分（19）经过等压再加热（19 到 21）。然后点（21）与点（20）混合形成干蒸汽状态（21）。最后，压缩（21 到 13）提高压力、温度、焓和熵，从而完成蓝色循环。

对于高温回路（htc），点（1）对应于离开发生器的饱和蒸汽。冷凝过程（1 到 2）使蒸汽达到饱和液体状态，沿着 t-s 图中的下降路径进行。流体随后经历等压冷却（2 到 11），达到过冷液体状态。等焓膨胀（11 到 3）导致压力下降并生成低温下的两相混合物。在级联换热器（chx）（3 到 4）内的等压蒸发继续进行，直到获得饱和蒸汽。这种饱和蒸汽然后在再加热器（rhx）（4 到 12）中的等压过程中略微过热。通过溶液回路（libr/h2o）确保热力学循环的闭合，在该回路中，状态（12）的水蒸气被浓缩的溴化锂溶液吸收，从而实现初始状态（1）的再生。需要注意的是，这个吸收过程（12 到 1）没有在制冷剂流体（h2o）的 t-s 图中表示，因为它涉及的是溶液的热力学行为而非纯流体的行为。尽管如此，提及这一点是为了提供对高温循环的完整和一致的描述。所有这些过程通过级联换热器（chx）热耦合，其中 r1234yf 的冷凝热传递给蒸发器中的水，而不会直接混合流体，从而有助于提高系统的整体能量性能。

图 2(b) 展示了系统内湿空气处理的温湿度图。环境空气以大约 30°c 和 40% 的相对湿度进入，对应的绝对湿度约为 11 g.kg^-1 [29]。空气首先在冷凝器中预热：其温度升高，相对湿度至少降低 20%，而绝对湿度保持不变 [30]。这种预热在防止蒸发器结霜方面起着关键作用：通过提高空气温度，减少了结冰的风险，从而保持了蒸发器的热效率 [31],[32]。预热的空气随后被导向蒸发器，在那里被冷却。在冷却过程中，空气温度下降，绝对湿度也下降，相对湿度逐渐增加直到达到饱和 [33]。当蒸发器温度降至露点温度以下时，空气中的水分开始冷凝，标志着露点的出现。这一过程能够从大气湿度中生产液态水，同时确保系统在半干旱或干燥气候条件下的稳定高效运行，即使在这些情况下露点温度可能接近 °c [32]。

分析首先应用质量守恒原理于两个子系统。对于低温回路（r1234yf），这建立了基本的质量流量关系：
(1)
m˙13 = m˙14 = m˙15
(a)
m˙16 = m˙17 = m˙18
(b)
m˙19 + m˙20 = m˙21
(c)

这些方程反映了通过各种组件的流量守恒 [34]。方程 (1)(a) 表明高压支路（从压缩机到膨胀阀 tv?3）中的流量恒定，而方程 (1)(b) 则表示低压支路（从闪蒸罐到蒸发器）中的流量恒定。方程 (1)(c) 表示来自闪蒸罐（19）和蒸发器（20）的蒸汽在混合点处的平衡，其总和形成了压缩机在点 (21) 处的吸入口流量。

对于高温回路（libr/h2o），质量守恒由以下系统表示：
(2)
m˙1 = m˙2 = m˙11 = m˙3 = m˙4 = m˙12
(a)
m˙1 + m˙8 = m˙7
(b)
m˙5 = m˙6 = m˙7
(c)
m˙8 = m˙9 = m˙10
(d)

方程 (2)(a) 确保高压回路（从发生器到吸收器）中纯制冷剂（h2o）流量的连续性。方程 (2)(b)–(d) 描述了溶液（libr/h2o）的平衡：发生器处的分离（b）、稀溶液（c）和浓溶液（d）的循环，确认了混合物在整个组件中的总质量守恒。

循环比（crh2olibr）由方程 (3) 定义，它直接来源于这些平衡，并量化了质量传输的效率：
(3)
crh2olibr = m˙8 / m˙1

这个关键参数将质量平衡与能量平衡联系起来，表示通过循环传输一个单位纯制冷剂流量（m˙1）所需的溶液流量（m˙8）。

能量交换的建模量化了热流和功流。在冷凝器中，释放到环境中的热功率（q˙ex）由制冷剂（h2o）在入口（点（1））和出口（点（2）之间的焓变化决定：
(4)
q˙ex = m˙1 · (cp · (t1 - t2))

这个方程表示移除的潜热和显热 [35]，其与循环比（crh2olibr）的隐含联系强调了其在整体能量平衡和热回收潜力中的作用 [36]。

在发生器中，吸收循环的热核部分，从 libr 溶液中解吸 h2o 制冷剂所需的功率 [37] 由焓平衡给出：
(5)
q˙ge = m˙8 · (h1(t1) / crh2olibr + h8(t8)) - m˙7 · h7(t7)

方程表明净功率 q˙ge 取决于进出流量的流量和焓，结合循环比将产生的制冷剂流量（m˙1）与浓溶液的流量（m˙8）联系起来。

在吸收器中，水蒸气溶解到吸收剂溶液中的放热过程通过方程 (6) 量化：
(6)
q˙ab = m˙12 · h12(t12) + m˙10 · h10(t10) - m˙5 · h5(t5)

这个能量 q˙ab 代表必须移除的吸收热，以维持过程。

溶液换热器（shx）通过用热浓溶液（m˙8）预热冷的稀溶液（m˙7）来确保内能回收：
(7)
{t9 = γshx · t6 + (1 - γshx) · t8}
(a)
h7(t7) = h6(t6) + m˙8 · m˙7 · (h8(t8) - h9(t9))

方程 (7)(a) 根据效率 γshx 确定了浓溶液的出口温度（t9），方程 (7)(b) 确保了焓平衡，表明 shx 如何减少发生器的热负荷并提高整体效率 [39]。

类似地，制冷剂换热器（rhx）通过冷却高压液体和过热低压蒸汽来优化循环：
(8)
{t11 = t2 - γrhx · (t2 - t4)
(a)
h12(t12) = h4(t4) + (h2(t2) - h11(t11))

系统描述了 rhx 的热平衡 (8)(a) 和焓平衡 (8)(b)，其中 γrhx 是其效率。

chx（级联换热器）是两个循环之间的物理和热耦合元件 [40]。两侧交换的功率相等：
(9)
q˙chx = {m˙3 · (h4(t4) - h3(t3)) (a)
m˙13 · (h13(t13) - h14(t14)) (b)

方程 (9)(a) 表示 h2o 循环吸收的热量，方程 (9)(b) 表示 r1234yf 循环在冷凝过程中释放的热量。

混合器（9）在压缩前将闪蒸罐（19）和蒸发器（20）中的蒸汽结合在一起，遵循焓守恒：
(10)
m˙21 · h21(t21) = m˙19 · h19(t19) + m˙20 · h20(t20)

这个方程确保了流体在压缩机入口处的均匀热力学状态（m˙21, h21）的能量连续性。

压缩机是低温循环的能量核心，通过来自闪蒸罐的蒸汽注入作为两阶段压缩过程运行。其总功率为：
(11)
w˙ = m˙18 · (h20 - h18ηis · ηmec) + m˙13 · (h13 - h21ηis · ηmec)

第一项对应于蒸汽从蒸发器（m˙18）到中间压力的压缩，第二项对应于混合物（m˙13）到最终压力的压缩。等熵（ηis）和机械（ηmec）效率考虑了实际中的不可逆性。

最后，蒸发器产生有用的制冷效果。用于冷却空气和冷凝水的功率为：
(12)
q˙ev = m˙18 · (h18(t18) - h17(t17))

级联循环的分析建模通过评估性能系数（copfr）[43] 来完成，这是系统能量性能的总体指标。copfr 由方程 (13) 定义：
(13)
copfr = m˙18 · (h18(t18) - h17(t17)) / (m˙8 · (h1(t1) · crh2olibr + h8(t8)) - m˙7 · h7(t7) + m˙18 · (h20 - h18ηis · ηmec) + m˙13 · (h13 - h21ηis · ηmec))

这个方程 (13) 表示蒸发器产生的有效制冷功率与包括供给发生器的热量和压缩机的电功在内的总能量消耗之间的比率。

2.2 水收集建模
??ntu 方法用于表征空气/流体换热器的热性能。对于接近恒定温度的流体，效率 ? 由以下公式给出：
(14)
? = 1 - exp?(-u · aeff · m˙air · cp,ah(ω(t)))

其中 u 是总传热系数，aeff 是有效传热表面积，m˙air 是空气质量流量，cp,ah 是其比热容（取决于湿度）。该公式表明效率随 u?aeff 增加而增加，随空气流的比热容增加而减小 [45]。

研究使用了一种带有钎焊翅片的螺旋鳍管换热器 [46]。其优化几何形状（fp=4.2 mm）在最小化压力损失（δpair,evap=50 pa，δpair,cond=45 pa）的同时最大化了传热。有效传热表面积 aeff 是翅片表面积 af 和裸管表面积 ab 之和 [47]：
(15)
af = nt · nrow · lfp · [π2 · (df2 - do2) + π · df · ft]
ab = nt · nrow · π · do · l

然后计算总传热系数 u，它考虑了所有热阻：
(16)
1 / u · aeff = 1 / (hi · ai + ln?(dodi)2π · kt · l + 1γ · heff · aeff)

冷凝器（空气预加热器）的效率由实际传递给空气的功率与可用功率之比给出，这允许确定空气出口温度 texout：
(17)
{?ex(uex) = q˙exout / (q˙ex(tex)}
(a)
texout(t) = tamb(t) + ?ex(uex) · (tex(t) - tamb(t))

蒸发器是水收集的关键组件 [48]。空气出口温度和提取的总热流量由以下公式描述：
(18)
{tevout(t) = texout(t) + ?ev(uev) · (tev(t) - texout(t)}
(a)
q˙evout = m˙air · cp,a(ω(texout)) · (texout(t) - tevout(t)) + m˙air · hfg(tevout) · (ω(texout) - ω(tevout))

方程 (18)(a) 根据效率 ?ev 确定 tevout。方程 (18)(b) 将 q˙evout 分解为显热冷却项（与温差成正比）和潜热项（与冷凝水的质量成正比，通过绝对湿度降低 δω 和潜热 hfg）。 2.1 混合级联制冷循环的多物理场建模 图 1(b) 中所示的压缩-吸收级联制冷系统基于一种创新的热力学架构，该架构整合了两个热耦合但在功能上不同的回路。图 2(a) 展示了这种混合级联循环的 t-s 图，说明了低温回路（ltc）和高温回路（htc）的热力学演变过程，其中 r1234yf 用蓝色表示，h2o 用红色表示。 下载：下载高分辨率图像（1mb） 下载：下载全尺寸图像 图 1. 大气水收集（awh）系统的概念和架构图：(a) 包含预加热器和蒸发器的整体系统架构；(b) 压缩-吸收级联制冷循环的详细表示，以及高温回路（htc）和低温回路（ltc）的组件。 下载：下载高分辨率图像（911kb） 下载：下载全尺寸图像 图 2. 基于级联压缩-吸收制冷循环的大气水收集系统热力学示意图：(a) ltc（r1234yf）和 htc（h2o）子系统的 t-s 图；(b) 在环境条件（t=30°C, rh=40%）下湿空气处理和冷凝的过程图。 对于低温回路（ltc），初始状态（13）对应于过热蒸汽（干蒸汽区域）。等压变换（13 到 14）使工作流体冷却并在冷凝器中发生部分冷凝，热量被释放到环境中。这一步骤导致饱和状态（14）。等焓膨胀（14 到 15）降低压力并将流体转移到两相液-气区域（15）。在恒定压力下，这种混合物分离成两种不同的组分：饱和液体组分（16）和饱和蒸汽组分（19）。液体组分（16）经过第二次等焓膨胀（16 到 17），进一步降低压力同时保持流体在两相区域（17）。随后等压蒸发（17 到 18）将这种混合物转换为饱和蒸汽（18）。等压过热（18 到 20）增加流体的温度、焓和熵（20）。 同时，饱和蒸汽组分（19）经过等压再加热（19 到 21）。然后点（21）与点（20）混合形成干蒸汽状态（21）。最后，压缩（21 到 13）提高压力、温度、焓和熵，从而完成蓝色循环。 对于高温回路（htc），点（1）对应于离开发生器的饱和蒸汽。冷凝过程（1 到 2）使蒸汽达到饱和液体状态，沿着 t-s 图中的下降路径进行。流体随后经历等压冷却（2 到 11），达到过冷液体状态。等焓膨胀（11 到 3）导致压力下降并生成低温下的两相混合物。在级联换热器（chx）（3 到 4）内的等压蒸发继续进行，直到获得饱和蒸汽。这种饱和蒸汽然后在再加热器（rhx）（4 到 12）中的等压过程中略微过热。通过溶液回路（libr h2o）确保热力学循环的闭合，在该回路中，状态（12）的水蒸气被浓缩的溴化锂溶液吸收，从而实现初始状态（1）的再生。需要注意的是，这个吸收过程（12 到 1）没有在制冷剂流体（h2o）的 t-s 图中表示，因为它涉及的是溶液的热力学行为而非纯流体的行为。尽管如此，提及这一点是为了提供对高温循环的完整和一致的描述。所有这些过程通过级联换热器（chx）热耦合，其中 r1234yf 的冷凝热传递给蒸发器中的水，而不会直接混合流体，从而有助于提高系统的整体能量性能。 图 2(b) 展示了系统内湿空气处理的温湿度图。环境空气以大约 30°c 和 40% 的相对湿度进入，对应的绝对湿度约为 11 g.kg^-1 [29]。空气首先在冷凝器中预热：其温度升高，相对湿度至少降低 20%，而绝对湿度保持不变 [30]。这种预热在防止蒸发器结霜方面起着关键作用：通过提高空气温度，减少了结冰的风险，从而保持了蒸发器的热效率 [31],[32]。预热的空气随后被导向蒸发器，在那里被冷却。在冷却过程中，空气温度下降，绝对湿度也下降，相对湿度逐渐增加直到达到饱和 [33]。当蒸发器温度降至露点温度以下时，空气中的水分开始冷凝，标志着露点的出现。这一过程能够从大气湿度中生产液态水，同时确保系统在半干旱或干燥气候条件下的稳定高效运行，即使在这些情况下露点温度可能接近 °c [32]。 分析首先应用质量守恒原理于两个子系统。对于低温回路（r1234yf），这建立了基本的质量流量关系： (1) m˙13=m˙14 = m˙15 (a) m˙16=m˙17 = m˙18 (b) m˙19 + m˙20=m˙21 (c) 这些方程反映了通过各种组件的流量守恒 [34]。方程 (1)(a) 表明高压支路（从压缩机到膨胀阀 tv?3）中的流量恒定，而方程 (1)(b) 则表示低压支路（从闪蒸罐到蒸发器）中的流量恒定。方程 (1)(c) 表示来自闪蒸罐（19）和蒸发器（20）的蒸汽在混合点处的平衡，其总和形成了压缩机在点 (21) 处的吸入口流量。 对于高温回路（libr h2o），质量守恒由以下系统表示： (2) m˙1=m˙2 = m˙11=m˙3 = m˙4=m˙12 (a) m˙1 + m˙8=m˙7 (b) m˙5=m˙6 = m˙7 (c) m˙8=m˙9 = m˙10 (d) 方程 (2)(a) 确保高压回路（从发生器到吸收器）中纯制冷剂（h2o）流量的连续性。方程 (2)(b)–(d) 描述了溶液（libr h2o）的平衡：发生器处的分离（b）、稀溶液（c）和浓溶液（d）的循环，确认了混合物在整个组件中的总质量守恒。 循环比（crh2olibr）由方程 (3) 定义，它直接来源于这些平衡，并量化了质量传输的效率： (3) crh2olibr=m˙8 m˙1 这个关键参数将质量平衡与能量平衡联系起来，表示通过循环传输一个单位纯制冷剂流量（m˙1）所需的溶液流量（m˙8）。 能量交换的建模量化了热流和功流。在冷凝器中，释放到环境中的热功率（q˙ex）由制冷剂（h2o）在入口（点（1））和出口（点（2）之间的焓变化决定： (4) q˙ex=m˙1 · (cp · (t1 - t2)) 这个方程表示移除的潜热和显热 [35]，其与循环比（crh2olibr）的隐含联系强调了其在整体能量平衡和热回收潜力中的作用 [36]。 在发生器中，吸收循环的热核部分，从 libr 溶液中解吸 h2o 制冷剂所需的功率 [37] 由焓平衡给出： (5) q˙ge=m˙8 · (h1(t1) crh2olibr + h8(t8)) - m˙7 · h7(t7) 方程表明净功率 q˙ge 取决于进出流量的流量和焓，结合循环比将产生的制冷剂流量（m˙1）与浓溶液的流量（m˙8）联系起来。 在吸收器中，水蒸气溶解到吸收剂溶液中的放热过程通过方程 (6) 量化： (6) q˙ab=m˙12 · h12(t12) + m˙10 · h10(t10) - m˙5 · h5(t5) 这个能量 q˙ab 代表必须移除的吸收热，以维持过程。 溶液换热器（shx）通过用热浓溶液（m˙8）预热冷的稀溶液（m˙7）来确保内能回收： (7) {t9=γSHX · t6 + (1 - γshx) · t8} (a) h7(t7)=h6(T6) + m˙8 · m˙7 · (h8(t8) - h9(t9)) 方程 (7)(a) 根据效率 γshx 确定了浓溶液的出口温度（t9），方程 (7)(b) 确保了焓平衡，表明 shx 如何减少发生器的热负荷并提高整体效率 [39]。 类似地，制冷剂换热器（rhx）通过冷却高压液体和过热低压蒸汽来优化循环： (8) {t11=T2 - γrhx · (t2 - t4) (a) h12(t12)=h4(T4) + (h2(t2) - h11(t11)) 系统描述了 rhx 的热平衡 (8)(a) 和焓平衡 (8)(b)，其中 γrhx 是其效率。 chx（级联换热器）是两个循环之间的物理和热耦合元件 [40]。两侧交换的功率相等： (9) q˙chx={m˙3 · (h4(t4) - h3(t3)) (a) m˙13 · (h13(t13) - h14(t14)) (b) 方程 (9)(a) 表示 h2o 循环吸收的热量，方程 (9)(b) 表示 r1234yf 循环在冷凝过程中释放的热量。 混合器（9）在压缩前将闪蒸罐（19）和蒸发器（20）中的蒸汽结合在一起，遵循焓守恒： (10) m˙21 · h21(t21)=m˙19 · h19(t19) + m˙20 · h20(t20) 这个方程确保了流体在压缩机入口处的均匀热力学状态（m˙21, h21）的能量连续性。 压缩机是低温循环的能量核心，通过来自闪蒸罐的蒸汽注入作为两阶段压缩过程运行。其总功率为： (11) w˙=m˙18 · (h20 - h18ηis · ηmec) + m˙13 · (h13 - h21ηis · ηmec) 第一项对应于蒸汽从蒸发器（m˙18）到中间压力的压缩，第二项对应于混合物（m˙13）到最终压力的压缩。等熵（ηis）和机械（ηmec）效率考虑了实际中的不可逆性。 最后，蒸发器产生有用的制冷效果。用于冷却空气和冷凝水的功率为： (12) q˙ev=m˙18 · (h18(t18) - h17(t17)) 级联循环的分析建模通过评估性能系数（copfr）[43] 来完成，这是系统能量性能的总体指标。copfr 由方程 (13) 定义： (13) copfr=m˙18 · (h18(t18) - h17(t17)) (m˙8 · (h1(t1) · crh2olibr + h8(t8)) - m˙7 · h7(t7) + m˙18 · (h20 - h18ηis · ηmec) + m˙13 · (h13 - h21ηis · ηmec)) 这个方程 (13) 表示蒸发器产生的有效制冷功率与包括供给发生器的热量和压缩机的电功在内的总能量消耗之间的比率。 2.2 水收集建模 ??ntu 方法用于表征空气 流体换热器的热性能。对于接近恒定温度的流体，效率 ? 由以下公式给出： (14) ?=1 - exp?(-u · aeff · m˙air · cp,ah(ω(t))) 其中 u 是总传热系数，aeff 是有效传热表面积，m˙air 是空气质量流量，cp,ah 是其比热容（取决于湿度）。该公式表明效率随 u?aeff 增加而增加，随空气流的比热容增加而减小 [45]。 研究使用了一种带有钎焊翅片的螺旋鳍管换热器 [46]。其优化几何形状（fp=4.2 mm）在最小化压力损失（δpair,evap=50 pa，δpair,cond=45 pa）的同时最大化了传热。有效传热表面积 aeff 是翅片表面积 af 和裸管表面积 ab 之和 [47]： (15) af=nt · nrow · lfp · [π2 · (df2 - do2) + π · df · ft] ab=nt · nrow · π · do · l 然后计算总传热系数 u，它考虑了所有热阻： (16) 1 u · aeff=1 (hi · ai + ln?(dodi)2π · kt · l + 1γ · heff · aeff) 冷凝器（空气预加热器）的效率由实际传递给空气的功率与可用功率之比给出，这允许确定空气出口温度 texout： (17) {?ex(uex)=Q˙Exout (q˙ex(tex)} (a) texout(t)=Tamb(t) + ?ex(uex) · (tex(t) - tamb(t)) 蒸发器是水收集的关键组件 [48]。空气出口温度和提取的总热流量由以下公式描述： (18) {tevout(t)=TExout(t) + ?ev(uev) · (tev(t) - texout(t)} (a) q˙evout=m˙air · cp,a(ω(texout)) · (texout(t) - tevout(t)) + m˙air · hfg(tevout) · (ω(texout) - ω(tevout)) 方程 (18)(a) 根据效率 ?ev 确定 tevout。方程 (18)(b) 将 q˙evout 分解为显热冷却项（与温差成正比）和潜热项（与冷凝水的质量成正比，通过绝对湿度降低 δω 和潜热>
2.1 混合级联制冷循环的多物理场建模
图 1(b) 中所示的压缩-吸收级联制冷系统基于一种创新的热力学架构，该架构整合了两个热耦合但在功能上不同的回路。图 2(a) 展示了这种混合级联循环的 t-s 图，说明了低温回路（ltc）和高温回路（htc）的热力学演变过程，其中 r1234yf 用蓝色表示，h2o 用红色表示。

下载：下载高分辨率图像（1mb）
下载：下载全尺寸图像

图 1. 大气水收集（awh）系统的概念和架构图：(a) 包含预加热器和蒸发器的整体系统架构；(b) 压缩-吸收级联制冷循环的详细表示，以及高温回路（htc）和低温回路（ltc）的组件。

下载：下载高分辨率图像（911kb）
下载：下载全尺寸图像

图 2. 基于级联压缩-吸收制冷循环的大气水收集系统热力学示意图：(a) ltc（r1234yf）和 htc（h2o）子系统的 t-s 图；(b) 在环境条件（t=30°c, rh=40%）下湿空气处理和冷凝的过程图。

对于低温回路（ltc），初始状态（13）对应于过热蒸汽（干蒸汽区域）。等压变换（13 到 14）使工作流体冷却并在冷凝器中发生部分冷凝，热量被释放到环境中。这一步骤导致饱和状态（14）。等焓膨胀（14 到 15）降低压力并将流体转移到两相液-气区域（15）。在恒定压力下，这种混合物分离成两种不同的组分：饱和液体组分（16）和饱和蒸汽组分（19）。液体组分（16）经过第二次等焓膨胀（16 到 17），进一步降低压力同时保持流体在两相区域（17）。随后等压蒸发（17 到 18）将这种混合物转换为饱和蒸汽（18）。等压过热（18 到 20）增加流体的温度、焓和熵（20）。

同时，饱和蒸汽组分（19）经过等压再加热（19 到 21）。然后点（21）与点（20）混合形成干蒸汽状态（21）。最后，压缩（21 到 13）提高压力、温度、焓和熵，从而完成蓝色循环。

对于高温回路（htc），点（1）对应于离开发生器的饱和蒸汽。冷凝过程（1 到 2）使蒸汽达到饱和液体状态，沿着 t-s 图中的下降路径进行。流体随后经历等压冷却（2 到 11），达到过冷液体状态。等焓膨胀（11 到 3）导致压力下降并生成低温下的两相混合物。在级联换热器（chx）（3 到 4）内的等压蒸发继续进行，直到获得饱和蒸汽。这种饱和蒸汽然后在再加热器（rhx）（4 到 12）中的等压过程中略微过热。通过溶液回路（libr/h2o）确保热力学循环的闭合，在该回路中，状态（12）的水蒸气被浓缩的溴化锂溶液吸收，从而实现初始状态（1）的再生。需要注意的是，这个吸收过程（12 到 1）没有在制冷剂流体（h2o）的 t-s 图中表示，因为它涉及的是溶液的热力学行为而非纯流体的行为。尽管如此，提及这一点是为了提供对高温循环的完整和一致的描述。所有这些过程通过级联换热器（chx）热耦合，其中 r1234yf 的冷凝热传递给蒸发器中的水，而不会直接混合流体，从而有助于提高系统的整体能量性能。

图 2(b) 展示了系统内湿空气处理的温湿度图。环境空气以大约 30°c 和 40% 的相对湿度进入，对应的绝对湿度约为 11 g.kg^-1 [29]。空气首先在冷凝器中预热：其温度升高，相对湿度至少降低 20%，而绝对湿度保持不变 [30]。这种预热在防止蒸发器结霜方面起着关键作用：通过提高空气温度，减少了结冰的风险，从而保持了蒸发器的热效率 [31],[32]。预热的空气随后被导向蒸发器，在那里被冷却。在冷却过程中，空气温度下降，绝对湿度也下降，相对湿度逐渐增加直到达到饱和 [33]。当蒸发器温度降至露点温度以下时，空气中的水分开始冷凝，标志着露点的出现。这一过程能够从大气湿度中生产液态水，同时确保系统在半干旱或干燥气候条件下的稳定高效运行，即使在这些情况下露点温度可能接近 °c [32]。

分析首先应用质量守恒原理于两个子系统。对于低温回路（r1234yf），这建立了基本的质量流量关系：
(1)
m˙13 = m˙14 = m˙15
(a)
m˙16 = m˙17 = m˙18
(b)
m˙19 + m˙20 = m˙21
(c)

这些方程反映了通过各种组件的流量守恒 [34]。方程 (1)(a) 表明高压支路（从压缩机到膨胀阀 tv?3）中的流量恒定，而方程 (1)(b) 则表示低压支路（从闪蒸罐到蒸发器）中的流量恒定。方程 (1)(c) 表示来自闪蒸罐（19）和蒸发器（20）的蒸汽在混合点处的平衡，其总和形成了压缩机在点 (21) 处的吸入口流量。

对于高温回路（libr/h2o），质量守恒由以下系统表示：
(2)
m˙1 = m˙2 = m˙11 = m˙3 = m˙4 = m˙12
(a)
m˙1 + m˙8 = m˙7
(b)
m˙5 = m˙6 = m˙7
(c)
m˙8 = m˙9 = m˙10
(d)

方程 (2)(a) 确保高压回路（从发生器到吸收器）中纯制冷剂（h2o）流量的连续性。方程 (2)(b)–(d) 描述了溶液（libr/h2o）的平衡：发生器处的分离（b）、稀溶液（c）和浓溶液（d）的循环，确认了混合物在整个组件中的总质量守恒。

循环比（crh2olibr）由方程 (3) 定义，它直接来源于这些平衡，并量化了质量传输的效率：
(3)
crh2olibr = m˙8 / m˙1

这个关键参数将质量平衡与能量平衡联系起来，表示通过循环传输一个单位纯制冷剂流量（m˙1）所需的溶液流量（m˙8）。

能量交换的建模量化了热流和功流。在冷凝器中，释放到环境中的热功率（q˙ex）由制冷剂（h2o）在入口（点（1））和出口（点（2）之间的焓变化决定：
(4)
q˙ex = m˙1 · (cp · (t1 - t2))

这个方程表示移除的潜热和显热 [35]，其与循环比（crh2olibr）的隐含联系强调了其在整体能量平衡和热回收潜力中的作用 [36]。

在发生器中，吸收循环的热核部分，从 libr 溶液中解吸 h2o 制冷剂所需的功率 [37] 由焓平衡给出：
(5)
q˙ge = m˙8 · (h1(t1) / crh2olibr + h8(t8)) - m˙7 · h7(t7)

方程表明净功率 q˙ge 取决于进出流量的流量和焓，结合循环比将产生的制冷剂流量（m˙1）与浓溶液的流量（m˙8）联系起来。

在吸收器中，水蒸气溶解到吸收剂溶液中的放热过程通过方程 (6) 量化：
(6)
q˙ab = m˙12 · h12(t12) + m˙10 · h10(t10) - m˙5 · h5(t5)

这个能量 q˙ab 代表必须移除的吸收热，以维持过程。

溶液换热器（shx）通过用热浓溶液（m˙8）预热冷的稀溶液（m˙7）来确保内能回收：
(7)
{t9 = γshx · t6 + (1 - γshx) · t8}
(a)
h7(t7) = h6(t6) + m˙8 · m˙7 · (h8(t8) - h9(t9))

方程 (7)(a) 根据效率 γshx 确定了浓溶液的出口温度（t9），方程 (7)(b) 确保了焓平衡，表明 shx 如何减少发生器的热负荷并提高整体效率 [39]。

类似地，制冷剂换热器（rhx）通过冷却高压液体和过热低压蒸汽来优化循环：
(8)
{t11 = t2 - γrhx · (t2 - t4)
(a)
h12(t12) = h4(t4) + (h2(t2) - h11(t11))

系统描述了 rhx 的热平衡 (8)(a) 和焓平衡 (8)(b)，其中 γrhx 是其效率。

chx（级联换热器）是两个循环之间的物理和热耦合元件 [40]。两侧交换的功率相等：
(9)
q˙chx = {m˙3 · (h4(t4) - h3(t3)) (a)
m˙13 · (h13(t13) - h14(t14)) (b)

方程 (9)(a) 表示 h2o 循环吸收的热量，方程 (9)(b) 表示 r1234yf 循环在冷凝过程中释放的热量。

混合器（9）在压缩前将闪蒸罐（19）和蒸发器（20）中的蒸汽结合在一起，遵循焓守恒：
(10)
m˙21 · h21(t21) = m˙19 · h19(t19) + m˙20 · h20(t20)

这个方程确保了流体在压缩机入口处的均匀热力学状态（m˙21, h21）的能量连续性。

压缩机是低温循环的能量核心，通过来自闪蒸罐的蒸汽注入作为两阶段压缩过程运行。其总功率为：
(11)
w˙ = m˙18 · (h20 - h18ηis · ηmec) + m˙13 · (h13 - h21ηis · ηmec)

第一项对应于蒸汽从蒸发器（m˙18）到中间压力的压缩，第二项对应于混合物（m˙13）到最终压力的压缩。等熵（ηis）和机械（ηmec）效率考虑了实际中的不可逆性。

最后，蒸发器产生有用的制冷效果。用于冷却空气和冷凝水的功率为：
(12)
q˙ev = m˙18 · (h18(t18) - h17(t17))

级联循环的分析建模通过评估性能系数（copfr）[43] 来完成，这是系统能量性能的总体指标。copfr 由方程 (13) 定义：
(13)
copfr = m˙18 · (h18(t18) - h17(t17)) / (m˙8 · (h1(t1) · crh2olibr + h8(t8)) - m˙7 · h7(t7) + m˙18 · (h20 - h18ηis · ηmec) + m˙13 · (h13 - h21ηis · ηmec))

这个方程 (13) 表示蒸发器产生的有效制冷功率与包括供给发生器的热量和压缩机的电功在内的总能量消耗之间的比率。

2.2 水收集建模
??ntu 方法用于表征空气/流体换热器的热性能。对于接近恒定温度的流体，效率 ? 由以下公式给出：
(14)
? = 1 - exp?(-u · aeff · m˙air · cp,ah(ω(t)))

其中 u 是总传热系数，aeff 是有效传热表面积，m˙air 是空气质量流量，cp,ah 是其比热容（取决于湿度）。该公式表明效率随 u?aeff 增加而增加，随空气流的比热容增加而减小 [45]。

研究使用了一种带有钎焊翅片的螺旋鳍管换热器 [46]。其优化几何形状（fp=4.2 mm）在最小化压力损失（δpair,evap=50 pa，δpair,cond=45 pa）的同时最大化了传热。有效传热表面积 aeff 是翅片表面积 af 和裸管表面积 ab 之和 [47]：
(15)
af = nt · nrow · lfp · [π2 · (df2 - do2) + π · df · ft]
ab = nt · nrow · π · do · l

然后计算总传热系数 u，它考虑了所有热阻：
(16)
1 / u · aeff = 1 / (hi · ai + ln?(dodi)2π · kt · l + 1γ · heff · aeff)

冷凝器（空气预加热器）的效率由实际传递给空气的功率与可用功率之比给出，这允许确定空气出口温度 texout：
(17)
{?ex(uex) = q˙exout / (q˙ex(tex)}
(a)
texout(t) = tamb(t) + ?ex(uex) · (tex(t) - tamb(t))

蒸发器是水收集的关键组件 [48]。空气出口温度和提取的总热流量由以下公式描述：
(18)
{tevout(t) = texout(t) + ?ev(uev) · (tev(t) - texout(t)}
(a)
q˙evout = m˙air · cp,a(ω(texout)) · (texout(t) - tevout(t)) + m˙air · hfg(tevout) · (ω(texout) - ω(tevout))

方程 (18)(a) 根据效率 ?ev 确定 tevout。方程 (18)(b) 将 q˙evout 分解为显热冷却项（与温差成正比）和潜热项（与冷凝水的质量成正比，通过绝对湿度降低 δω 和潜热 hfg）。>这种公式捕捉了用于评估水生产性能的热液耦合的本质。水分收集系统（COPAWH）的性能系数整合了与风扇电力消耗相关的所有有用能量流 [49]：(19) COPAWH = m?air?cp,a(ω(TExout))?(TExout?TEvout)V?air?Pout?PintηFa + m?air?hfg(TEvout)?(ω(TExout)?ω(TEvout))V?air?Pout?PintηFa + ?Ex?m?1(CR)?(h1(T1)?h2(T2))V?air?Pout?PintηFa 这个COPAWH值包括了在蒸发器产生的冷却（显热和潜热）以及在冷凝器回收的热量，并通过风扇功率（W˙Fa）进行了归一化。最后，比能耗（Espec）量化了生产一升冷凝水所需的总能量 [50]，整合了所有消耗（压缩机、发电机、辅助设备）：(20) Espec = TEvout?(vg?vf)?dPsatdT|T = TEvoutQ˙Evout + ?Ex?(m?1(CR)?(h1(T1)?h2(T2)) [V?air?Pout?PintηFa + (m?8?(h1(T1)CRH2OLiBr+h8(T8))?m?7?h7(T7)) + (m?18?(h20?h18ηis?ηmec)+m?13?(h15?h21ηis?ηmec))] 本模型中使用的所有性能参数及其名义值和变化范围都在表1中进行了汇编。这些值构成了模型验证和运行所需的输入数据库。此外，大气水分回收的动态研究基于针对热质传递耦合现象的特定假设：将潮湿空气视为理想混合物 [51]，一旦表面温度降至露点以下水蒸气就完全凝结 [52]，热交换器上空气分布的均匀性 [53]，以及在平均边界层温度下评估空气属性 [51]。这些假设特别关注热液方面，允许分析水生产动态随气候变化的情况，而不会因级联系统的完整复杂性而使模型负担过重，其性能假设在稳态条件下建立。表1. 原始分析模型的参数。参数 符号 名义值 范围 压缩机效率 等熵效率 ηis 0.75 0.65 – 0.85 机械效率 ηmec 0.90 0.85 – 0.95 热交换器效率 SHX效率 γSHX 0.70 0.60 – 0.85 RHX效率 γRHX 0.65 0.55 – 0.80 冷凝器效率（空气预热）?Ex 0.75 0.60 – 0.90 蒸发器效率 ?Ev 0.80 0.65 – 0.95 整体表面效率（散热片）γ0.88 0.80 – 0.95 压降 空气侧压降（Ev）ΔPair,Ev 50 (Pa) 30 – 100 (Pa) 空气侧压降（Ex）ΔPair,Ex 45 (Pa) 25 – 90 (Pa) 风扇效率 风扇效率 ηFa 0.65 0.55 – 0.75 热传递系数 热传递系数（Ex）UEx 45 (W/m2.K) 35 – 60 (W/m2.K) 热传递系数（Ev）UEv 40 (W/m2.K) 30 – 55 (W/m2.K) 热传递系数（CHX）UCHX 500 (W/m2.K) 400 – 800 (W/m2.K) 开发的分析模型以其精确性和完整性而著称，依赖于控制每个子系统的方程的显式表达。质量平衡（(1)，(2）建立了流量守恒的基础。循环比（CRH2OLiBr），方程（3）有效地联系了质量和能量方面，而逐个组分的焓平衡（(4)，(5)，(6)，(7)，(8)，(9)描述了热传递。通过方程（9）量化了循环之间的能量耦合，并通过COPFr（方程（13）和COPAWH（方程19）评估了整体性能，后者整合了产生的冷却和回收的热量。比能耗（Espec）（方程（20）提供了每生产一升水所需的效率的综合指标。这种多物理建模在蒸发器内创新性地整合了热液相关性（方程（18）），其中显热和潜热传递与空气湿度的凝结明确耦合。这项研究通过提出一种综合的预测性分析建模方法，在大气水分收集（AWH）领域引入了重要的方法论进步。与通常仅限于稳态条件的传统热力学模型不同，所开发的框架能够预测系统性能随气候变化的演变，特别是露点温度和特定湿度。这种预测维度是方程结构的固有部分，允许级联系统的操作动态适应未来的气象条件。这为模型的操作鲁棒性提供了独特保障，并为变化环境中的水资源优化管理铺平了道路。

3. AWH的气象预测模型
在大气水分收集（AWH）系统中，整体性能（Espec，方程（20）强烈依赖于环境条件的空间和时间变化。这些条件包括空气温度（T和Tdew，图1(a)）、绝对湿度（ωAir，图1(a)）、大气压力，以及昼夜和季节性周期。人工智能是建模这些复杂动态的特别相关工具，这些动态以非线性关系和高不确定性为特征。通过利用来自传感器和本地气象数据库的时间序列数据，AI模型可以预测有利于凝结的短期和中期条件变化。这种预测能力为AWH系统的主动管理提供了关键杠杆，有助于优化运行阶段、减少不必要的能源消耗，并实时调整控制参数以适应预测的大气条件（图3(b)）。LSTM预测模型框架
长短期记忆（LSTM）模型是所提出方法的核心，因为它具有内在的能力来模拟复杂的、非线性的时间动态[67]。如图4所示，LSTM架构围绕一个内部记忆单元（图4(b)）构建，该单元集成在一个堆叠的层结构中（图4(a)）。每个LSTM单元接收当前向量xt和之前的隐藏状态ht?1作为输入，这些输入由单元中的箭头表示。

下载：下载高清晰度图片（923KB）
下载：下载全尺寸图片

图4. 多变量LSTM模型用于气候参数预测的架构：(a) 堆叠层的整体图（输入层、LSTM层、密集层和输出层），(b) LSTM单元工作原理的详细内部表示。

这些信号同时传入图中可见的三个控制门：遗忘门、输入门和输出门，分别由标有σ的sigmoid块表示。

遗忘门位于单元的左上分支，由方程(25)定义：
(25) f_t = σ(W_{f}[h_{t?1}, x_t] + b_f)

遗忘门直接作用于之前的记忆状态C_{t?1}，该状态由上面的水平线表示。元素级的乘法操作允许选择性地保留或减弱过去的信息。同时，输入门由方程(26)描述：
(26) i_t = σ(W_{i}[h_{t?1}, x_t] + b_i)

方程(26)显示了如何控制新信息从候选值C_{t~}的注入，该候选值由方程(27)描述：
(27) C_{t~} = tanh(W_{C}[h_{t?1}, x_t] + b_C)

这两个贡献通过加权和结合形成新的记忆状态，由方程(28)给出：
(28) C_t = f_t · C_{t?1} + i_t · C_{t~}

方程(28)表明，加权求和确保了长时间序列中的记忆稳定性和可控性。

输出门位于LSTM单元的右分支，由方程(29)定义：
(29) o_t = σ(W_{o}[h_{t?1}, x_t] + b_o)

输出门控制记忆状态对外部的暴露。如图所示，单元状态C_t首先通过函数（tanh）变换，然后通过输出门过滤，产生最终的隐藏状态，由方程(30)给出：
(30) h_t = o_t · tanh(C_t)

最终的隐藏状态（方程(30)）要么输入到下一个LSTM层（堆叠结构），要么输入到密集输出层。这种组织方式在图4(b)中有明确表示，解释了LSTM避免梯度消失并在扩展时间范围内保留相关信息的能力。

在空气水分收集（AWH）的背景下，图4(a)显示LSTM以多变量形式使用，其输入由方程(31)给出的向量：
(31) x_t = [T(t), T_{dew}(t), T_{wet}(t), \omega(t), R_{H}(t), P_{rec}(t), W_s(t), P_r(t)]

这种对空气温度、露点温度、湿球温度、相对湿度、地表压力、风速和降水的综合集成，使得能够一致地捕捉控制水蒸气凝结过程的耦合物理相互作用。

热力学相关变量（T, T_{wet}, T_{dew}）的存在改善了空气湿度的表示，而降水的引入提供了关于有利于饱和的大气状态的间接信息。

3.3 预测与评估
在本研究中，LSTM模型专门用于长期预测影响空气水分收集系统性能的关键变量，即露点温度T_{dew}(t)和相对湿度\(\omega_{Air}(t)\)。

LSTM模型的架构和超参数是通过结合网格搜索和交叉验证的系统优化程序确定的。评估了几种配置，包括不同数量的堆叠LSTM层、不同的序列长度（tstep）和不同的丢弃率。输入序列是使用滑动窗口方法构建的，每个样本包含36个时间步长，对应于三年的气象观测历史窗口。这种窗口长度允许模型捕捉多个季节周期和气象数据中的年际变化[68]，同时保持网络的可管理输入大小[69]。较短的窗口（例如，12个月）不足以捕捉年际趋势，而较长的窗口（例如，60个月）则没有显著改进。在评估了1层、2层和4层变体后，最终选择了由三层堆叠LSTM层（512、256和128个单元）组成的架构。这种三层配置在预测准确性和训练稳定性之间提供了最佳平衡，性能优于较浅的模型，并且比深层模型的过拟合现象更少，这与关于LSTM深度进行时间序列预测的公认建议一致[70]。采用了0.1的丢弃率，因为它在不导致欠拟合的情况下提供了最佳的 regularization 效果[71]。

因此，网络接收36个时间步长的时间序列作为输入（图4(a)），对应于三年的历史数据，并包括九个解释性气象变量（Fe，图4(a)）。这种时间窗口允许LSTM同时捕捉短期记忆效应（月度和季节性变化）和长期记忆效应（年际趋势）。该模型配置为生成五年的未来预视图，输出层由24个单元组成，对应12个月和2个预测变量（T_{dew}和\(\omega_{Air}\）。这种形式使得能够以月度分辨率预测关键湿度条件的联合演变，可以直接用于空气水分收集系统的规划和动态优化。

为了评估露点温度T_{dew}(t)和相对湿度\(\omega_{Air}(t)的气候预测质量，开发了一个多维评估框架，结合了确定性、概率性和预测性技能指标。这种综合方法不仅允许量化点预测的准确性，还允许量化不确定性的可靠性以及再现气候时间序列复杂动态的能力[72]。

在确定性指标中，决定系数R^2估计了模型解释的方差比例，从而指示了预测模型捕捉实际气候数据变化的程度。平均绝对误差（MAE）提供了预测值和观测值之间平均差异的直观度量，而均方根误差（RMSE）放大了较大偏差，突出了极端预测或点异常。平均绝对百分比误差（MAPE）提供了一个与尺度无关的直观解释，特别适用于比较不同变量的性能。标准化均方根误差（NRMSE）通过将误差标准化为观测值的平均值来允许比较不同量级的误差。最后，平均偏差（MB）量化了系统偏差，其值为负时表示低估趋势，为正时表示高估趋势[73]。

为了评估预测区间的可靠性，使用了两个互补的概率性指标。预测区间覆盖概率（PICP）测量实际观测值落在95%预测区间内的百分比，从而指示不确定性估计的可靠性。平均预测区间宽度（MPIW）量化了这些区间的尖锐度，因为过宽的区间即使可靠也缺乏信息[74]。正如最近在概率预测研究中所强调的，评估预测区间需要同时考虑它们的覆盖率和宽度来判断其整体质量[74]。

最后，预测性技能指标能够评估模型的相对性能。Nash–Sutcliffe效率（NSE）将模型性能与基于观测值平均值的简单预测器进行比较，值为1表示完全一致。Kling–Gupta效率（KGE）将性能分解为三个组成部分：相关性（r）、偏差（\(\beta\)和变异性（\(\alpha\)，从而提供了对每个模型优势和劣势的更详细诊断分析[75]。Knoben及其同事强调，尽管这两个指标经常互换使用，但它们基于不同的统计基础，需要不同的解释：Nash–Sutcliffe效率的值为0表示使用平均值作为参考预测器，而Kling–Gupta效率的参考值为-0.41，这意味着该指标的负值可能仍然表明性能优于简单的预测器[75]。这些指标的分析表达式及其在预测评估中的作用在表3中总结。

表3. 用于评估T_{dew}(t)和\(\omega_{Air}(t)预测的性能指标，包括确定性、概率性和预测性技能指标。

指标 | 分析表达式 | 在预测中的作用
|------|-------------|-----------------|---------------------------------|
| R^2 | R^2 = 1 ? ∑_{i=1}^{N}(y_i ? y^i)^2 / ∑_{i=1}^{N}(y_i ? y_{bar})^2 | 表示模型解释的方差比例 |
| MAE | MAE = 1 / N ∑_{i=1}^{N}|y_i ? y^i| | 评估预测值和观测值之间的平均绝对误差 |
| RMSE | RMSE = 1 / N ∑_{i=1}^{N}(y_i ? y^i)^2 | 强调异常和极端预测 |
| MB | MB = 1 / N ∑_{i=1}^{N}(y_i ? y_i) | 量化预测中的系统偏差（低估或高估） |
| MAPE | MAPE = 100% | N ∑_{i=1}^{N}|y_i ? y_i| / y_i | 提供基于百分比的相对误差，便于直观解释 |
| NRMSE | NRMSE = RMSE / y_{bar} | 通过将RMSE标准化为观测值的平均值来进行跨变量比较 |
| NSE | NSE = 1 ? ∑_{i=1}^{N}(y_i ? y^i)^2 / ∑_{i=1}^{N}(y_i ? y_{bar})^2 | 评估相对于平均值的预测技能（NSE = 1表示完美匹配） |
| KGE | KGE = 1 ? (r ? 1)^2 + (α ? 1)^2 + (β ? 1)^2 | 将性能分解为相关性（r）、变异性比率（\(\alpha\)和偏差比率（β） |
| PICP | PICP = 1 / N ∑_{i=1}^{N}1[Li, U_i](y_i) | 测量预测区间的可靠性（95%区间内的观测值百分比） |
| MPIW | MPIW = 1 / N ∑_{i=1}^{N}(U_i ? Li) | 量化预测区间的尖锐度（精度） |

在这些多维性能指标的使用对于半干旱地区的露点温度和相对湿度预测至关重要，因为这些地区的空气条件的空间和时间变异性特别高。决定系数接近1确保模型准确跟随实际空气动态，而低MAE、RMSE和MAPE值保证了绝对和相对误差的有限性，从而使得能量规划更加精确。接近95%的PICP结合适度的MPIW表明预测区间既可靠又有信息量，这对能源系统的风险管理至关重要[73]，[74]。NSE和KGE值高于0.8确认了预测模型的优越性[75]。这种对预测性能的严格评估增强了将气候数据整合到物理模型中的可靠性，并实现了即使在环境条件波动的情况下也能最佳预测大气水分生产的预期。

4. 结果与讨论
4.1 动态分析结果和AWH性能的热力学视角

图5展示了对混合压缩-吸收级联系统的全面参数分析，说明了关键性能指标对设计和操作参数变化的敏感性。制冷循环性能（图5(a)和(b)）：性能系数COPFr（方程13）随着发生器温度TEx的降低和蒸发温度TEv的升高而增加（图5(a)），从TEv=-10°C, TEx=41°C时的0.66增加到TEv=140°C, TEx=14°C时的0.3。这种关系源于能量平衡：较低的TEx减少了发生器的热负荷（Q˙Ex，方程（5）），而较高的TEv减少了压缩功（W˙，方程（11）对于给定的冷却效果（Q˙Ev，方程（12））。

图5(b)确定了最佳 operating 区域：在低TEv和高TEv时紧密排列的等高线表明敏感性增强，而在TEv=5?10°C和TEx<70°C时宽间距的等高线定义了高效运行（COPFr≈0.55?0.66）。这些COPFr值（1.8-3.2）超过了单独的压缩或吸收循环的数值，证实了级联架构的协同优势[78]，[79]。

整体AWH系统性能（图5(c)）：性能系数COPAWH（方程19）整合了蒸发器冷却和冷凝器热回收（方程4）。最大COPAWH=2.75出现在最佳溶液流速m˙1(CR)=0.5 kg/s和空气流速m˙air=0.3 kg/s时。低于这个最佳值，空气流量不足限制了蒸发器的热量和质量转移（方程14）；高于这个值，风扇消耗过多（W˙Fa）将COPAWH降低到m˙air=1 kg/s时的0.3。这种多维最佳值是由耦合的热湿蒸发器模型（方程18）实现的，与最近强调平衡空气流量和冷却能力以提高AWH效率的研究一致[80]，[82]。

特定能耗Espec（方程20）表现出两个关键依赖性（图5(d)）。随着蒸发温度TEv的升高，它急剧下降：在恒定空气流量m˙air=0.05 kg/s时，Espec从TEv=-5°C时的0.30 kWh/L下降到TEv=15°C时的0.13 kWh/L，这是由于压缩比的降低和级联热交换器传输的优化[83]。对于每个TEv，Espec作为m˙air的函数表现出U形响应，在最佳流量处达到最小值（例如，Especmin=0.05 kWh/L，TEv=15°C，m˙air=0.6 kg/s）。这种权衡反映了增加冷凝和增加风扇功率之间的平衡[84]。最小值的位置和值随着TEv的变化而强烈变化：在低温（-5°C）下，降低的COPFr使得冷却成本增加，将最佳值向较低的流量转移（Espec≈0.12 kWh/L）；在高温（15°C）下，级联循环的有效运行允许更高的流量，使水提取最大化，然后风扇消耗占主导（Espec=0.05 kWh/L）。

这种耦合验证了多物理方法的有效性，表明大气水分收集的优化需要系统地整合制冷循环动态和蒸发器的热量和质量转移[85]。决策图（图5(d)为识别最優化的（TEv,m˙air）对提供了理论框架，这些对能够最小化Espec。然而，实际操作必须考虑大气变异性：TEv受到环境露点（Tdew）的限制，而最佳的m˙air则取决于相对湿度（ωAir）。所确定的最佳点（TEv=15°C，m˙air=0.6 kg/s，Especmin=0.05 kWh/L）是根据级联循环性能图得出的理论最优值。其实际实现受基本凝结条件TEv15-20°C）之间的中间气候带。

湿球温度Twet(t)（通常为5-25°C）反映了空气的热能和湿能状态。与Tdew(t)不同，即使Tdew(t)变为负值，Twet(t)通常也保持正值，因为它包含了干燥温度的影响。因此，Twet(t)与Tdew(t)之间的差异可以作为饱和度缺口的间接测量：较大的差异表明空气更干燥，凝结过程效率更低。快速变化的相对湿度（短时间内20-100%）和平均风速为6 m/s（偶尔超过10 m/s）是具有强烈温度对比的半干旱环境的特征，尽管这些动态机制相对于控制相对湿度的热力学过程来说处于次要地位。

图7通过关注平均行为来补充这一分析，揭示了主导的气候趋势。平均小时演变（图7(a)和(b)显示2020-2025年间几乎相同的日变化：Tdew(t)和ω(t)在早晨逐渐下降，到中午12点到下午3点分别达到最小值6-6.5°C和6.3-6.6 g/kg，随后在夜间恢复到10-11°C和8.5-9 g/kg。这两个变量的同步演变（图7(c)定量证实了它们之间的强热力学耦合。中午同时出现的最低值对应于最大的饱和度缺口，不利于自然凝结，而夜间的趋同则反映了接近饱和的条件，这对AWH操作是最有利的[89]。

图7(d)显示了平均每月的露点温度和相对湿度变化（Benguerir，2020-2025年）：(a) 露点温度Tdew(t)的平均小时变化；(b) 相对湿度ωAir(t)的平均小时变化；(c) Tdew(t)和ωAir(t)的平均小时剖面的比较；(d) Tdew(t)和ωAir(t)的平均月变化，说明了湿能潜力的季节性。

平均每月的变化（图7(d)显示出明显的季节性：冬季最低值（1月至2月）时Tdew约为3-4°C，ω约为5-6 g/kg，表明干燥条件不利于凝结；而夏季最高值（7月至9月）时Tdew超过12-13°C，ω约为9-10 g/kg，反映了显著增强的湿能潜力。这种季节性模式证实，在Benguerir的中间半干旱气候中，大气湿度主要在炎热季节变得可用。

所识别的特征与已建立的科学原理一致。准线性的Tdew-ω相关性验证了类似环境中报告的热力学基础[86]。典型的日变化特征，即夜间湿度达到最大值，在干旱地区已有充分记录，并由边界层动态和夜间辐射冷却解释[89]。然而，Benguerir的中等季节性范围——夏季Tdew高于12°C，而冬季通常为负值——使其区别于极端干旱和沿海湿润环境[90]。这种区别具有直接的技术意义。

文献表明，当Tdew低于临界阈值时，冷却凝结效率会显著下降[91]，这与我们的分析结果一致。这些分析为这种气候定义了一个现实的操作窗口，证实了大气水资源收集的能源可行性主要限于夏季和夜间时段。这一发现支持了最近的优化策略，提倡根据时间选择性来最大化间歇性大气水资源的分布式系统的效率[91]。平均日和季节性周期的显著稳定性和可重复性（图7）是预测建模和半干旱环境（如Benguerir）中AWH系统能源优化的宝贵资产。

4.3. 基于AI的气候预测用于能源优化
决定大气水资源收集系统性能的气候变量在图8和图9中展示，这些图分别展示了Prophet模型和LSTM模型在训练和预测阶段的表现，应用于Benguerir的露点温度和相对湿度。

图8展示了Prophet模型在2020-2025年训练期间以及2026-2030年的中期预测结果。在训练阶段可以区分出两种不同的气候制度，反映了模型吸收当地气候内在季节性动态的能力。这种双制度结构在预测阶段也得以保持，曲线将这些行为投影到五年的时间范围内，证实了模型的时间一致性和预测稳健性。

在图8(a)中，露点温度（Tdew(t)的演变显示出明显的周期性变化，受到规律的年度振荡的支配。在训练阶段，冬季最低值约为0到3°C，而最高值在12到14°C之间，反映了对比鲜明但稳定的气候制度。2026-2030年的预测延续了这种季节性模式，年度峰值主要在12到13°C之间，而最低温度保持在1.5到3°C之间。年度平均值估计在7.5到8.5°C之间，表明没有显著的结构漂移，同时暗示季节性最大值的轻微放大，有利于大气凝结过程。

图8(b)显示了空气相对湿度（ωAir(t)的类似动态，证实了这个变量与露点温度之间的强烈物理依赖性。在训练期间，ωAir在寒冷季节介于4.2-5 g/kg之间，在温暖季节介于9.5-10.2 g/kg之间。Prophet模型对未来五年的预测保持了这一周期，最高值达到9.8到10 g/kg，最低值稳定在4.8到5.2 g/kg之间。年度平均值接近7到7.5 g/kg，表明大气较为湿润，但水蒸气含量足够支持创新性的能源和水应用。

总体而言，这些结果突显了Prophet模型的预测稳健性及其准确外推主导气候机制的能力，而不会引入数值伪影。中期预测表明2025-2030年期间的大气条件总体稳定且可预测，季节性窗口表现为Tdew>10°C和ωAir>9 g/kg。这种参数的趋同为积极优化大气水资源收集系统创造了特别有利的条件[92]，为半干旱地区的性能预期和能源规划提供了坚实的基础。

Prophet模型被选为基线参考模型，因为它对缺失数据和趋势变化具有鲁棒性，并且能够明确模拟多种季节性模式，特别适用于气候时间序列[93]，同时提供了比传统ARIMA/SARIMA模型更高性能和更简单的替代方案。为了深入分析并捕捉Prophet无法完全表示的更复杂非线性，图9展示了LSTM模型的预测结果。在2020-2025年的训练期间，模拟序列显示了清晰且连贯的季节性结构，证明了LSTM网络捕捉长期时间依赖性、记忆效应和气候过程复杂非线性的内在能力。这种动态组织在预测阶段得到了严格保持，从2026年到2030年的五年时间范围内的轨迹投影反映了显著的预测稳定性和出色的时间连续性，没有人为放大波动。

图9(a)中，露点温度（Tdew(t)的演变特征是规律且明确的年度振荡。在训练期间，冬季最低值约为0到3°C，而夏季最高值在12到14°C之间，证实了对比鲜明但结构稳定的气候制度。LSTM对2026-2030年的预测准确再现了这一动态，年度峰值在11到13°C之间，最低值在0到3°C之间，证实了气候制度的稳定性。年度平均值约为7到8°C，证明了模型泛化过程的稳健性，没有漂移或累积偏差。

图9(b)展示了空气相对湿度（ωAir(t)的演变，其行为与Tdew保持密切关联，符合大气的热力学规律。在训练期间，ωAir在寒冷季节通常在4.2-5 g/kg之间，在温暖季节在9.5-10.3 g/kg之间。LSTM对2026-2030年的预测保持了这一周期，最高值达到9到10 g/kg，最低值稳定在4.8到5.2 g/kg。年度平均值接近7到7.5 g/kg，表明大气相对湿润，但水蒸气含量足够支持创新性的能源和水应用。

图4定量比较了LSTM和Prophet模型在预测策略性气候变量ωAir和Tdew方面的表现。为了全面评估模型性能，我们采用了多维度评估框架[79]，结合了确定性指标（MAE, RMSE）、偏差指标（MB）、全局性能指标（NSE, KGE）和概率不确定性指标（PICP, MPIW），后者对于控制应用至关重要。

表4总结了LSTM和Prophet模型在预测Tdew(t)和ωAir(t)方面的校正性能指标。对于特定的空气湿度ωAir，LSTM模型达到了较高的决定系数（R2=0.916），显示出极佳的再现观测变异性的能力，相比之下Prophet模型的R2仅为0.802。这种改进也体现在误差指标上，MAE降低到了0.407，RMSE降低到了0.744，与Prophet相比有显著下降（MAE = 0.601；RMSE = 0.911）。对于露点温度Tdew也观察到了类似的趋势，LSTM的R2为0.901，同时MAE（从1.468降至0.995）和RMSE（从1.383降至1.128）也有显著减少，这证实了其在预测准确性上的优越性。除了确定性指标外，概率分析还显示预测区间可靠性也有显著提高。使用LSTM得到的PICP值分别为Tdew的93.5%和ωAir的94.1%，接近名义上的95%水平，并且超过了Prophet模型（分别为91.2%和92.3%）[77]。这种覆盖率的提高与LSTM的区间宽度（MPIW）略有增加有关。LSTM的MPIW增加，加上更接近名义95%的PICP值，表明LSTM提供了比Prophet更准确和更现实的置信区间，后者往往对其不确定性过于乐观。此外，全球性能指标如NSE和KGE在LSTM中也接近0.9 [77]，表明其能够很好地再现时间动态。最后，两个模型的负MB值都显示出轻微的低估倾向，这是气候建模中的一个常见现象，但这并不损害LSTM的整体优越性。虽然这些长期表现验证了LSTM的稳健性，但其用于实时控制的实用性需要在操作时间尺度上进行评估。因此，我们分析了其在48小时时间范围内的表现（图10）。为了评估LSTM模型对实时控制策略的相关性，我们进行了特定的48小时时间范围分析，这对应于用于动态设定值优化的操作窗口[26]。下载：下载高分辨率图像（340KB）下载：下载全尺寸图像图10. Benguerir站点的48小时基于LSTM的预测：(a) 露点温度Tdew(t)，(b) 空气特定湿度ωAir(t)。曲线比较了48小时时间范围内的观测值（实线）和预测值（虚线）。图10展示了一个代表性的例子，比较了48小时窗口内露点温度和特定湿度的观测值与LSTM模型的预测值。这些曲线说明了模型准确再现每小时变化的能力，尽管存在轻微的系统性负偏差，但对趋势的捕捉非常出色。表5的分析突显了LSTM模型在短期预测方面的稳健性。覆盖率概率（PICP）分别为Tdew的94.18%和ωAir的94.95%，非常接近名义上的95%水平。这些结果表明48小时的预测区间校准得当[77]，确保了可靠的不确定性估计，这对于实时控制应用至关重要。表5. LSTM模型在48小时控制时间范围和5年时间范围内的表现。变量时间范围MAE SIMBEPICP (%) MPIW Tdew 48小时 0.65 0.90 -0.09 10 94.18 2.80 5年 0.99 5 1.27 2 -0.42 0 93.5 4.8 5ωAir 48小时 0.25 0.35 -0.05 6 94.95 1.40 5年 0.40 7 0.55 4 -0.21 0 94.1 2.2此外，在48小时时间范围内观察到的平均偏差（MB）误差非常小，Tdew为-0.091，ωAir为-0.057。这种低幅度反映了短期内几乎不存在系统性偏差，这对于避免调节策略的偏差是一个重大优势。相比之下，在5年时间尺度上，偏差更为明显，这证实了在长时间预测范围内保持绝对精度的难度增加。平均预测区间宽度（MPIW）随着时间范围的变化而变化。在48小时时，它们更窄（Tdew为2.80°C，ωAir为1.40 g/kg），反映了短期内的不确定性减少。相反，在5年时间范围内，MPIW值增加（分别为4.85°C和2.20 g/kg），反映了不确定性的积累和长期气候变异性。这种行为与理论预期一致，并强调了模型根据预测时间范围调整区间宽度的能力[77]。误差指标证实了短期预测的优越性。48小时时的MAE和RMSE值（Tdew分别为0.65和0.90，ωAir分别为0.25和0.35）显著低于5年时间范围获得的值。这种改进反映了LSTM模型准确捕捉局部气候变量动态和快速变化的能力。相反，长期误差的增加是由于不确定性的传播和气候过程在较长时间内的复杂性增加所导致的。获得的结果证实了先进预测模型能够真实再现关键气候变量的动态，特别是通过大气的热力学定律紧密耦合的露点温度和特定湿度。图8和图9中观察到的明确的季节结构，其特征是规律的年度波动和年际稳定性，这与关于半干旱地区气候建模的许多最新研究一致[94]、[95]、[96]。特别是，Prophet模型捕捉季节趋势和保持时间序列时间连贯性的能力在文献中得到了广泛记录[93]，而中期预测的稳定性没有显著偏差，证实了统计方法在推断主导气候制度方面的稳健性[97]。此外，Tdew（0–14°C）和ωAir（4–10 g/kg）的观测幅度与半干旱地区的典型气候条件完全一致，这在关于大气水收集系统和水文气候变异性的参考研究中有报道[64]、[96]。此外，图9和表4中突出的LSTM模型的卓越性能证实了最近文献中关于深度学习应用于气候时间序列的广泛报道的趋势。LSTM捕捉长期时间依赖性和复杂非线性的能力产生了高水平的准确性，决定系数超过0.9，误差显著降低，这与几项最新研究的结果一致[94]、[95]、[96]。此外，概率分析显示预测区间校准得当（PICP=93–95%），这与气候背景下调整良好的模型的预期性能一致[97]。最后，跨预测范围的比较显示了短期（48小时）的显著改进，误差较低，偏差接近零，这证实了LSTM模型特别适合实时操作应用，如能源和水系统的控制和优化[64]、[96]。这些结果因此证实了最近研究的结论，强调了混合和基于深度学习的方法在跨不同时间尺度的气候预测中的价值[94]、[95]、[98]。4.4. 验证与讨论4.4.1. AWH压缩-吸收级联系统性能分析为了建立本研究中开发的多物理模型的可信度，进行了与文献中报告的类似压缩-吸收级联系统的实验数据之间的比较验证。表6展示了模拟结果与实验数据在主要制冷循环性能指标方面的比较。表6. 制冷循环与文献数据的比较验证。参数本研究 Study 1 [76] Study 2 [77] Study 3 [78] 运行条件 TGe (°C) 80 80 90 85 TEv (°C) 55 02 性能指标 COPFr 0.54 0.52 0.48 0.55 冷凝器出口温度 (°C) 43.2 42.5 4.0 43.0 压缩机功率 (W) 178 185 210 195 所有参数和运行条件下的观测相对偏差均低于6%，验证了模型在广泛运行范围内再现级联系统热力学行为的准确性。这些偏差可以由建模假设（稳态、温度均匀性）和输入参数的不确定性解释，热传递系数的不确定性估计为±5%，压缩机效率的不确定性估计为±3%。验证涵盖了[76]、[77]、[78]报告的三种不同配置，证明了所开发模型在不同运行条件下的稳健性（发生器温度范围从80°C到90°C，蒸发温度从-5°C到5°C）。这种多标准验证证实了该模型是分析大气水收集系统能量性能的可靠基础。运行参数（TEv,m˙air）的优化包含了一组技术约束，确保了所确定的最优解的实际可行性。这些约束来源于组件操作限制和限制物理现象。冷凝约束要求TEv≤Tdew?ΔTmin，其中ΔTmin=2°C以确保有效热传递[76]。防冰约束设定TEv≥Tfrost=2°C，因为在这个温度以下，蒸发器鳍片上的结冰会变得显著，降低热性能并可能损坏系统[81]。压缩机的运行范围限制了蒸发压力，对于所研究的R1234yf制冷剂，最大压缩比为8，符合制造商数据[76]。空气质量流量受到m˙airmin=0.1 kg/s和m˙airmax=1.2 kg/s的限制，分别对应于中型系统的最小风扇启动速度和最大允许功率（150 W）。最后，空气侧压力差ΔPair,Ev=50 Pa和ΔPair,Ex=45 Pa（表1）保持在与选定的风扇性能兼容的范围内，其特性曲线确保在这些压力范围内稳定运行。所有这些约束都以惩罚的形式纳入了优化算法的目标函数中，确保在性能映射（图5(d)和表7）中识别的最优点遵守所有系统运行限制。表7. 与文献中报告的AWH系统性能的定量比较。参数本研究 Study 1 [84] Study 2 [85] Study 3 [82] Study 4 [80] 运行条件 TEv (°C) 10 12–15 5–10 8–14 10–16 m˙air (kg/s) 0.6 0.4–0.7 0.2–0.4 0.5–0.8 0.3–0.6 Tdew (°C) 13 18–24 10–20 15–25 12–18 性能指标 生产量 (L/天) 90 120–150 20–40 80–100 50–70 生产率 (L/h) 3.76 5.0–6.3 0.8–1.7 3.3–4.2 2.1–2.9 Espec (kWh/L) 0.09 0.08–0.11 0.15–0.25 0.10–0.14 0.11–0.15 理论最优解与可实现最优解之间的差异对于Benguerir的半干旱气候来说是一个特别重要的结果。图5(d)中在TEv=15°C时确定的理论最优解对应的比能为0.05 kWh/L。然而，对于Benguerir的半干旱气候，即使在夏季条件下，最高露点温度也不会超过13°C，如图7所示。因此，15°C的最优解超出了该地点的物理可操作窗口，因为无法满足基本冷凝条件TEv尽管LiBr/H2O吸收系统的初始投资成本高于单压缩解决方案[8]，但其在运营能源消耗上的显著降低使其生命周期成本低于竞争技术（如反渗透（0.03–0.06 kWh/L）或多效蒸馏（0.06–0.09 kWh/L）[9]），同时避免了与水网相关的基础设施限制。本研究中采用的10°C的蒸发温度代表了半干旱地区的气候条件。这一温度略高于单压缩系统的典型范围（通常在5至10°C之间[85]），从而减少了压缩工作并提高了性能系数。因此，水的生产成本也随之降低，这与本研究的主要目标之一相符。此外，该温度处于文献中报告的较低范围内，即8–14°C[82]和10–16°C[80]，这与研究地点相对凉爽的气候条件一致。关于空气质量流量，0.6 kg/s的最佳值处于中等规模系统的典型范围内，从便携式系统的低流量（0.2–0.4 kg/s）到固定装置的较高流量（最高可达0.8 kg/s）。这一数值反映了在增加冷凝能力和限制风扇能耗之间的最佳平衡，这与文献中的观察结果一致[84]。

4.4.2 AWH系统能量优化的预测控制策略

该控制策略的实施围绕一个分层的两相架构展开，如图11所示。离线阶段是准备基础，其中使用Prophet和LSTM模型的历史数据及五年预测来提取表征Benguerir气候动态的典型特征。然后生成一个详尽的模拟网格，蒸发温度从-10°C到20°C以0.5°C的步长变化，空气质量流量从0.1到1.2 kg/s以0.05 kg/s的步长变化。对于网格上的每个点，通过方程（20）计算特定能量，整合所有系统能耗。鉴于响应表面的强非线性以及可能存在局部最优解，采用了混合优化方法：遗传算法确保在TEv0.9，表4），该模型提供了高准确性和良好的置信区间，从而增强了预测建模的可靠性。在控制层面，开发了一种原创的分层架构，离线阶段利用五年预测构建预先计算的性能映射（图5），在线阶段使用48小时LSTM预测来查询该映射并实时确定蒸发温度TEv和空气质量流量m˙air的最优设定值（图11）。这种时间尺度的分离充分展示了应用于能源系统的预测控制的实现，其中对环境条件的提前了解使得系统操作能够持续优化。它具体反映了预测建模与多能源系统优化之间的结合，将长期气候知识转化为即时操作设定值。每日重置通过返回箭头象征，确保了对现实条件的持续适应，纠正了预测与实际观察结果之间的任何偏差。

本文的原创性在于几个互补的创新，这些创新展示了预测建模、多能源系统优化和能源效率追求之间的典范性衔接。在系统层面，所提出的架构结合了利用R1234yf的低温蒸汽压缩循环和采用环境友好的LiBr/HO对的高温吸收循环，这两种循环通过级联热交换器（CHX）热耦合，同时策略性的热回收回路利用冷凝器的废热预热进入的湿空气。这一关键创新不仅提高了整体能源效率，还主动降低了蒸发器结霜的风险，这是半干旱环境中一个重要的操作限制。

分析模型在方法论上取得了进展，因为它严格整合了质量和能量守恒原理（（1），（2），（3），（4），（5），（6），（7），（8），（9），（10），（11），（12），（13），并在蒸发器内实现了显式的热湿耦合（方程18），区分了显热冷却和潜热凝结。这种表述通过特定能量指标Espec（方程20）实现了对系统性能的精确量化，该指标是优化的核心目标。预测能力通过结合Prophet和长短期记忆（LSTM）网络的双重预测方法得到保证。LSTM模型在露点温度和比湿度的预测准确性方面表现出色，决定系数R2>0.9，同时预测区间覆盖概率（PICP）分别为94.2%（Tdew）和94.9%（ωAir），适用于48小时的操作范围。模型的可信度通过多标准验证与文献中的实验数据进行了严格评估，不同操作条件下的相对偏差低于6%（发电机温度为80–90°C，蒸发温度为-5至5°C）。在此基础上，构建了一个分层控制架构，将离线计算（使用五年气候预测生成综合性能地图）与在线执行（使用48小时LSTM预测查询映射并实时确定蒸发温度TEv和空气质量流量m˙air的最优设定值）分开。这种时间尺度的分离充分体现了应用于能源系统的预测控制的实现，其中对环境条件的提前了解使得系统操作能够持续优化。它具体反映了预测建模与多能源系统优化之间的联系，将长期气候知识转化为即时操作设定值。在验证层面，该研究与文献中的实验数据进行了严格比较（表6），偏差低于6%，并且与多个操作参数集的最新技术进行了深入比较（表7）。最后，该方法在摩洛哥Benguerir地区的实际应用证明了其适用性，该地区的半干旱气候带来了明确的操作限制，例如基本冷凝条件TEv0.9，预测区间覆盖概率（PICP）分别为94.2%（Tdew）和94.9%（ωAir），适用于48小时的操作范围。模型可信度通过多标准验证与文献中的实验数据进行了严格验证，不同操作条件下的相对偏差低于6%（发电机温度为80–90°C，蒸发温度为-5至5°C）。在此验证基础上，构建了一个分层控制架构，将离线计算（使用五年气候预测生成综合性能地图）与在线执行（使用48小时LSTM预测实时检索蒸发温度TEv和空气质量流量m˙Air的最优设定值）分开。这种方法明确尊重了基本冷凝限制TEv
尽管集成多物理-ai框架显示出强大的稳健性，但这项研究的跨学科性质（涵盖热力学、热和质量传递、人工智能以及能源系统工程）自然地为未来的研究指明了几个互补的方向。通过全面的年度模拟，将所提出的预测控制策略与基线方法（如固定设定点操作或无预测的反应式控制）进行比较，可以定量评估全气候范围内的季节性能源和水量增益，包括过渡期和极端事件。此外，对lstm超参数（特别是堆叠层数、序列长度、丢弃率和单元配置）的系统敏感性分析将使预测架构能够推广到其他地理环境，同时确保预测区间的最佳校准。从经济角度来看，结合级联组件的资本支出估算和系统生命周期内的运营支出预测的详细技术经济评估，可以计算水的平准化成本（lcow），将所提出的架构与小型反渗透或单压缩awh系统等竞争技术进行比较。最后，由于灰尘积累对热交换器性能的影响（这是半干旱环境中的一个关键操作挑战），需要专门研究来量化热传递系数和空气侧压降随时间的衰减，这对于维护调度和自适应控制策略具有重要意义。这种跨学科的融合定义了当前验证的范围，为智能、适应气候的大气水收集系统的管理奠定了战略基础，开启了上述实现路径。

redit作者贡献声明：
remaidi mohammed：撰写——原始草稿、可视化、软件、方法论、调查、形式分析、数据管理、概念化。
elfethi najoua：撰写——审稿与编辑、可视化、软件、方法论、调查、形式分析、数据管理。
ennawaoui amine：撰写——审稿与编辑、验证、软件、方法论、调查。
mastouri hicham：撰写——审稿与编辑、验证、资源管理、方法论、资金获取、概念化。
ennawaoui chouaib：撰写——审稿与编辑、验证、监督、资源管理、方法论、概念化。 kwh l最优值，而理论系统最优值为0.05 kwh l。由此产生的水产量为每天90升，功耗为360瓦。 尽管集成多物理-ai框架显示出强大的稳健性，但这项研究的跨学科性质（涵盖热力学、热和质量传递、人工智能以及能源系统工程）自然地为未来的研究指明了几个互补的方向。通过全面的年度模拟，将所提出的预测控制策略与基线方法（如固定设定点操作或无预测的反应式控制）进行比较，可以定量评估全气候范围内的季节性能源和水量增益，包括过渡期和极端事件。此外，对lstm超参数（特别是堆叠层数、序列长度、丢弃率和单元配置）的系统敏感性分析将使预测架构能够推广到其他地理环境，同时确保预测区间的最佳校准。从经济角度来看，结合级联组件的资本支出估算和系统生命周期内的运营支出预测的详细技术经济评估，可以计算水的平准化成本（lcow），将所提出的架构与小型反渗透或单压缩awh系统等竞争技术进行比较。最后，由于灰尘积累对热交换器性能的影响（这是半干旱环境中的一个关键操作挑战），需要专门研究来量化热传递系数和空气侧压降随时间的衰减，这对于维护调度和自适应控制策略具有重要意义。这种跨学科的融合定义了当前验证的范围，为智能、适应气候的大气水收集系统的管理奠定了战略基础，开启了上述实现路径。 redit作者贡献声明： remaidi mohammed：撰写——原始草稿、可视化、软件、方法论、调查、形式分析、数据管理、概念化。 elfethi najoua：撰写——审稿与编辑、可视化、软件、方法论、调查、形式分析、数据管理。 ennawaoui amine：撰写——审稿与编辑、验证、软件、方法论、调查。 mastouri hicham：撰写——审稿与编辑、验证、资源管理、方法论、资金获取、概念化。 ennawaoui>
尽管集成多物理-ai框架显示出强大的稳健性，但这项研究的跨学科性质（涵盖热力学、热和质量传递、人工智能以及能源系统工程）自然地为未来的研究指明了几个互补的方向。通过全面的年度模拟，将所提出的预测控制策略与基线方法（如固定设定点操作或无预测的反应式控制）进行比较，可以定量评估全气候范围内的季节性能源和水量增益，包括过渡期和极端事件。此外，对lstm超参数（特别是堆叠层数、序列长度、丢弃率和单元配置）的系统敏感性分析将使预测架构能够推广到其他地理环境，同时确保预测区间的最佳校准。从经济角度来看，结合级联组件的资本支出估算和系统生命周期内的运营支出预测的详细技术经济评估，可以计算水的平准化成本（lcow），将所提出的架构与小型反渗透或单压缩awh系统等竞争技术进行比较。最后，由于灰尘积累对热交换器性能的影响（这是半干旱环境中的一个关键操作挑战），需要专门研究来量化热传递系数和空气侧压降随时间的衰减，这对于维护调度和自适应控制策略具有重要意义。这种跨学科的融合定义了当前验证的范围，为智能、适应气候的大气水收集系统的管理奠定了战略基础，开启了上述实现路径。

redit作者贡献声明：
remaidi mohammed：撰写——原始草稿、可视化、软件、方法论、调查、形式分析、数据管理、概念化。
elfethi najoua：撰写——审稿与编辑、可视化、软件、方法论、调查、形式分析、数据管理。
ennawaoui amine：撰写——审稿与编辑、验证、软件、方法论、调查。
mastouri hicham：撰写——审稿与编辑、验证、资源管理、方法论、资金获取、概念化。
ennawaoui chouaib：撰写——审稿与编辑、验证、监督、资源管理、方法论、概念化。>