液体干燥剂冷却与除湿系统的建模与性能分析，使用ITSO-TCN-BiGRU-SA

《Sensors》：Modeling and Performance Analysis of a Liquid Desiccant Cooling and Dehumidification System Using ITSO-TCN-BiGRU-SA

　　

液体干燥剂除湿作为一种用于空气湿度控制的节能技术，近年来受到广泛关注。在本研究中，基于所提出的ITSO-TCN-BiGRU-SA，建立了液体干燥剂冷却与除湿（LDCD）系统的空气温度和湿度预测模型。在所提出的模型中，采用时间卷积网络（TCN）获取序列内的局部特征并提高对时间依赖性的学习能力；双向门控循环单元（BiGRU）通过全局和双向上下文关系增强模型；自注意力机制（SA）为每个时间步分配不同的权重。提出了结合非线性自适应权重和莱维飞行策略的改进金枪鱼群优化（ITSO）算法，以寻找网络的最优超参数。因此，模型预测精度得到提高。通过与其他模型在一系列实验结果下的全面比较分析，研究人员系统验证了所开发模型的优越性能。此外，基于模型预测和实验结果，研究人员进行了全面分析，以系统研究系统入口参数对冷却和除湿能力及效率的影响，这可为系统控制和运行提供有价值的指导。

# 论文解读：基于ITSO-TCN-BiGRU-SA的液体干燥剂冷却与除湿系统建模与性能分析

## 研究背景与问题

空气冷却与除湿是维持室内热舒适和空气质量的关键过程，但空调系统消耗了大量建筑能耗，例如在新加坡，建筑空调系统约占全国总能耗的23%。液体干燥剂除湿系统（LDDS）自1955年问世以来，因其高能效和优越的除湿能力而受到广泛研究，涵盖系统设计、建模、性能分析和优化等方面。然而，传统物理模型虽可解释性强，但需依赖难以精确获取的内部系统参数，且计算成本高，不适合实时应用；灰箱模型虽通过实验数据简化结构，但预定义模型框架在处理高度非线性和强耦合动态特性时存在泛化限制。数据驱动模型，尤其是基于深度学习的模型，无需预定义复杂机理方程，可直接从历史时间序列运行数据中自主学习多维输入变量与目标输出之间的非线性映射和动态依赖关系，开发效率高，且训练好的模型可快速准确进行正向预测，为实时优化提供可行技术路径。针对液体干燥剂冷却与除湿（LDCD）系统，其能源消耗可通过优化运行策略进一步降低，而精确的系统模型是实现精准优化的基础。LDCD系统涉及复杂的两级热质传递过程，需要稳健的建模方法。因此，本研究旨在开发一种新型混合预测模型，以准确预测送风温度和湿度，并分析入口参数对冷却和除湿性能的影响，为系统控制与运行提供指导。该论文发表在《Sensors》期刊上。

## 主要关键技术方法

研究人员提出的混合预测模型ITSO-TCN-BiGRU-SA整合了以下关键技术：时间卷积网络（TCN）通过因果卷积、膨胀卷积和残差模块提取序列内局部特征并增强时间依赖学习能力；双向门控循环单元（BiGRU）利用正向和反向隐藏层捕捉全局和双向上下文关系；自注意力机制（SA）为每个时间步动态分配权重，突出关键信息。改进金枪鱼群优化（ITSO）算法在原始TSO基础上引入改进圆混沌映射进行种群初始化以提升多样性，采用非线性自适应权重策略平衡全局探索与局部开发，并融合莱维飞行策略避免陷入局部最优，用于自动优化网络超参数（学习率、膨胀系数、滤波器数量、BiGRU隐藏层神经元数、自注意力机制键值和正则化参数）。样本数据来源于LDCD系统实验平台（如图7所示），使用氯化锂溶液作为干燥剂，共采集3268组样本数据，采样间隔10秒，按时间顺序划分为训练集（80%）和测试集（20%），以避免数据泄露。数据采用归一化和滑动窗口法（窗口长度8，步长1）构建输入序列。

## 研究结果

### 4.1 实验数据与网络参数
实验平台使用氯化锂溶液，测量了空气流量、温度、湿度，冷水流量、温度，以及干燥剂溶液流量、温度和浓度等参数。空气温度预测模型的输入特征包括空气入口温度、湿度、质量流量，以及冷水、干燥剂溶液的质量流量和温度；湿度预测模型额外增加干燥剂溶液浓度。通过ITSO算法优化后，得到温度模型和湿度模型的最优超参数（如表1和表2所示）。

### 4.2 模型验证
研究人员将所提ITSO-TCN-BiGRU-SA模型与TCN、CNN-LSTM、TCN-BiGRU、TCN-BiGRU-SA、TSO-TCN-BiGRU-SA模型在温度和湿度数据集上分别比较验证，采用平均绝对百分比误差（MAPE）、均方根误差（RMSE）、均方误差（MSE）、平均绝对误差（MAE）和决定系数（R²）进行评估。结果表明：TCN-BiGRU模型预测精度优于单独TCN模型；TCN-BiGRU-SA模型优于TCN-BiGRU模型；加入优化算法后，TSO-TCN-BiGRU-SA模型的MAPE较TCN-BiGRU-SA降低，R²提高；ITSO-TCN-BiGRU-SA模型进一步优于TSO-TCN-BiGRU-SA模型，且ITSO算法收敛速度更快、适应度值更小。具体数据：温度模型中，ITSO-TCN-BiGRU-SA的MAPE较TCN、TCN-BiGRU、TCN-BiGRU-SA、TSO-TCN-BiGRU-SA分别降低1.983%、1.000%、0.618%、0.131%，R²分别提升10.127%、3.78%、2.101%、0.495%；湿度模型中，MAPE分别降低1.972%、1.240%、0.788%、0.518%，R²分别提升4.778%、2.219%、1.349%、0.698%。预测误差较大的样本点主要出现在系统启动或阀门调节的瞬态阶段，稳态时模型精度迅速恢复，表明模型训练稳定、无过拟合。

### 4.3 性能研究
基于所提模型，研究人员系统分析了系统入口参数对冷却和除湿性能的影响。通过单变量变化（其他参数保持参考值），考察了空气入口温度、湿度、质量流量，冷水入口温度、质量流量，干燥剂溶液入口温度、浓度、质量流量等对冷却容量、热效率、除湿效果和除湿速率的影响。结论如下：空气入口湿度、空气、干燥剂溶液和冷水的质量流量对除湿速率和冷却容量有正向影响；干燥剂溶液和冷水入口温度有负向影响；空气入口温度正向影响冷却容量，但对除湿速率影响很小；干燥剂溶液入口浓度增强除湿速率，但对冷却容量影响可忽略。对于热效率和除湿效果，干燥剂溶液和冷水的质量流量有正向影响，空气质量流量和冷水入口温度有负向影响；空气入口湿度和干燥剂溶液入口温度分别对热效率和除湿效果有负面影响。

## 总结与结论

研究结论部分翻译如下：本研究旨在为两级LDCD系统开发数据驱动模型，以准确预测送风温度和湿度。所构建的ITSO-TCN-BiGRU-SA混合预测模型整合了TCN-BiGRU-SA网络架构与改进的TSO算法（融合莱维算子和非线性自适应权重），在序列建模和预测任务中表现出优异性能，对LDCD系统的送风温度和湿度预测具有高精度和强适用性，从而支持控制性能优化和能效提升。基于该模型，本研究揭示了系统入口参数对冷却和除湿性能的影响受LDCD内部热力学和热质传递机制驱动：空气入口温度通过显热温差影响冷却容量，而溶液入口温度通过水蒸气分压影响除湿性能；空气入口湿度比同时影响冷却负荷和传质过程，溶液浓度显著增强吸湿潜力；流量变化从负荷和效率维度综合作用于热湿交换性能。研究结果为LDCD系统提供了实际指导：设计时优先确保高浓度溶液以维持强除湿能力；运行时采用解耦优化策略；未来可结合参数交互模型与先进算法，实现多回路参数的动态协同优化，在满足热湿需求的同时最小化总能耗。