Bản Thiết Kế Kỹ Thuật Thực Thi

Đây là tình huống giả định.

Dự án chiếu sáng thông minh tại khu đô thị mới Thủ Thiêm, TP.HCM năm 2025 được triển khai trên hệ thống đèn đường và đèn công viên với quy mô 2.800 điểm sáng. Mục tiêu kỹ thuật là giảm tiêu thụ năng lượng tối thiểu 42% so với hệ thống điều khiển theo lịch truyền thống, duy trì độ rọi trung bình 18–22 lux tại mặt đường và đáp ứng yêu cầu vận hành liên tục 24/7 trong điều kiện khí hậu nhiệt đới gió mùa.

Cảm biến và Edge AI

Mỗi điểm sáng sử dụng MCU ESP32-S3 làm bộ xử lý biên. Cảm biến mmWave (60 GHz, IWR6843) được tích hợp để phát hiện chuyển động và đếm người với độ chính xác trên 94% ở khoảng cách 12 m, hoạt động ổn định khi độ ẩm vượt 80%. Dữ liệu thô từ mmWave được xử lý trực tiếp trên ESP32-S3 bằng mô hình TinyML đã lượng tử hóa INT8. Pipeline gồm: lọc nhiễu Kalman, trích xuất đặc trưng (velocity histogram + occupancy density) và suy luận phân loại trạng thái (empty/low/medium/high density). Tổng độ trễ suy luận đo được dưới 78 ms ở tần số 80 MHz, đảm bảo phản hồi điều khiển trong chu kỳ 100 ms.

Mô hình học tăng cường RL cho tối ưu năng lượng

Mô hình sử dụng thuật toán Soft Actor-Critic (SAC) với mạng actor và critic đều là MLP 2 lớp ẩn (64 neuron).

Không gian trạng thái gồm 8 biến: (1) occupancy density (0–1), (2) illuminance hiện tại (lux), (3) giờ trong ngày (0–23), (4) độ ẩm tương đối, (5) nhiệt độ, (6) trạng thái lưới điện (ổn định/không ổn định), (7) dự báo mưa 30 phút tới, (8) mức tiêu thụ năng lượng tích lũy 15 phút gần nhất.

Không gian hành động là giá trị dimming liên tục từ 0–100% (0–10 V analog).

Hàm thưởng được thiết kế:

r_t = -0.65 · P_consumed + 0.25 · (I_target – |I_actual – I_target|) – 0.10 · Δ_flicker

trong đó P_consumed tính bằng Wh, I_target = 20 lux. Mô hình được huấn luyện offline trên dữ liệu lịch sử 12 tháng, sau đó fine-tune online với learning rate 3e-4. Inference được thực hiện trên ESP32-S3 với TensorFlow Lite Micro, đạt độ trễ trung bình 64 ms.

Giao thức lai DALI 2.0 + Matter

Lớp điều khiển đèn sử dụng DALI 2.0 để giao tiếp với driver LED 0–10 V (Mean Well LDC-80B) qua bộ chuyển đổi DALI-to-0-10 V. Lớp mesh và tích hợp hệ thống sử dụng Matter over Thread (ESP32-S3 hỗ trợ IEEE 802.15.4). Gateway biên đóng vai trò Border Router Matter, chuyển đổi lệnh DALI sang Matter attribute (Level Control cluster). Cơ chế fallback tự động chuyển sang DALI thuần khi mất kết nối Thread trong vòng 8 giây.

Cơ chế dự báo thời tiết cục bộ monsoon

Hệ thống thu thập dữ liệu từ 12 trạm cảm biến độ ẩm, áp suất và mưa tại chỗ kết hợp API dự báo ngắn hạn (15–60 phút). Mô hình hồi quy tuyến tính cục bộ được huấn luyện lại hàng tuần trên ESP32-S3 để điều chỉnh hệ số theo đặc thù micro-climate Thủ Thiêm. Khi xác suất mưa vượt 65% trong 30 phút tới, hệ thống chủ động giảm mức dimming 15–20% để duy trì an toàn giao thông.

Dashboard vận hành đa người dùng

Dashboard được xây dựng trên nền Grafana + PostgreSQL timeseries, hỗ trợ phân quyền 4 cấp (vận hành viên, kỹ thuật viên, quản lý khu đô thị, nhà cung cấp điện). API REST và WebSocket cung cấp dữ liệu real-time với độ trễ dưới 1,2 s. Các chỉ số hiển thị gồm: tiêu thụ năng lượng theo điểm sáng, tỷ lệ lỗi driver, occupancy heatmap và cảnh báo vượt ngưỡng.

Thách thức tích hợp thực tế tại Việt Nam

Độ ẩm thường xuyên vượt 80% yêu cầu sử dụng conformal coating và hộp IP66 cho toàn bộ cụm cảm biến. Lưới điện 220 V tại Thủ Thiêm ghi nhận sụt áp 15–25% vào giờ cao điểm; giải pháp là tích hợp supercapacitor 5 F và chế độ bảo vệ driver khi điện áp dưới 180 V. Chi phí phần cứng ESP32-S3 + mmWave + driver 0–10 V hiện ở mức 48–52 USD/điểm sáng; cần đàm phán hợp đồng khung để đưa giá xuống dưới 39 USD khi sản lượng vượt 3.000 bộ.

Đây là tình huống giả định.

Kết luận – Checklist triển khai 6 bước kèm KPI

1. Khảo sát hiện trạng và lắp đặt 50 điểm thí điểm → KPI: tỷ lệ phát hiện occupancy ≥93%.
2. Cấu hình DALI 2.0 + Matter hybrid → KPI: độ trễ lệnh <120 ms.
3. Triển khai mô hình RL và kiểm chứng reward function → KPI: tiết kiệm năng lượng ≥38% sau 30 ngày.
4. Tích hợp dự báo thời tiết cục bộ → KPI: độ chính xác dự báo mưa 30 phút ≥82%.
5. Vận hành dashboard đa người dùng và đào tạo → KPI: thời gian phản hồi sự cố <4 phút.
6. Đánh giá toàn hệ thống và mở rộng quy mô → KPI: uptime ≥99,2% trong 90 ngày liên tục.