Phóng sự điều tra kỹ thuật: Hệ thống HVAC “tự hành” tại tòa nhà hạng A TP.HCM năm 2026 – Những khoảng trống giữa thuật toán và thực địa

Tòa nhà văn phòng hạng A tại Quận 1, TP.HCM, tháng 6/2026. Bên ngoài, mưa xối xả kèm theo gió giật cấp 7. Bên trong, hệ thống HVAC vận hành hoàn toàn dưới sự điều khiển của thuật toán reinforcement learning với digital twin được cập nhật theo chu kỳ 15 phút. AHU-03 đang giảm tần suất quạt xuống 42 Hz theo tín hiệu từ demand-controlled ventilation, trong khi chiller plant duy trì setpoint reset ở 7,2 °C dựa trên dự báo tải nhiệt 20 phút tới. Không có kỹ thuật viên nào can thiệp trực tiếp. Màn hình BMS chỉ hiển thị “AI Mode – Optimal”. Đây là tình huống giả định được xây dựng nhằm cung cấp khung tham chiếu để chủ đầu tư tự đánh giá mức độ sẵn sàng của công nghệ.

Cảm biến và dữ liệu thời gian thực: Điểm yếu trong khí hậu nhiệt đới ẩm

Trong môi trường nhiệt đới gió mùa, độ trễ và độ nhiễu của cảm biến trở thành yếu tố quyết định chất lượng điều khiển. Cảm biến CO₂ quang học NDIR thông dụng có thời gian đáp ứng T90 khoảng 45–60 giây; khi nồng độ thay đổi đột ngột do xả khí từ thang máy hoặc mật độ người tăng nhanh sau giờ ăn trưa, tín hiệu đến bộ điều khiển chậm hơn so với biến thiên thực tế từ 300–800 ppm trong vòng 90 giây. Cảm biến nhiệt độ điện trở bạch kim Pt1000 bị ảnh hưởng bởi màng nước ngưng tụ trên bề mặt khi độ ẩm tương đối vượt 85 % trong hơn 4 giờ liên tục, tạo sai lệch +0,6–0,9 °C so với nhiệt độ không khí thực.

Thuật toán reinforcement learning sử dụng dữ liệu nhiễu này để cập nhật policy. Khi mưa lớn kéo dài, tín hiệu độ ẩm tăng vọt kèm nhiễu EMI từ hệ thống bơm nước mưa, reward function bị méo vì giá trị state không phản ánh đúng tải ẩn nhiệt. Kết quả là demand-controlled ventilation duy trì lưu lượng gió ngoài trời ở mức thấp hơn 12–15 % so với yêu cầu ASHRAE 62.1 trong ít nhất 35 phút sau mỗi cơn mưa, làm tăng nguy cơ tích tụ CO₂ vượt ngưỡng 1000 ppm tại khu vực lõi tòa nhà. Mô hình edge inference chạy trên gateway BMS không có cơ chế lọc nhiễu theo ngữ cảnh thời tiết, nên các episode học lại tiếp tục lặp lại sai lệch này.

Mô hình dự đoán tải nhiệt và thuật toán tối ưu năng lượng

Physics-informed neural network (PINN) được quảng cáo là kết hợp được các phương trình cân bằng năng lượng với dữ liệu thực đo. Tuy nhiên, khi dữ liệu huấn luyện chỉ giới hạn trong 12 tháng hoạt động, trọng số của các term vật lý bị lấn át bởi các pattern thời vụ đặc thù của năm đó. Black-box model LSTM thông thường, dù không nhúng physics, lại cho RMSE thấp hơn 8 % trên tập validation nội bộ vì đã “học thuộc” chuỗi thời gian 2025–2026. Khi áp dụng cho giai đoạn chuyển mùa mưa bão 2026, cả hai mô hình đều cho sai lệch dự báo tải nhiệt trung bình 17–22 % trong các ngày có biên độ nhiệt độ dao động >4 °C trong vòng 6 giờ.

Setpoint reset của chiller plant dựa trên output của mô hình này. Khi dự báo thấp hơn thực tế, van điều khiển nước lạnh mở rộng hơn mức cần thiết, làm giảm ΔT qua dàn trao đổi nhiệt và buộc máy nén phải hoạt động ở chế độ không tối ưu. Hệ số COP thực tế giảm từ mức cam kết 5,8 xuống 4,9 trong 18 % số giờ vận hành cao điểm. Không có cơ chế online recalibration bằng dữ liệu từ digital twin để bù đắp khoảng trống dữ liệu huấn luyện ban đầu.