Giới thiệu dự án

Hệ thống chiếu sáng công cộng đóng vai trò then chốt trong việc đảm bảo an toàn giao thông, an ninh trật tự và nâng cao chất lượng cuộc sống đô thị. Tuy nhiên, theo các báo cáo năng lượng quốc tế, chiếu sáng công cộng hiện chiếm tới 19% tổng lượng điện năng tiêu thụ toàn cầu và gián tiếp tạo ra khoảng 6% lượng phát thải khí nhà kính (GHG) gây biến đổi khí hậu.

+-----------------------------------------------------------------------------+
|                            THỰC TRẠNG TOÀN CẦU                              |
|  [ 19% Điện năng tiêu thụ ]  -------->  [ 6% Phát thải khí nhà kính (GHG) ] |
+-----------------------------------------------------------------------------+

Vấn đề thực tiễn và thách thức kỹ thuật

Các hệ thống đèn đường truyền thống (sử dụng bóng Metal Halide hoặc High-Pressure Sodium) và hệ thống đèn LED hẹn giờ cố định đang bộc lộ nhiều hạn chế nghiêm trọng:

  • Lãng phí năng lượng nghiêm trọng: Đèn luôn duy trì 100% công suất trong suốt đêm, kể cả khung giờ thấp điểm (0h00 – 5h00 sáng) khi mật độ phương tiện gần như bằng 0.
  • Chi phí vận hành và bảo trì (OPEX) cao: Thiếu cơ chế giám sát từ xa; việc phát hiện bóng hỏng, chập cháy hoặc suy giảm quang thông hoàn toàn phụ thuộc vào việc kiểm tra thủ công hoặc phản ánh từ người dân.
  • Hạn chế của đèn năng lượng mặt trời đơn lẻ: Các giải pháp đèn năng lượng mặt trời độc lập thông thường yêu cầu dung lượng pin lưu trữ và diện tích tấm pin quang điện (PV) rất lớn để dự phòng cho chuỗi ngày mưa kéo dài, dẫn đến chi phí đầu tư ban đầu (CAPEX) bị đẩy lên cao, khó nhân rộng đại trà.

Mục tiêu của dự án

  1. Thiết kế phần cứng Node Controller tích hợp vi điều khiển, module truyền thông LoRa RFM95W (băng tần 915 MHz), cảm biến cường độ ánh sáng Lux BH1750, cảm biến chuyển động hồng ngoại thụ động PIR HC-SR501 và mạch điều khiển dòng không đổi LD06AJSA hỗ trợ điều chế độ rộng xung (PWM).
  2. Xây dựng hạ tầng mạng truyền thông không dây LoRaWAN theo mô hình hình sao (Star Topology), kết nối các node đèn với Gateway LoRaWAN, chuyển tiếp dữ liệu qua giao thức TCP/IP lên The Things Network (TTN) và Web Application Server.
  3. Nghiên cứu và triển khai mô hình Deep Learning (LSTM) nhằm dự báo chính xác bức xạ mặt trời (Solar Radiation) và lưu lượng giao thông (Traffic Flow) theo chuỗi thời gian.
  4. Xây dựng mô hình Machine Learning (Hồi quy) dự đoán sản lượng năng lượng thu nạp được từ tấm pin mặt trời dựa trên đặc tính vật lý thực tế của thiết bị.
  5. Thiết kế giải thuật điều phối thích ứng (Adaptive Dimming Scheduler) tự động lập lịch công suất chiếu sáng theo mức pin thực tế và nhu cầu giao thông, cắt giảm từ 68% đến 82% điện năng tiêu thụ, tích hợp tính năng tự động cảnh báo lỗi thời gian thực.

Phạm vi và giới hạn nghiên cứu

  • Phần cứng: Chế tạo mô hình thực nghiệm hoàn chỉnh gồm 01 cột đèn thông minh thử nghiệm thực tế tại Tòa nhà B, Trường Đại học Công nghệ Thông tin (ĐHQG-HCM), trang bị tấm pin Polycrystalline 6V/14W, pin lưu trữ Lithium 9.6Ah và module LED 72 chip SMD5730 đạt chuẩn chống nước IP67.
  • Tập dữ liệu: Mô hình dự báo lưu lượng giao thông và bức xạ thời tiết được huấn luyện trên tập dữ liệu chuỗi thời gian chuẩn hóa kết hợp dữ liệu API thời tiết; mô hình dự đoán năng lượng thu nạp được huấn luyện trực tiếp từ dữ liệu đo đạc thực nghiệm trên phần cứng.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí đánh giá Hệ thống đèn truyền thống (Timer) Hệ thống đèn thông minh ZigBee/GSM Hệ thống đề xuất (Solar + LoRaWAN + AI)
Nguồn cấp năng lượng Lưới điện xoay chiều 220VAC Lưới điện hoặc Solar độc lập Năng lượng mặt trời độc lập (Solar PV + Lithium)
Giao thức truyền thông Không có ZigBee (phạm vi ngắn) / GSM (tốn SIM/Cước) LoRaWAN (bán kính phủ sóng 5–15 km, năng lượng thấp)
Cơ chế điều khiển Đóng/cắt cố định theo rơ-le Bật/tắt hoặc Dimming qua cảm biến tức thời AI Adaptive Scheduling (Dự báo bức xạ & Lưu lượng xe)
Khả năng tự chủ năng lượng 0% (Phụ thuộc lưới) Thấp (Dễ cạn pin nếu mưa nhiều ngày) Rất cao (Tự cân đối chu trình xả nạp thông minh)
Giám sát & Chẩn đoán lỗi Kiểm tra thủ công tại hiện trường Giám sát cơ bản qua Web/SMS Giám sát thời gian thực, phát hiện lỗi quang thông & kết nối

Phân tích yêu cầu hệ thống theo mô hình MoSCoW

  • Must have (Bắt buộc): Đo đạc cường độ ánh sáng môi trường (Lux), nhận diện chuyển động (PIR), điều khiển mượt mà công suất LED qua PWM (30–1500mA), giao tiếp hai chiều qua LoRaWAN, dự báo lưu lượng và bức xạ bằng mô hình học máy.
  • Should have (Nên có): Dashboard web hiển thị trực quan các thông số pin, điện áp, biểu đồ dự báo; cơ chế tự động điều chỉnh nhiệt độ bảo vệ chip LED khi vượt quá 135°C.
  • Could have (Có thể có): Đồng bộ hóa trạng thái chiếu sáng theo luồng di chuyển của phương tiện qua nhiều node kế tiếp nhau (Green Wave Lighting).
  • Won't have (Chưa thực hiện): Nhận diện biển số xe hoặc camera AI xử lý hình ảnh trực tiếp tại biên (nhằm tối ưu chi phí phần cứng và công suất tiêu thụ).

Thiết kế hệ thống

Kiến trúc tổng thể được phân tầng rõ ràng nhằm đảm bảo tính toàn vẹn dữ liệu, hiệu năng cao và khả năng mở rộng hàng nghìn node:

+-----------------------------------------------------------------------------------+
|                            CLOUD CONTROLLER & DASHBOARD                           |
|       [Web Application Server] <---> [MySQL Database] <---> [AI Engine (LSTM)]    |
+------------------------------------------^----------------------------------------+
                                           | (HTTPS / RESTful API / MQTT)
+------------------------------------------v----------------------------------------+
|                                EDGE NETWORK LAYER                                 |
|            [The Things Network (TTN)] <---> [LoRaWAN Gateway 915MHz]              |
+------------------------------------------^----------------------------------------+
                                           | (LoRa RF Spreading Factor / Long Range)
+------------------------------------------v----------------------------------------+
|                              NODE CONTROLLER (POLE)                               |
| [STM32/RFthings] <-> [BH1750 (I2C)] <-> [HC-SR501 (PIR)] <-> [LD06AJSA] <-> [LED] |
+-----------------------------------------------------------------------------------+

Technology Stack và phiên bản cụ thể

  • Node Controller: Vi điều khiển kiến trúc ARM Cortex-M / ATmega328P tích hợp RFM95W Transceiver (Semtech SX1276 core, 915 MHz), C/C++ Embedded Framework.
  • Sensors & Actuators: BH1750 Ambient Light Sensor (I2C interface, 1–65535 Lux, độ chính xác cao), HC-SR501 PIR Motion Sensor (Góc quét 360° hình nón, cự ly 6m), Driver LD06AJSA (Dòng định mức 1.5A, bảo vệ quá dòng 1.9A, tích hợp thermal regulation 135°C).
  • Hạ tầng mạng & Gateway: LoRaWAN Gateway đa kênh 915 MHz, The Things Network (TTN) Core v3.
  • Hệ thống máy chủ (Backend): Python 3.8, Flask/FastAPI, TensorFlow 2.4 / Keras, Scikit-learn 0.24, Pandas, NumPy.
  • Cơ sở dữ liệu: MySQL Server 8.0 với mô hình quan hệ tối ưu hóa cho dữ liệu chuỗi thời gian (Time-series data).

Thiết kế cơ sở dữ liệu (Database Schema)

-- Bảng quản lý thông tin các cột đèn
CREATE TABLE tbl_nodes (
    node_id VARCHAR(32) PRIMARY KEY,
    deveui VARCHAR(16) UNIQUE NOT NULL,
    latitude DECIMAL(10, 8),
    longitude DECIMAL(11, 8),
    battery_capacity_mah FLOAT DEFAULT 9600.0,
    status ENUM('ONLINE', 'OFFLINE', 'FAULT') DEFAULT 'ONLINE',
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

-- Bảng lưu trữ dữ liệu cảm biến và trạng thái vận hành
CREATE TABLE tbl_telemetry (
    id BIGINT AUTO_INCREMENT PRIMARY KEY,
    node_id VARCHAR(32),
    battery_level_pct FLOAT NOT NULL,
    ambient_lux FLOAT NOT NULL,
    led_pwm_value INT NOT NULL,
    solar_harvest_mw FLOAT NOT NULL,
    motion_count INT DEFAULT 0,
    recorded_at TIMESTAMP NOT NULL,
    FOREIGN KEY (node_id) REFERENCES tbl_nodes(node_id) ON DELETE CASCADE
);

-- Bảng lưu trữ lịch trình điều khiển thích ứng (Adaptive Schedules)
CREATE TABLE tbl_schedules (
    schedule_id BIGINT AUTO_INCREMENT PRIMARY KEY,
    node_id VARCHAR(32),
    time_slot TIME NOT NULL,
    target_brightness_pct INT NOT NULL,
    predicted_traffic_density FLOAT,
    FOREIGN KEY (node_id) REFERENCES tbl_nodes(node_id)
);

Thiết kế giao tiếp API (RESTful Endpoints)

  • POST /api/v1/telemetry/uplink: Tiếp nhận Webhook payload từ The Things Network, giải mã base64 byte array thành các chỉ số kỹ thuật (lux, battery_mv, fault_code).
  • GET /api/v1/nodes/{node_id}/schedule: Trả về mảng lịch trình công suất điều khiển theo từng khung giờ (18h00 – 06h00) cho Node Controller.
  • POST /api/v1/nodes/{node_id}/downlink: Gửi lệnh can thiệp tức thời từ quản trị viên (Manual Override Mode).

Implementation và kết quả

Chi tiết các thuật toán cốt lõi

1. Mô hình mạng nơ-ron hồi quy Long Short-Term Memory (LSTM)

Đối với bài toán dự báo chuỗi thời gian có độ phụ thuộc dài như bức xạ mặt trời (ảnh hưởng bởi mùa, chu kỳ ngày/đêm, biến đổi mây) và lưu lượng giao thông (chu kỳ giờ cao điểm/thấp điểm), mạng nơ-ron hồi quy thông thường (RNN) gặp hiện tượng triệt tiêu đạo hàm (vanishing gradient). LSTM giải quyết vấn đề này nhờ cơ chế 3 cổng (gates) và đường dẫn trạng thái tế bào (cell state):

$$\begin{aligned} \text{Forget Gate:} \quad & f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f) \ \text{Input Gate:} \quad & i_t = \sigma(W_i \cdot [h_{t-1}, x_t] + b_i) \ \text{Candidate Cell State:} \quad & \tilde{C}t = \tanh(W_c \cdot [h{t-1}, x_t] + b_c) \ \text{Updated Cell State:} \quad & C_t = f_t * C_{t-1} + i_t * \tilde{C}t \ \text{Output Gate:} \quad & o_t = \sigma(W_o \cdot [h{t-1}, x_t] + b_o) \ \text{Hidden State Output:} \quad & h_t = o_t * \tanh(C_t) \end{aligned}$$

import numpy as np
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout

def build_lstm_forecaster(input_shape=(24, 4), units=64):
    """
    Xay dung kien truc LSTM du bao buc xa mat troi & luu luong giao thong
    Input shape: (sequence_length=24 gio, features=[lux, nhiet_do, do_am, luu_luong])
    """
    model = Sequential([
        LSTM(units=units, return_sequences=True, input_shape=input_shape),
        Dropout(0.2),
        LSTM(units=units // 2, return_sequences=False),
        Dropout(0.2),
        Dense(32, activation='relu'),
        Dense(1, activation='linear') # Du doan gia tri lien tuc
    ])
    model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),
                  loss='mean_squared_error',
                  metrics=['mean_absolute_error'])
    return model

2. Xử lý phần cứng và điều khiển tại Node Controller

Tại nút biên, vi điều khiển thực hiện chu trình đo đạc định kỳ, đọc dữ liệu giao tiếp $I^2C$ từ BH1750, quét ngắt ngoài từ cảm biến PIR HC-SR501, xuất tín hiệu PWM tới LD06AJSA và gửi gói tin Uplink qua module RFM95W:

#include <Wire.h>
#include <BH1750.h>
#include <lmic.h>
#include <hal/hal.h>

#define PIR_PIN          2
#define PWM_LED_PIN      6
#define BATTERY_ADC_PIN  A0

BH1750 lightMeter;
volatile bool motionDetected = false;
uint8_t currentDimmingLevel = 20; // 20% do sang mac dinh ban dem

void pirsr_isr() {
    motionDetected = true;
}

void setup() {
    Wire.begin();
    lightMeter.begin(BH1750::CONTINUOUS_HIGH_RES_MODE);
    pinMode(PIR_PIN, INPUT_PULLUP);
    attachInterrupt(digitalPinToInterrupt(PIR_PIN), pirsr_isr, RISING);
    pinMode(PWM_LED_PIN, OUTPUT);
    analogWrite(PWM_LED_PIN, (currentDimmingLevel * 255) / 100);
}

void processAdaptiveLighting() {
    float lux = lightMeter.readLightLevel();
    int rawBattery = analogRead(BATTERY_ADC_PIN);
    float vBat = (rawBattery * 3.3 / 1024.0) * 2.0; // Phân áp đo áp pin

    // Neu troi toi (lux < 10) va phat hien chuyen dong -> Tang sang 100%
    if (lux < 10.0) {
        if (motionDetected) {
            analogWrite(PWM_LED_PIN, 255); // 100% sang
            delay(30000);                  // Giữ 30s sau khi kích hoạt
            motionDetected = false;
        } else {
            // Duy tri do sang theo lich trinh tu AI Server gui ve
            analogWrite(PWM_LED_PIN, (currentDimmingLevel * 255) / 100);
        }
    } else {
        analogWrite(PWM_LED_PIN, 0); // Ban ngay: Tat den de nạp năng lượng
    }
}

Kiểm tra, đánh giá và kết quả thực nghiệm

Mô hình và hệ thống thực nghiệm được kiểm tra liên tục qua các kịch bản môi trường thực tế tại Tòa nhà B:

+-----------------------------------------------------------------------------+
|                     SO SÁNH MỨC TIÊU THỤ ĐIỆN NĂNG / ĐÊM                    |
| Đèn truyền thống (100% Const) : [================================] 288 Wh   |
| Đèn thông minh ZigBee/PIR     : [==================] 162 Wh (-43.7%)        |
| Đề xuất (Solar + LoRa + AI)   : [======] 54 Wh (-81.25%)                    |
+-----------------------------------------------------------------------------+
  1. Độ chính xác của mô hình học sâu (AI Benchmarks):
    • Mô hình LSTM dự báo bức xạ mặt trời đạt hệ số xác định $R^2 = 0.912$, sai số bình phương trung bình căn (RMSE) đạt $38.4 \text{ W/m}^2$.
    • Mô hình hồi quy dự đoán công suất sạc quang điện đạt độ chính xác $94.3%$ so với công suất thực thu.
    • Mô hình dự báo lưu lượng xe đạt sai số phần trăm tuyệt đối trung bình (MAPE) $< 8.7%$.
  2. Hiệu quả tiết kiệm năng lượng:
    • Chế độ chiếu sáng thích ứng linh hoạt theo mật độ giao thông thực tế kết hợp cảm biến PIR giúp giảm công suất tiêu thụ trung bình từ 288 Wh/đêm (đối với chế độ chiếu sáng cực đại cố định) xuống chỉ còn 51.8 – 92.1 Wh/đêm, tương đương mức tiết kiệm điện đạt 68% – 82%.
  3. Độ ổn định mạng LoRaWAN:
    • Khoảng cách truyền nhận ổn định đạt 3.2 km trong môi trường đô thị mật độ cao và lên đến 8.5 km trong điều kiện tầm nhìn thẳng (Line-of-Sight).
    • Tỷ lệ mất gói tin (Packet Loss Rate) duy trì ở mức cực thấp $< 1.8%$ với chu kỳ gửi tin 15 phút/lần.
  4. Cơ chế chẩn đoán lỗi tự động:
    • Hệ thống phát hiện chuẩn xác 100% các sự cố đứt bóng LED hoặc hỏng mạch nguồn: khi tín hiệu PWM kích hoạt mức $> 30%$ nhưng cảm biến BH1750 phản hồi giá trị $< 2 \text{ Lux}$, hệ thống lập tức gắn cờ cảnh báo HARDWARE_FAULT gửi về Dashboard trong vòng 3.5 giây.

Đổi mới và đóng góp

  • Kiến trúc điều phối năng lượng đóng kín (Closed-Loop Energy-Demand Balancing): Khác biệt hoàn toàn với các hệ thống đèn đường thông minh hiện hữu chỉ phản ứng thụ động với cảm biến tức thời, giải pháp đã tích hợp mô hình dự báo chuỗi thời gian để cân đối giữa lượng điện năng sẽ thu nạp được vào ngày mai và nhu cầu năng lượng cần tiêu thụ trong đêm nay. Nhờ đó, kích thước tấm pin và pin lưu trữ có thể thu nhỏ tới 40% mà vẫn triệt tiêu nguy cơ cạn kiệt năng lượng.
  • Tối ưu hóa đa tầng công nghệ (Full-Stack IoT & AI Integration): Kết hợp nhịp nhàng giữa tầng cảm biến công suất siêu thấp, giao thức truyền thông tầm xa LoRaWAN và backend xử lý dữ liệu lớn với mô hình LSTM.
  • Cơ chế bảo vệ phần cứng thông minh: Mạch điều khiển tích hợp tính năng Thermal Foldback tự động hạ dòng khi nhiệt độ tiếp giáp chip vượt ngưỡng 135°C, giúp kéo dài tuổi thọ cụm LED SMD5730 lên trên 50,000 giờ hoạt động liên tục.

Ứng dụng thực tế và triển khai

Các kịch bản triển khai thực tế

  • Đô thị thông minh & Khu đô thị mới: Lắp đặt trên các tuyến phố nội khu, đại lộ đô thị, công viên công cộng nhằm tối ưu chi phí vận hành cho ban quản lý đô thị.
  • Đường cao tốc & Tuyến quốc lộ xa khu dân cư: Nơi hạ tầng điện lưới quốc gia khó tiếp cận hoặc chi phí kéo dây cáp ngầm quá tốn kém; việc sử dụng đèn năng lượng mặt trời LoRaWAN mang lại hiệu quả vượt trội.
  • Khu công nghiệp & Khu công nghệ cao: Tự động hóa hoàn toàn quy trình giám sát hệ thống chiếu sáng diện tích lớn với chi phí nhân sự bảo trì tối thiểu.
+-----------------------------------------------------------------------------+
|                      LỘ TRÌNH TRIỂN KHAI HỆ THỐNG                           |
| [Khảo sát RF & Gateway] -> [Triển khai Node] -> [Hiệu chuẩn AI] -> [Bàn giao]|
|       Tuần 1 - 2               Tuần 3 - 5           Tuần 6 - 7        Tuần 8|
+-----------------------------------------------------------------------------+

Phân tích hiệu quả kinh tế (Cost-Benefit & ROI)

  • Chi phí lắp đặt ban đầu (CAPEX): Tiết kiệm 100% chi phí đào đường, kéo dây cáp điện ngầm, lắp đặt tủ phân phối hạ thế (ước tính tiết kiệm khoảng 150 – 200 triệu VNĐ/km đường chiếu sáng).
  • Chi phí vận hành (OPEX): Giảm 100% tiền điện chiếu sáng hàng tháng do sử dụng hoàn toàn năng lượng mặt trời; giảm 75% chi phí nhân sự tuần tra, bảo trì.
  • Thời gian hoàn vốn (Payback Period): Ước tính từ 3.2 đến 4.0 năm tùy thuộc vào biểu giá điện công nghiệp và mật độ bố trí cột đèn.

Hạn chế và hướng phát triển

Hạn chế hiện tại

  • Dữ liệu lưu lượng giao thông sử dụng để huấn luyện mô hình sâu chủ yếu dựa trên bộ dữ liệu chuỗi thời gian mẫu kết hợp dữ liệu mở, chưa có hệ thống camera AI đếm xe tại chỗ để tinh chỉnh tức thời.
  • Hiệu suất thu nạp năng lượng thực tế của tấm pin quang điện có thể suy giảm theo thời gian do bụi bẩn ngoài trời bám trên bề mặt mà hệ thống chưa có cảm biến đo độ đục hoặc cơ chế tự làm sạch.

Hướng phát triển trong tương lai

  • Ứng dụng Edge AI (TinyML): Nạp trực tiếp mô hình nén TensorFlow Lite for Microcontrollers (TFLM) lên chip STM32/ESP32-S3 tại nút biên để tự dự đoán ngoại tuyến mà không cần kết nối server liên tục.
  • Tích hợp mạng LoRa Mesh: Tăng cường khả năng truyền tiếp dữ liệu đa bước (Multi-hop) cho phép mở rộng cự ly truyền thông lên hàng chục kilomet ngay cả trong khu vực có địa hình che khuất phức tạp.
  • Mở rộng tính năng thành phố thông minh: Tích hợp thêm cảm biến đo chất lượng không khí (PM2.5, CO2, nhiệt độ, độ ẩm) trên từng cột đèn, biến hệ thống chiếu sáng thành mạng lưới quan trắc môi trường đô thị diện rộng.

Đối tượng hưởng lợi

Đối tượng Giá trị mang lại Chỉ số định lượng cụ thể
Sinh viên & Nghiên cứu sinh Tài liệu tham khảo toàn diện về tích hợp IoT, LoRaWAN và Deep Learning (LSTM) trong ứng dụng thực tế. Cung cấp mã nguồn mẫu, sơ đồ mạch và bộ tham số thực nghiệm.
Kỹ sư & Lập trình viên Nắm bắt kiến trúc nhúng, thiết kế mạch Driver LED, tối ưu hóa năng lượng vi điều khiển và đóng gói giao thức mạng. Giảm 60% thời gian R&D khi phát triển các nút IoT năng lượng thấp.
Doanh nghiệp & Đô thị Giải pháp chiếu sáng xanh, giảm thiểu dấu chân carbon, vận hành tự động hóa hoàn toàn. Tiết kiệm 68%–82% điện năng, giảm 75% chi phí bảo trì định kỳ.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng tối thiểu để triển khai một cụm đèn là gì?

Mỗi cột đèn cần trang bị: 01 Node Controller tích hợp LoRa RFM95W (915MHz), 01 cảm biến BH1750, 01 cảm biến PIR HC-SR501, 01 mạch LD06AJSA, 01 tấm pin Polycrystalline tối thiểu 14W (điện áp 6V), 01 khối pin Lithium dung lượng $\ge 9.6\text{Ah}$ và 01 đèn LED công suất 10–20W chuẩn IP67. Cả khu vực chỉ cần duy nhất 01 Gateway LoRaWAN kết nối Internet (Ethernet/4G).

2. Hệ thống xử lý thế nào khi thời tiết mưa bão nhiều ngày liên tục?

Nhờ mô hình học sâu LSTM dự báo trước bức xạ mặt trời sụt giảm kết hợp thuật toán tối ưu năng lượng, hệ thống sẽ tự động chuyển sang chế độ tiết kiệm đặc biệt (Severe Weather Power Saving Mode): duy trì độ sáng nền ở mức tối thiểu 10% và chỉ kích hoạt 100% trong 15–30 giây khi cảm biến PIR phát hiện có xe hoặc người đi qua, đảm bảo pin không bị cạn kiệt trong 3–5 ngày âm u liên tục.

3. Khả năng bảo mật thông tin trên mạng LoRaWAN như thế nào?

LoRaWAN tích hợp sẵn cơ chế mã hóa 2 lớp đạt chuẩn công nghiệp AES-128 bit:

  • Network Session Key (NwkSKey): Đảm bảo tính toàn vẹn dữ liệu và xác thực giữa Node với Network Server.
  • Application Session Key (AppSKey): Mã hóa đầu cuối (End-to-End Encryption) dữ liệu tải trọng (Payload) giữa Node và Application Server, ngăn chặn hoàn toàn nguy cơ nghe lén hoặc giả mạo lệnh điều khiển.

4. Tần suất bảo trì hệ thống và tuổi thọ linh kiện ra sao?

Nhờ mạch bảo vệ nhiệt độ thông minh LD06AJSA khống chế nhiệt độ chip LED $< 135^\circ\text{C}$ và công nghệ pin Lithium chống chai, tuổi thọ tấm pin đạt 10–12 năm, module LED đạt trên 50,000 giờ chiếu sáng. Chu kỳ kiểm tra định kỳ khuyến nghị là 12–18 tháng/lần (chủ yếu vệ sinh bề mặt tấm pin mặt trời).

5. Chi phí đầu tư Gateway LoRaWAN cho một khu đô thị có đắt không?

Không. Một Gateway LoRaWAN công nghiệp ngoài trời có chi phí chỉ từ 8 đến 15 triệu VNĐ nhưng có khả năng quản lý đồng thời hơn 1,000 đến 3,000 cột đèn trong bán kính phủ sóng 3–8 km. Do đó, chi phí hạ tầng mạng phân bổ trên từng đầu cột đèn là cực kỳ thấp (chưa đến 15,000 VNĐ/cột).

Kết luận

Đồ án tốt nghiệp "Xây dựng hệ thống đèn đường thông minh dựa trên công nghệ trí tuệ nhân tạo" đã giải quyết triệt để bài toán lãng phí năng lượng và chi phí vận hành cao của hệ thống chiếu sáng công cộng truyền thống. Thông qua việc kết hợp đột phá giữa phần cứng năng lượng mặt trời tự chủ, mạng cảm biến diện rộng LoRaWAN công suất thấp và các mô hình học sâu (LSTM) dự báo bức xạ/lưu lượng xe, đề tài đã chứng minh tính khả thi vượt trội với khả năng tiết kiệm từ 68% đến 82% điện năng, độ trễ cảnh báo lỗi dưới 5 giây và hoạt động độc lập, bền bỉ ngoài thực địa. Đây chính là mảnh ghép hạ tầng hoàn hảo, đóng góp thiết thực vào tiến trình xây dựng các đô thị thông minh, hiện đại và bền vững tại Việt Nam.