One Agent per Zone: Decentralised Active Inference under Partial Observability for Multi-Zone HVAC Control on Edge Hardware

{"tags": ["Active Inference", "HVAC Control", "Decentralized Control", "Multi-Agent Systems", "Edge Computing", "Raspberry Pi 5", "EnergyPlus", "MQTT", "Demand Charges"], "risks": ["Tiêu thụ tổng năng lượng tăng khoảng 10% như một sự đánh đổi để giảm công suất đỉnh và tiền cước demand charges.", "Phụ thuộc vào độ tin cậy và tần suất cập nhật của tín hiệu đo điện từ các tầng khác để trích xuất tín hiệu tắc nghẽn.", "Thử nghiệm hiện tại mới tiến hành trên môi trường mô phỏng (EnergyPlus/Sinergym), cần kiểm chứng thực địa trên hệ thống cơ điện thực tế với độ trễ và nhiễu cảm biến phức tạp.", "Cần cơ chế dự phòng an toàn (fail-safe) khi xảy ra sự cố phần cứng đột ngột ở quạt hoặc cuộn làm mát dùng chung."], "category": "Agents", "entities": ["Raspberry Pi 5", "EnergyPlus", "Sinergym", "MQTT", "MADDPG", "Active Inference"], "summary_vi": "Nghiên cứu đề xuất giải pháp điều khiển HVAC đa vùng phi tập trung sử dụng Active Inference (suy luận chủ động) triển khai trên phần cứng biên. Mỗi vùng (zone) được kiểm soát bởi một tác tử độc lập, tự lập kế hoạch bằng cách tối thiểu hóa năng lượng tự do kỳ vọng (expected free energy) và học động lực học vùng trực tuyến. Các tác tử không trao đổi tin nhắn và không cần bộ điều phối trung tâm; sự phụ thuộc do dùng chung quạt và cuộn làm mát được giải quyết qua biến nhiễu ẩn và tín hiệu tắc nghẽn từ công suất đo được của các tầng khác. Đánh giá 15 tác tử trên mô phỏng EnergyPlus (tòa nhà Sinergym) qua 5 năm thời tiết chưa từng thấy cho thấy hệ thống đạt công suất đỉnh trung bình 88.3 kW (thấp hơn 3-17% so với các baseline), hệ số đồng thời 0.929, giảm 4% (33 kW) tổng công suất đỉnh hàng tháng so với reactive rule (dù tốn thêm ~10% năng lượng), chi phí năm thấp hơn 9% so với proactive rule và 1% so với MADDPG. Toàn bộ 15 tác tử chạy trên một Raspberry Pi 5 với độ trễ vòng lặp p95 là 442 ms qua MQTT.", "key_changes": ["Thiết kế kiến trúc điều khiển HVAC đa vùng phi tập trung: mỗi zone được quản lý bởi một tác tử Active Inference độc lập, lập kế hoạch bằng cách tối thiểu hóa năng lượng tự do kỳ vọng (expected free energy) và học động lực học trực tuyến (online learning).", "Loại bỏ hoàn toàn việc trao đổi tin nhắn giữa các tác tử và không phụ thuộc bộ điều phối trung tâm; xử lý tương tác tài nguyên dùng chung qua biến nhiễu ẩn (latent disturbance) và tín hiệu tắc nghẽn (congestion signal) từ đồng hồ điện các tầng khác.", "Đạt công suất đỉnh trung bình tòa nhà 88.3 kW trên 5 năm thời tiết thử nghiệm chưa từng thấy trong huấn luyện, thấp hơn 3% đến 17% so với các baseline (gồm 3 bộ điều khiển theo luật và 3 đội MADDPG).", "Cải thiện phân bổ lệch đỉnh giữa các tầng với hệ số đồng thời (coincidence factor) đạt 0.929 (so với 0.936 - 0.994 của các baseline).", "Giảm 4% (33 kW) tổng công suất đỉnh hàng tháng tính cước mỗi năm so với reactive rule ở mức độ thoải mái tương đương, chi phí vận hành hàng năm rẻ hơn 9% so với proactive rule và 1% so với MADDPG.", "Vận hành thành công toàn bộ 15 agent trên một bo mạch Raspberry Pi 5 đơn lẻ với độ trễ chu trình quan sát - hành động qua MQTT ở mức p95 chỉ 442 ms (thấp hơn nhiều so với bước điều khiển 15 phút)."], "sub_category": "Decentralized Active Inference", "novelty_score": 85, "business_score": 82, "research_score": 88, "why_it_matters": "Nghiên cứu chứng minh tính khả thi đột phá của việc ứng dụng Active Inference phi tập trung để giải quyết bài toán chia sẻ tài nguyên phức tạp mà không phát sinh chi phí truyền thông (zero communication overhead) hay rủi ro điểm lỗi đơn lẻ từ bộ điều phối. Đột phá thực tiễn nằm ở khả năng vận hành toàn bộ 15 tác tử trên một bo mạch Raspberry Pi 5 giá rẻ với độ trễ 442 ms, mở ra tiềm năng thương mại hóa AI điều khiển tiên tiến trên phần cứng biên tiết kiệm chi phí. Về mặt kinh tế, việc giảm 3-17% công suất đỉnh và 4% tổng đỉnh hàng tháng giúp cắt giảm đáng kể chi phí cước công suất đỉnh (demand charges) - gánh nặng chi phí lớn nhất của các tòa nhà thương mại.", "developer_score": 78, "importance_score": 78, "possible_use_cases": ["Tối ưu hóa vận hành HVAC và cắt giảm cước công suất đỉnh (peak shaving / demand charges) cho các tòa nhà văn phòng, khu phức hợp thương mại có hệ thống thông gió/làm mát dùng chung.", "Triển khai các hệ thống tự động hóa tòa nhà (BMS) thông minh với chi phí phần cứng siêu thấp dựa trên thiết bị Edge IoT / Raspberry Pi.", "Điều khiển phân tán các hệ thống chia sẻ tài nguyên công nghiệp (microgrid, mạng cấp nhiệt/nước) nơi băng thông mạng hạn chế hoặc đòi hỏi khả năng cô lập lỗi cao.", "Ứng dụng mô hình Active Inference tự thích nghi trực tuyến vào các bài toán điều khiển IoT trong môi trường động lực học biến động liên tục."], "actionability_score": 75}