Momentum prüfen: liegt der aktuelle Wert über 0.7 .... ein hohes Momentum kann das Netz über das optimale Minimum hinausschießen lassen und zu früher Konvergenz beitragen
Wenn es gut ist, passt alles. Wenn nicht, versucht man die Hinweise umzusetzen und bekommt im positiven Fall bessere Ergebnisse.
Informationen zum neuronalen Netz der Verbrauchsvorhersage
letztes KI-Training: 11.06.2026 20:52:11 / Laufzeit in Sekunden: 605
KI Abfragestatus: ok
letzte KI-Ergebnis Generierungsdauer: 96.45 ms
Alpha: 0.8
Verbrauchernummer Wärmepumpe: 08
Bewertungsüberblick
Trainingsbewertung: ok (ok)
Lernverhalten: early früh konvergiert (4.8 % Epochenausnutzung)
Einstellhinweise:
Momentum prüfen: liegt der aktuelle Wert über 0.7, um 0.1–0.2 reduzieren (z.B. 0.8 → 0.6) – ein hohes Momentum kann das Netz über das optimale Minimum hinausschießen lassen und zu früher Konvergenz beitragen (aiControl->aiConMomentum)
Lernrate leicht reduzieren: aktuellen Wert um Faktor 2-3 verringern (z.B. 0.01 -> 0.003-0.005), damit das Netz feiner optimieren kann (aiControl->aiConLearnRate)
Architektur möglicherweise zu komplex für die Datenmenge: Verhältnis Trainingsdaten zu Netzparametern beträgt nur 0.9 (Zielwert: 8–20) - das Netz hat mehr Freiheitsgrade als die Daten zuverlässig füllen können; kleinere Architektur wie z.B. 14-8 versuchen (aiControl->aiConHiddenLayers)
Empfohlene Lernrate für die vorgeschlagene Architektur 14-8 mit 104 Inputs: 0.0050 (aiControl->aiConLearnRate)
Große Datenmenge (10130 Datensätze gesamt): falls saisonale Effekte die Prognosequalität beeinträchtigen, Training auf die neuesten Datensätze begrenzen (z.B. aiControl->aiConTrainLimit=5000) um das Modell auf aktuelle Verbrauchsmuster zu fokussieren. Der Hinweis ist für stochastische Haushalte weniger relevant als für strukturierte.
Rauschen Bewertung: merkliches Rauschen, Interpretation mit Vorsicht (borderline)
Drift Bewertung: low
Empfehlung für Retrain: keine keine
Modellparameter
Normierungsgrenzen: PV=10450 Wh, Hausverbrauch: Min=0 Wh / Max=6970 Wh
Trainingsdaten: 10130 Datensätze (Training=8104, Validation=2026)
Architektur: Inputs=104, Hidden Layers=64-32-16, Outputs=1
Hyperparameter: Learning Rate=0.0001, Momentum=0.9, BitFail-Limit=0.28
Aktivierungen: Hidden=SIGMOID_SYMMETRIC, Steepness=0.7, Output=LINEAR
Trainingsalgorithmus: INCREMENTAL, Profile=v1_heatpump_active_pv
Zufallsgenerator: Mode=1, Period=20
Modellalter: 71 h
Trainingsmetriken
bestes Modell bei Epoche: 720 (max. 15000)
Training MSE: 0.002720
Validation MSE: 0.002347
Validation MSE Average: 0.002246
Validation MSE Standard Deviation: 0.000028
Validation Bit_Fail: 1
Model Bias: 181 Wh
Model Slope: 0.86
Trainingsbewertung: ok
Fehlermaße der Prognosen
MAE: 245.66 Wh
MedAE: 175.65 Wh
RMSE: 282.19 Wh
RMSE relative: 25 %
RMSE Rating: good
MAPE: 23.12 %
MdAPE: 14.65 %
R²: 0.83
Rauschen
Rauschen Bewertung: borderline
Empfehlung für Bit_Fail: 0.34 (Einstellung von aiControl->aiConBitFailLimit)
Drift-Kennzahlen (berechnet ab Modellalter > 6 h)
Analysefenster: 96 h
Drift RMSE Ratio: 2.41
Semantic Ratio: 0.75
Slope Reference: 0.85
Slope Live: 0.62
Slope Drift: 0.734
Bias Reference: 440
Bias Live: 294.67
Bias Drift: -145.05
Score: 1.37
Index: 1.39
Drift Bewertung: low
Empfehlung für Retrain: keine keine
letzte Rekalibrierung: 13.06.2026 12:00:16
Zitat von: fred_feuerstein am 14 Juni 2026, 20:32:28Wegen dem OTA Update Problem, was ich schon 2 m hatte, zuletzt wie oben berichtet.
es kann durchaus sein, dass es an der Anzahl der Lautsprecher liegt. Wobei betateilchen ja auch die grosse Anzahl hat.
Zitat von: DS_Starter am 14 Juni 2026, 19:38:40@300P, aiConMomentum=0.9 wird bei Gisbert vermutlich eine zeitige Konvergenz beschleunigen. Wir brauchen eine längere Trainingsphase, also eher ein geringeres Momentum. Die Einstellung Momentum=0.3 war schon konservativ genug. Man kann 0.9 mal testen, aber ich tendieren ehere 0.3-0.5 einzustellen. Kommt darauf an wie sich das veränderte Profil auswirkt.
Probierts mal aus, vllt. ist FANN ja clever und ein intensiveres Training ohne zu zeitige Konvergenz hat in deinem Fall einen positiven Effekt.