Zitat von: TomLee am 18 Mai 2026, 21:24:27Zitat...Dann lieber eine defekten RPi ersetzen. ...
Kurz OT, sry.
Mit SD oder SSD?

aiConActFunc=SIGMOID_SYMMETRIC
aiConActivate=1
aiConAlpha=0.7
aiConBitFailLimit=0.30
aiConHiddenLayers=30-15
aiConLearnRate=0.001
aiConMomentum=0.4
aiConProfile=v1_heatpump_pv
aiConShuffleMode=1
aiConShufflePeriod=15
aiConSteepness=0.5
aiConTrainAlgo=RPROP
aiConTrainStart=7:9
aiStorageDuration=3600
aiTrainStart=3
aiTreesPV=30
letzte KI-Ergebnis Generierungsdauer: 82.71 ms
Alpha: 0.7
Verbrauchernummer Wärmepumpe: 08
Bewertungsüberblick
Trainingsbewertung: ok (ok)
Rauschen Bewertung: merkliches Rauschen, Interpretation mit Vorsicht (borderline)
Drift Bewertung: -
Empfehlung für Retrain: keine (Grund: -)
Modellparameter
Normierungsgrenzen: PV=10450 Wh, Hausverbrauch: Min=0 Wh / Max=6970 Wh
Trainingsdaten: 9555 Datensätze (Training=7644, Validation=1911)
Architektur: Inputs=94, Hidden Layers=30-15, Outputs=1
Hyperparameter: Learning Rate=0.001, Momentum=0.4, BitFail-Limit=0.30
Aktivierungen: Hidden=SIGMOID_SYMMETRIC, Steepness=0.5, Output=LINEAR
Trainingsalgorithmus: RPROP, Registry Version=v1_heatpump_pv
Zufallsgenerator: Mode=1, Period=15
Modellalter: - h
Trainingsmetriken
bestes Modell bei Epoche: 49 (max. 15000)
Training MSE: 0.006517
Validation MSE: 0.005268
Validation MSE Average: 0.008801
Validation MSE Standard Deviation: 0.000033
Validation Bit_Fail: 5
Model Bias: 375 Wh
Model Slope: 0.76
Trainingsbewertung: ok
Fehlermaße der Prognosen
MAE: 362.30 Wh
MedAE: 261.50 Wh
RMSE: 422.21 Wh
RMSE relative: 30 %
RMSE Rating: good
MAPE: 26.99 %
MdAPE: 19.04 %
R²: 0.61
Rauschen
Rauschen Bewertung: borderline
Empfehlung für Bit_Fail: 0.34 (Einstellung von aiControl->aiConBitFailLimit)
Zitat...Dann lieber eine defekten RPi ersetzen. ...