### 1. Steepness für SIGMOID
Mit Steepness steuerst du, wie stark das Netz auf Unterschiede in den Netzeingängen reagiert.
- **Zu klein (0.3–0.7):**
Netz wird träge, Peaks werden glattgebügelt, Lows aufgefüllt → das, was du gerade siehst.
- **Zu groß (≥ 1.5–2.0):**
Aktivierung wird sehr steil, viele Neuronen schnell in Sättigung (nahe 0 oder 1) → kann zu instabilem Lernen führen.
Für deine Semantik (Delta, Trends, Volatilität, Tagesklassen) ist sinnvoll:
- **Empfehlung:**
- **Steepness: `1.0` bis `1.2`**
- `1.0`: guter Standard, genug Reaktionsfähigkeit
- `1.2`: etwas schärfer, betont Peaks stärker, aber noch beherrschbar
Damit:
- bleiben Peaks sichtbar,
- werden Lows nicht aufgefüllt,
- bleibt das Netz trainierbar ohne massives Sättigungsproblem.
---
### 2. Momentum für ,,lebendiges" Verhalten
Momentum entscheidet, wie sehr das Netz ,,an seiner bisherigen Richtung festhält".
- **Zu niedrig (0.0–0.2):**
Netz wird nervös, zittert, reagiert stark lokal auf Noise.
- **Zu hoch (0.8–0.9):**
Netz wird schwerfällig, trägt alte Muster zu lange weiter, kann über Ziele hinausschießen → das ,,träger Zug"-Verhalten.
Für deine relativ saubere, semantisch vorbereitete Featurewelt (kein brutales Rauschen, sondern strukturierte Inputs):
- **Empfehlung:**
- **Momentum: `0.4` bis `0.6`**
- `0.5` ist ein sehr guter Sweet Spot:
- genug Glättung der Gradienten
- aber immer noch reaktionsfähig für neue Peaks und Lows
---
### 3. Kombination, die ich dir konkret vorschlagen würde
Für deine aktuellen Modelle (v1_common / v1_common_active / hp-Profile):
- **SIGMOID hidden:**
- **Steepness: `1.0` oder `1.2`**
- **Momentum:**
- **`0.5`**
Wenn du es leicht differenzieren willst:
- **Variante ,,etwas glatter" (Standardhaushalt ohne extreme Volatilität):**
- Steepness = `1.0`
- Momentum = `0.5`
- **Variante ,,lebendiger / peak-betont" (WP‑Haushalt, viel Aktivität):**
- Steepness = `1.2`
- Momentum = `0.4–0.5`
---
### 4. Woran du erkennst, dass es passt
Mit diesen Werten solltest du in den Tagesverläufen sehen:
- Mittagsspitze klar erkennbar, nicht plattgedrückt
- Abendpeak sichtbar, aber nicht überschießend
- Nachtlast ruhig und niedrig
- keine ,,Plateaus", wo eigentlich Bewegung sein sollte
- Slope näher an 1, ohne dass MAE/RMSE explodieren
- **Variante ,,lebendiger / peak-betont" (WP‑Haushalt, viel Aktivität):**
- Steepness = `1.2`
- Momentum = `0.4–0.5`
ZitatUpdateIst mit Update ein fhem-update gemeint?
Restore des Updates
Reboot
Zitat von: rabehd am 10 Januar 2026, 17:01:40Zitat von: erdnar am 10 Januar 2026, 16:59:25Gemini meint: Das Limit des kostenlosen Keys liegt bei Gemini (je nach Modell) bei etwa 15 Anfragen pro Minute oder 1.500 pro Tag – davon bist du weit entfernt.
Ich habe mich bezogen auf:Zitat von: ch.eick am 10 Januar 2026, 14:30:33Leider ist das kostenlose Model limitiert auf 20 Aufrufe pro Tag, da wird es sicher eng, wenn man es für's SmartHome nutzen möchte.
Zitat von: DS_Starter am 10 Januar 2026, 17:04:05Meine Legacy-Verbrauchsprognose - die wir schon lange in Benutzung haben - arbeitet ja nicht schlecht und da bin ich auch ein wenig stolz darauf.
letztes KI-Training: 10.01.2026 17:01:14 / Laufzeit in Sekunden: 5562
KI Abfragestatus: ok
letzte KI-Ergebnis Generierungsdauer: 47.54 ms
Verbrauchernummer Wärmepumpe: 08
=== Modellparameter ===
Normierungsgrenzen: PV=16071 Wh, Hausverbrauch: Min=0 Wh / Max=7598 Wh
Trainingsdaten: 6954 Datensätze (Training=5563, Validierung=1391)
Architektur: Inputs=38, Hidden Layers=80-40-20, Outputs=1
Hyperparameter: Learning Rate=0.005, Momentum=0.8, BitFail-Limit=0.35
Aktivierungen: Hidden=SIGMOID, Steilheit=0.5, Output=LINEAR
Trainingsalgorithmus: INCREMENTAL, Registry Version=v1_common
Zufallsgenerator: Mode=2, Periode=10
=== Trainingsmetriken ===
bestes Modell bei Epoche: 6330 (von max. 15000)
Training MSE: 0.003666
Validation MSE: 0.012393
Validation MSE Average: 0.017017
Validation MSE Standard Deviation: 0.000479
Validation Bit_Fail: 1
Model Bias: 824 Wh
Model Slope: 0.4
Trainingsbewertung: Retrain
=== Fehlermaße der Prognosen ===
MAE: 664.97 Wh
MedAE: 512.87 Wh
RMSE: 832.62 Wh
RMSE relative: 38 %
RMSE Rating: very bad
MAPE: 29.98 %
MdAPE: 27.16 %
R²: 0.04
=== Drift-Kennzahlen ===
Drift Score: -
Drift RMSE relative: -
Drift Bias: -
Drift Slope: -
Drift Bewertung: -