Neueste Beiträge

#1

Automatisierung / Aw: fhem hängt immer wieder

Letzter Beitrag von PatrickR - 10 Januar 2026, 18:03:04

Was sagen denn apptime und freezemon?

#2

Solaranlagen / Aw: 76_SolarForecast - Informa...

Letzter Beitrag von DS_Starter - 10 Januar 2026, 17:55:21

Ich habe deine Einstellungen mal durch die KI gejagt und vermutlich passt die Einstellung nicht:

Code Auswählen Erweitern


### 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

Ganz unten steht die Empfehlung für WP-Haushalt:

Code Auswählen Erweitern

- **Variante ,,lebendiger / peak-betont" (WP‑Haushalt, viel Aktivität):**
  - Steepness = `1.2` 
  - Momentum = `0.4–0.5`


#3

FHEMWEB / Aw: Update fhem.pl 2025-12-19...

Letzter Beitrag von rudolfkoenig - 10 Januar 2026, 17:50:45

Vermutlich hat das Problem mit https://forum.fhem.de/index.php?topic=143339 zu tun.

Update
Restore des Updates
Reboot

Ist mit Update ein fhem-update gemeint?
Was genau verstehst Du unter "Restore des Updates"?
Ist mit Reboot ein OS reboot gemeint?

Weder FHEM update/restore noch ein OS reboot veranlassen FHEM zum speichern der Konfiguration.

#4

Solaranlagen / Aw: 76_SolarForecast - Informa...

Letzter Beitrag von DS_Starter - 10 Januar 2026, 17:32:40

Es reichen erstmal 1-2 Stunden. Möglicherweise greift die Trendfolge sobald Differenzen zur Vorstunde bemerkt werden.

#5

Anfängerfragen / Aw: FHEM goes Gemini

Letzter Beitrag von ch.eick - 10 Januar 2026, 17:29:39

Gemini 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:

Leider ist das kostenlose Model limitiert auf 20 Aufrufe pro Tag, da wird es sicher eng, wenn man es für's SmartHome nutzen möchte.

In der http Rückmeldung steht das Limit von 20 auch drin.

Welche URL und welches Model verwendet ihr?

#6

Solaranlagen / Aw: 76_SolarForecast - Informa...

Letzter Beitrag von 300P - 10 Januar 2026, 17:28:39

Soll ich mal einfach ein paar Tage nur laufen lassen - mal schauen ob sich was tut ?

#7

Solaranlagen / Aw: 76_SolarForecast - Informa...

Letzter Beitrag von 300P - 10 Januar 2026, 17:19:11

Da wurde "leider" in der Zeit die letzte Variante berechnet und das "normal" Berechnete dadurch protokolliert 

#8

Solaranlagen / Aw: 76_SolarForecast - Informa...

Letzter Beitrag von DS_Starter - 10 Januar 2026, 17:15:51

15 / 16 / 17 Uhr scheint sehr gut zu passen oder?

#9

Solaranlagen / Aw: 76_SolarForecast - Informa...

Letzter Beitrag von 300P - 10 Januar 2026, 17:15:05

Meine Legacy-Verbrauchsprognose - die wir schon lange in Benutzung haben - arbeitet ja nicht schlecht und da bin ich auch ein wenig stolz darauf  .

.....das kannst du auch zu 100 % sein !!!!!!!!!!!!!!!!
Du darfst diesen Dateianhang nicht ansehen.

#10

Solaranlagen / Aw: 76_SolarForecast - Informa...

Letzter Beitrag von 300P - 10 Januar 2026, 17:11:29

Hier das letzte Ergebnis bei mir:
(auch um ca. 50 % zu gering - vor allem in der Nacht)

aiConProfile=v1_common

Informationen zum neuronalen Netz der Verbrauchsvorhersage

Code Auswählen Erweitern


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: -