DOELSEIF
(([00:01]-[23:59]|0123456) and [$SELF:P_button] eq "Turbo-Mode")
(set DimplexWPManager dimhp_temperature_dhwset 60)
(set DimplexWPManager dimhp_input_sgready_green on,set DimplexSmartGrid_green on,set Turbo_MODE on)
(Sleep [$SELF:P_Timer1]; set SmartGrid_doif P_button Auto; set Turbo_MODE off)
zigbee2mqtt:
image: koenkk/zigbee2mqtt:latest
volumes:
- ./zigbee2mqtt/data:/app/data
- /run/udev:/run/udev:ro
devices:
# - /dev/ttyACM0:/dev/ttyACM0
- /dev/serial/by-id/usb-Texas_Instruments_TI_CC2531_USB_CDC___0X00124B001CD4A620-if00:/dev/ttyACM0
restart: always
ports:
- '8084:8080'
privileged: true
environment:
- TZ=Europe/Berlin
sonos:
image: ghcr.io/svrooij/sonos2mqtt
# or the dockerhub svrooij/sonos2mqtt
restart: unless-stopped
ports:
- "6329:6329"
environment:
- SONOS2MQTT_DEVICE=192.168.178.36 # Service discovery doesn't work very well inside docker, so start with one device.
- SONOS2MQTT_MQTT=mqtt://192.168.178.60:1883 # mqtt2_server FHEM
# - SONOS2MQTT_DISTINCT=true # if your want distinct topics
- SONOS_LISTENER_HOST=192.168.178.60 # Docker host IP
# - SONOS_TTS_ENDPOINT=http://sonos-tts:5601/api/generate # If you deployed the TTS with the same docker-compose
depends_on:
- "fhem"
Zitat von: ch.eick am 12 Januar 2026, 19:10:43services:
fhem:
network_mode: host
services:
fhem:
network_mode: host
privileged: true <<<<< Das ist wegen eines alten SMA SmartMeter
< snip>
signal-mqtt:
image: ckware/signal-mqtt
# network_mode: host
# container_name: signal-mqtt
restart: unless-stopped
init: true
user: "nobody:nogroup"
environment:
MQTT_PUBLISH_OPTIONS: "-h broker -i signal-receiver"
MQTT_SUBSCRIBE_OPTIONS: "-h broker -i signal-sender"
MQTT_BROKER: "tcp://192.168.178.60:1883"
volumes:
- "./signal-mqtt:/home/.local/share/signal-cli"
ce@raspberrypi:/docker/fhem_2025 $ sudo docker run -it --rm -v /docker/fhem_2025/signal-mqtt:/home/.local/share/signal-cli ckware/signal-mqtt /bin/sh
/ # ping 192.168.178.60
PING 192.168.178.60 (192.168.178.60): 56 data bytes
64 bytes from 192.168.178.60: seq=0 ttl=64 time=0.087 ms
64 bytes from 192.168.178.60: seq=1 ttl=64 time=0.057 ms
64 bytes from 192.168.178.60: seq=2 ttl=64 time=0.056 ms
^C
--- 192.168.178.60 ping statistics ---
3 packets transmitted, 3 packets received, 0% packet loss
round-trip min/avg/max = 0.056/0.066/0.087 ms
DOELSEIF
(([00:01]-[23:59]|0123456) and [$SELF:P_button] eq "Ulli-Mode")
(set DimplexWPManager dimhp_temperature_dhwset 60)
(set DimplexWPManager dimhp_input_sgready_green on,set DimplexSmartGrid_green on,set Ulli_MODE on)
(sleep [$SELF:P_Timer1], set SmartGrid_doif P_button Auto,set Ulli_MODE off)Zitat von: DS_Starter am 12 Januar 2026, 15:24:09@Wolle, Würde ich auch so sehen. KI sagt:🧠 Was hier passiert
🔹 Verstärker sind aktiv
→ Die Registry liefert starke Signale für PV‑Peaks und Lastsprünge.
🔹 Aber: Steilheit = 0.9
→ SIGMOID mit 0.9 ist zu flach → Verstärker werden ,,abgefedert".
🔹 RPROP springt früh
→ Best Snapshot bei Epoche 54 → Verstärker noch nicht voll gelernt.
🔹 Snapshot‑Logik greift zu früh
→ Modell wird eingefroren, bevor Verstärker ihre Wirkung entfalten.
🛠 Was du tun kannst
✅ Steilheit auf 1.2 setzen
→ Verstärker wirken deutlich stärker
→ Slope steigt
→ Bias sinkt
→ RMSE_rel verbessert sich
✅ Snapshot erst ab Epoche 150 zulassen
→ Verstärker brauchen Zeit
→ RPROP darf sich entfalten
→ Modell wird nicht zu früh eingefroren
✅ Retry mit Seed‑Variation
→ RPROP reagiert stark auf Initialisierung
→ Seed‑Sweep kann bessere Minima finden
🎯 Fazit
Du hast die Verstärker korrekt eingebaut — das ist super.
Aber: RPROP + flache Aktivierung + früher Snapshot bremst sie aus.
Probier es mal so wie vorgeschlagen, ansonsten nimm wieder INCREMENTAL mit Steepness=1.2
Dein erstes Setup war ja nicht so schlecht.
letztes KI-Training: 12.01.2026 18:07:45 / Laufzeit in Sekunden: 2857
KI Abfragestatus: ok
letzte KI-Ergebnis Generierungsdauer: 33.68 ms
Verbrauchernummer Wärmepumpe: -
=== Modellparameter ===
Normierungsgrenzen: PV=8888 Wh, Hausverbrauch: Min=0 Wh / Max=12741 Wh
Trainingsdaten: 6244 Datensätze (Training=4995, Validierung=1249)
Architektur: Inputs=64, Hidden Layers=80-40-20, Outputs=1
Hyperparameter: Learning Rate=0.005, Momentum=0.5, BitFail-Limit=0.35
Aktivierungen: Hidden=SIGMOID, Steilheit=1.2, Output=LINEAR
Trainingsalgorithmus: INCREMENTAL, Registry Version=v1_common_active_pv
Zufallsgenerator: Mode=2, Periode=10
=== Trainingsmetriken ===
bestes Modell bei Epoche: 2639 (von max. 15000)
Training MSE: 0.000355
Validation MSE: 0.000277
Validation MSE Average: 0.000309
Validation MSE Standard Deviation: 0.000008
Validation Bit_Fail: 0
Model Bias: -10 Wh
Model Slope: 0.9
Trainingsbewertung: Retrain
=== Fehlermaße der Prognosen ===
MAE: 135.71 Wh
MedAE: 77.52 Wh
RMSE: 174.29 Wh
RMSE relative: 31 %
RMSE Rating: weak
MAPE: 18.37 %
MdAPE: 13.88 %
R²: 0.91