Zitat von: romakrau am 11 Mai 2026, 06:12:59Mir persönlich reicht die Version 3.2.0. Hiermit kann ich die Device Text2Speech ersetzen.Ich persönlich finde die WEBUI wg. ein paar zusätzlicher angezeigter Information ganz ok. Rest benötige ich auch nicht.
Text mittels tts ausgeben und sich wiederholende Ansagen wie z.B. "Fenster schliessen" ohne Umweg über das Internet als ttm abrufen.
Weitere Anwendungen sind Internetradio, Radiowecker und Einschlafmusik. Letzteres mittels einfachem Ikea TRADFRI on/off switch steuerbar. Ein Webinterface kann man mittels FTUI selber bauen. Meine setList sieht z.B. so aus:
alarm:noArg essz-ls/mp3 /mp3/sirene.mp3
Jazz:noArg essz-ls/ls/mp3 http://stream.srg-ssr.ch/m/rsj/mp3_128
OnLove:noArg essz-ls/ls/mp3 https://0n-love.radionetz.de/0n-love.mp3
WDR-2:noArg essz-ls/ls/mp3 http://wdr-wdr2-rheinland.icecast.wdr.de/wdr/wdr2/rheinland/mp3/128/stream.mp3
WDR-4:noArg essz-ls/ls/mp3 http://wdr-wdr4-live.icecast.wdr.de/wdr/wdr4/live/mp3/128/stream.mp3
say { my $payload = $EVENT;$payload =~ s/$EVTPART0 //g; qq(essz-ls/tts $payload)}
saym { my $payload = $EVENT;$payload =~ s/$EVTPART0 //g; qq(essz-ls/ttm $payload)}
play essz-ls/mp3
stop:noArg essz-ls/stop
vol essz-ls/setVol
ping:noArg essz-ls/ping
live essz-ls/ls/mp3
sleep essz-ls/lpm
Informationen zum neuronalen Netz der Verbrauchsvorhersage
letztes KI-Training: 09.05.2026 21:38:52 / Laufzeit in Sekunden: 5168
KI Abfragestatus: ok
letzte KI-Ergebnis Generierungsdauer: 58.5 ms
Alpha: 0.8
Verbrauchernummer Wärmepumpe: 08
=== Modellparameter ===
Normierungsgrenzen: PV=10450 Wh, Hausverbrauch: Min=0 Wh / Max=6770 Wh
Trainingsdaten: 12069 Datensätze (Training=9655, Validation=2414)
Architektur: Inputs=98, Hidden Layers=80-40, Outputs=1
Hyperparameter: Learning Rate=0.002, Momentum=0.8, BitFail-Limit=0.28
Aktivierungen: Hidden=ELLIOT_SYMMETRIC, Steepness=1.0, Output=LINEAR
Trainingsalgorithmus: INCREMENTAL, Registry Version=v1_heatpump_active_pv
Zufallsgenerator: Mode=2, Period=20
Modellalter: 24 h
=== Trainingsmetriken ===
bestes Modell bei Epoche: 5706 (max. 15000)
Training MSE: 0.000634
Validation MSE: 0.000073
Validation MSE Average: 0.000094
Validation MSE Standard Deviation: 0.000011
Validation Bit_Fail: 0
Model Bias: -7 Wh
Model Slope: 1.0
Trainingsbewertung: ok
=== Fehlermaße der Prognosen ===
MAE: 44.38 Wh
MedAE: 33.76 Wh
RMSE: 48.59 Wh
RMSE relative: 4 %
RMSE Rating: excellent
MAPE: 3.88 %
MdAPE: 2.41 %
R²: 1.00
=== Rauschen ===
Rauschen Bewertung: low
Empfehlung für Bit_Fail: 0.28 (Einstellung von aiControl->aiConBitFailLimit)
=== Drift-Kennzahlen ===
Drift Score: 19.21
Drift RMSE ratio: 33.88
Drift Slope: 0.705
Drift Bias: 959.88
Drift Bias Live: 953.26
Drift Index: 2.36
Drift Bewertung: recalibration blocked: rmse_anomaly
Slope recalibrated: 1.0
Bias recalibrated: -7
letzte Rekalibrierung: -