Zitat von: DS_Starter am 13 Juni 2026, 19:44:08Nun würde mich interessieren wie du/ihr die Variante 1 gegenüber Variante 2 einschätzt.Ich stimme für Variante 1...
import time
import hmac
import hashlib
import requests
import random
# HIER DIE DATEN AUS DEM DEV-PORTAL EINTRAGEN
ACCESS_KEY = "<access-key-aus-dem-dev-portal>"
SECRET_KEY = "<secret-key-aus-dem-dev-portal>"
# Zeitstempel und Zufallszahl generieren
timestamp = str(int(time.time() * 1000))
nonce = str(random.randint(100000, 999999))
# Signatur für EcoFlow berechnen
sign_params = f"accessKey={ACCESS_KEY}&nonce={nonce}×tamp={timestamp}"
sign = hmac.new(SECRET_KEY.encode('utf-8'), sign_params.encode('utf-8'), hashlib.sha256).hexdigest()
headers = {
"accessKey": ACCESS_KEY,
"nonce": nonce,
"timestamp": timestamp,
"sign": sign
}
# Abruf der MQTT-Zertifikatsdaten (Europa-Server)
url = "https://api.ecoflow.com/iot-open/sign/certification"
response = requests.get(url, headers=headers)
print(response.json())
defmod ECOFLOW_MQTT_CLIENT MQTT2_CLIENT mqtt-e.ecoflow.com:8883
attr ECOFLOW_MQTT_CLIENT SSL 1
attr ECOFLOW_MQTT_CLIENT alias EcoFlow MQTT Client
attr ECOFLOW_MQTT_CLIENT autocreate complex
attr ECOFLOW_MQTT_CLIENT clientId EcoFlow-STREAM-Ultra
attr ECOFLOW_MQTT_CLIENT icon mqtt
attr ECOFLOW_MQTT_CLIENT mqttVersion 3.1.1
attr ECOFLOW_MQTT_CLIENT subscriptions /open/<certificateAccount>/<serialnumber>/quota
attr ECOFLOW_MQTT_CLIENT username <certificateAccount>set ECOFLOW_MQTT_CLIENT password <certificatePassword>
Momentum prüfen: liegt der aktuelle Wert über 0.7 .... ein hohes Momentum kann das Netz über das optimale Minimum hinausschießen lassen und zu früher Konvergenz beitragen
Wenn es gut ist, passt alles. Wenn nicht, versucht man die Hinweise umzusetzen und bekommt im positiven Fall bessere Ergebnisse.
Informationen zum neuronalen Netz der Verbrauchsvorhersage
letztes KI-Training: 11.06.2026 20:52:11 / Laufzeit in Sekunden: 605
KI Abfragestatus: ok
letzte KI-Ergebnis Generierungsdauer: 96.45 ms
Alpha: 0.8
Verbrauchernummer Wärmepumpe: 08
Bewertungsüberblick
Trainingsbewertung: ok (ok)
Lernverhalten: early früh konvergiert (4.8 % Epochenausnutzung)
Einstellhinweise:
Momentum prüfen: liegt der aktuelle Wert über 0.7, um 0.1–0.2 reduzieren (z.B. 0.8 → 0.6) – ein hohes Momentum kann das Netz über das optimale Minimum hinausschießen lassen und zu früher Konvergenz beitragen (aiControl->aiConMomentum)
Lernrate leicht reduzieren: aktuellen Wert um Faktor 2-3 verringern (z.B. 0.01 -> 0.003-0.005), damit das Netz feiner optimieren kann (aiControl->aiConLearnRate)
Architektur möglicherweise zu komplex für die Datenmenge: Verhältnis Trainingsdaten zu Netzparametern beträgt nur 0.9 (Zielwert: 8–20) - das Netz hat mehr Freiheitsgrade als die Daten zuverlässig füllen können; kleinere Architektur wie z.B. 14-8 versuchen (aiControl->aiConHiddenLayers)
Empfohlene Lernrate für die vorgeschlagene Architektur 14-8 mit 104 Inputs: 0.0050 (aiControl->aiConLearnRate)
Große Datenmenge (10130 Datensätze gesamt): falls saisonale Effekte die Prognosequalität beeinträchtigen, Training auf die neuesten Datensätze begrenzen (z.B. aiControl->aiConTrainLimit=5000) um das Modell auf aktuelle Verbrauchsmuster zu fokussieren. Der Hinweis ist für stochastische Haushalte weniger relevant als für strukturierte.
Rauschen Bewertung: merkliches Rauschen, Interpretation mit Vorsicht (borderline)
Drift Bewertung: low
Empfehlung für Retrain: keine keine
Modellparameter
Normierungsgrenzen: PV=10450 Wh, Hausverbrauch: Min=0 Wh / Max=6970 Wh
Trainingsdaten: 10130 Datensätze (Training=8104, Validation=2026)
Architektur: Inputs=104, Hidden Layers=64-32-16, Outputs=1
Hyperparameter: Learning Rate=0.0001, Momentum=0.9, BitFail-Limit=0.28
Aktivierungen: Hidden=SIGMOID_SYMMETRIC, Steepness=0.7, Output=LINEAR
Trainingsalgorithmus: INCREMENTAL, Profile=v1_heatpump_active_pv
Zufallsgenerator: Mode=1, Period=20
Modellalter: 71 h
Trainingsmetriken
bestes Modell bei Epoche: 720 (max. 15000)
Training MSE: 0.002720
Validation MSE: 0.002347
Validation MSE Average: 0.002246
Validation MSE Standard Deviation: 0.000028
Validation Bit_Fail: 1
Model Bias: 181 Wh
Model Slope: 0.86
Trainingsbewertung: ok
Fehlermaße der Prognosen
MAE: 245.66 Wh
MedAE: 175.65 Wh
RMSE: 282.19 Wh
RMSE relative: 25 %
RMSE Rating: good
MAPE: 23.12 %
MdAPE: 14.65 %
R²: 0.83
Rauschen
Rauschen Bewertung: borderline
Empfehlung für Bit_Fail: 0.34 (Einstellung von aiControl->aiConBitFailLimit)
Drift-Kennzahlen (berechnet ab Modellalter > 6 h)
Analysefenster: 96 h
Drift RMSE Ratio: 2.41
Semantic Ratio: 0.75
Slope Reference: 0.85
Slope Live: 0.62
Slope Drift: 0.734
Bias Reference: 440
Bias Live: 294.67
Bias Drift: -145.05
Score: 1.37
Index: 1.39
Drift Bewertung: low
Empfehlung für Retrain: keine keine
letzte Rekalibrierung: 13.06.2026 12:00:16
Zitat von: fred_feuerstein am 14 Juni 2026, 20:32:28Wegen dem OTA Update Problem, was ich schon 2 m hatte, zuletzt wie oben berichtet.
es kann durchaus sein, dass es an der Anzahl der Lautsprecher liegt. Wobei betateilchen ja auch die grosse Anzahl hat.