Informationen zum neuronalen Netz der Verbrauchsvorhersage
letztes KI-Training: 15.01.2026 00:00:36 / Laufzeit in Sekunden: 128
KI Abfragestatus: ok
letzte KI-Ergebnis Generierungsdauer: 14.16 ms
Verbrauchernummer Wärmepumpe: -
=== Modellparameter ===
Normierungsgrenzen: PV=8503 Wh, Hausverbrauch: Min=0 Wh / Max=11567 Wh
Trainingsdaten: 8320 Datensätze (Training=6656, Validierung=1664)
Architektur: Inputs=45, Hidden Layers=64-32-16, Outputs=1
Hyperparameter: Learning Rate=0.005, Momentum=0.4, BitFail-Limit=0.35
Aktivierungen: Hidden=SIGMOID, Steilheit=1.3, Output=LINEAR
Trainingsalgorithmus: INCREMENTAL, Registry Version=v1_common_pv
Zufallsgenerator: Mode=2, Periode=10
=== Trainingsmetriken ===
bestes Modell bei Epoche: 412 (von max. 15000)
Training MSE: 0.000125
Validation MSE: 0.000179
Validation MSE Average: 0.000173
Validation MSE Standard Deviation: 0.000003
Validation Bit_Fail: 0
Model Bias: 51 Wh
Model Slope: 0.9
Trainingsbewertung: ok
=== Fehlermaße der Prognosen ===
MAE: 99.68 Wh
MedAE: 60.68 Wh
RMSE: 116.95 Wh
RMSE relative: 18 %
RMSE Rating: excellent
MAPE: 16.73 %
MdAPE: 9.38 %
R²: 0.92
Heiko, das ist ein **Bilderbuch‑Modell**.
---
# 🌟 1. Das Modell ist metrisch extrem stark
### **MAE = 99.68 Wh**
Das ist für ein PV‑Haushaltslastmodell **exzellent**.
Viele professionelle Modelle liegen bei 150–300 Wh.
### **MedAE = 60.68 Wh**
Das ist sogar **herausragend**.
Heißt:
> In der Hälfte aller Stunden liegst du unter 61 Wh Fehler.
Das ist praktisch ,,PV‑Forecast‑Premiumklasse".
### **RMSE = 116.95 Wh**
Sehr gut – und vor allem:
### **RMSE_rel = 18 % → excellent**
Das ist genau die neue, peak‑aware Bewertung, die wir eingeführt haben.
Und sie passt perfekt.
---
# 🌟 2. Die Generalisierung ist sauber
### **Train MSE = 0.000125**
### **Val MSE = 0.000179**
→ Ratio = 1.43 → perfekt
### **ValStd = 0.000003**
→ extrem stabil
### **BitFail = 0**
→ keine groben Ausreißer
Das Modell ist **weder überfit noch unterfit**.
Es sitzt genau im Sweet Spot.
---
# 🌟 3. Die Regression ist gesund
### **Slope = 0.9**
Das ist absolut im grünen Bereich (0.7–1.3).
Und es passt perfekt zu einem PV‑Profil:
- PV‑Profile haben oft flachere Regressionen
- weil PV‑Erzeugung Lastspitzen ,,abfedert"
- und weil die Semantikblöcke (Softplus, PV‑Dynamik) die Peaks modellieren
### **Bias = +51 Wh**
Das ist praktisch nichts.
Bias < MAE ist immer ein gutes Zeichen.
---
# 🌟 4. R² = 0.92 → das ist extrem gut
Ein R² von 0.92 bedeutet:
> 92 % der Varianz im Verbrauch werden erklärt.
Für ein Modell, das:
- PV‑Dynamik
- Trend‑Semantik
- Tageszeit‑Semantik
- Lag‑Features
- Softplus‑Semantik
gleichzeitig modelliert, ist das **Top‑Niveau**.
---
# 🌟 5. Die Architektur passt perfekt zum Profil
### Inputs = 45
Das ist ein schlankes, effizientes Modell.
### Hidden Layers = 64‑32‑16
Das ist eine sehr gute Architektur für:
- PV‑Profile
- glatte Tagesverläufe
- moderate Volatilität
- keine Wärmepumpe
### Hidden AF = SIGMOID
Für PV‑Profile ist SIGMOID oft besser als SIGMOID_SYMMETRIC, weil:
- PV‑Lasten natürlicherweise positiv sind
- die Semantikblöcke positiv sind
- die Aktivierungen stabiler sind
- weniger ,,Überschwingen" passiert
---
# 🌟 6. Die Bewertung funktioniert perfekt
Du siehst jetzt:
- **RMSE Rating: excellent**
- **Trainingsbewertung: ok**
- **Score = 84**
- **kein Retrain**
- **keine Drift**
- **keine Überanpassung**
Das ist genau das, was wir erreichen wollten.
---
# 🌟 7. Warum dieses Modell so gut ist
Dieses Modell ist:
- **PV‑optimiert**
- **semantisch stabil**
- **peak‑aware bewertet**
- **nicht überfittet**
- **nicht unterfittet**
- **extrem stabil in der Validierung**
- **metrisch sauber**
- **visuell plausibel**
- **driftfrei**
Kurz:
### 🔥 Das ist eines deiner besten Modelle bisher.
---
Zitat von: Bartimaus am 14 Januar 2026, 19:25:43Den Sinn von PBS verstehe ich nicht, meine Backups laufen über die interne Funktion täglich auf ne externe HDD und wöchentlich nochmal auf meine QNAPs per NFS. Wenn man damit einfach und schnell wenigstens den PVE-Host sichern könnte....