Hauptmenü

Neueste Beiträge

#91
FRITZ!Box / Aw: 72_FRITZBOX.pm wird zu 72_...
Letzter Beitrag von JoWiemann - 06 März 2026, 08:13:09
Hallo Beta-User,

das mit dem boxUser schaue ich mir an. Sollte eigentlich nicht so sein.

Grüße Jörg
#92
FRITZ!Box / Aw: 72_FRITZBOX.pm wird zu 72_...
Letzter Beitrag von JoWiemann - 06 März 2026, 08:06:08
Hallo Jamo,

ruf doch bitte einmal im FhemWeb get callApifromList tr064 auf. Dort bekommst Du alle im Modul benutzten TR064 API's mit ihrem Status aufgelistet. Ist dort WANPPPConnection durchgestrichen, dann steht dieser API micht zur Verfügung. Ist der Eintrag grün hinterlegt, dann bitte einmal drauf klicken und das Ergebnis posten.

Grüße Jörg
#93
Sprachsteuerung / Aw: [37_echodevice] Amazon Ech...
Letzter Beitrag von MadMax-FHEM - 06 März 2026, 07:18:16
Im ersten Post...

Gruß, Joachim
#94
Solaranlagen / Aw: 76_SolarForecast - Informa...
Letzter Beitrag von TheTrumpeter - 06 März 2026, 07:12:47
Zitat von: TheTrumpeter am 05 März 2026, 16:15:11Hab' grad einen Fehler in der Anzeige des "Rest-PV" Wertes in der Kopfzeile gefunden...

Der dort angezeigte Wert stimmt nicht mit der Summe der Balken-Werte überein, siehe Screenshot.
(Selbst wenn noch der ganze Wert von 16-18 Uhr verwendet würde und nicht nur anteilig ab 16:11 Uhr, ist es viel zu viel...)
Gerade wieder nachgerechnet...
Rest heute lt. Kopfzeile: 59438
Rest heute lt. Balken: 58060
Differenz ca. so groß wie die aktuelle Stunde, ev. wird die aktuelle Stunde doppelt berücksichtigt? 1x mit der kompletten Vorschau und 1x mit dem Rest der aktuellen Stunde? 59438 lt. Kopfzeile, 58060 lt. Balkensumme ab 07:00, Differenz=1378
Der Screenshot ist von 07:02, die Prognose für die aktuelle Stunde ist 1450. 1450 anteilig auf 58 Minuten ergeben 1401.
Gestern wäre die Differenz auch ungefähr der Restwert der aktuellen Stunde gewesen: 4636 lt. Kopfzeile, 2620 lt. Balkensumme, Differenz=2016
Der Screenshot war von 16:12, die Prognose für die aktuelle Stunde war 2520. 2520 anteilig auf 48 Minuten ergeben 2016Wh.

Beim Verbrauch scheint es ähnlich zu sein, wenngleich aufgrund der ähnlichen Stundenwerte nicht so klar ist ob die vergangene Stunde noch dabei ist oder die aktuelle Stunde annähernd doppelt. (6743 lt. Kopfzeile, 6413 lt. Balkensumme ab 07:00)
#95
Solaranlagen / Aw: 76_SolarForecast - Informa...
Letzter Beitrag von peterboeckmann - 06 März 2026, 07:11:16
Hallo Heiko,

Zitat von: DS_Starter am 05 März 2026, 19:24:32@Shadow3561, @peterboeckmann,

euch würde ich raten ein Training zunächst mit dem KI-Standardwerten auszuführen und dann erneut das Ergebnis zu bewerten.

das habe ich gestern abend mal mit folgender Konfiguration getan:
attr SolarForecast aiControl aiTrainStart=3 aiStorageDuration=18250 aiTreesPV=30 aiConActivate=1 aiConProfile=v1_common_active_pv
Das Bild der Verbrauchsprognose hat sich dabei nicht wirklich verbessert:

Du darfst diesen Dateianhang nicht ansehen.

Ich werde aus MAE und MedAE nicht wirklich schlau. Die liegen angeblich unter 200Wh. Der hier prognostizierte Verbrauch von 11 kWh nach Mitternacht ist unrealistisch und in der Vergangenheit auch gar nicht oder höchst selten vorgekommen.
Warum denkt das NN dann, dass die Vorhersage so genau ist (MAE: 180.37 Wh, MedAE: 79.75 Wh)?

Informationen zum neuronalen Netz der Verbrauchsvorhersage

letztes KI-Training: 05.03.2026 22:35:01 / Laufzeit in Sekunden: 1568
KI Abfragestatus: ok
letzte KI-Ergebnis Generierungsdauer: 19.72 ms
Verbrauchernummer Wärmepumpe: -

=== Modellparameter ===

Normierungsgrenzen: PV=11440 Wh, Hausverbrauch: Min=0 Wh / Max=15960 Wh
Trainingsdaten: 7691 Datensätze (Training=6152, Validation=1539)
Architektur: Inputs=69, Hidden Layers=80-40-20, Outputs=1
Hyperparameter: Learning Rate=0.005, Momentum=0.5, BitFail-Limit=0.35
Aktivierungen: Hidden=SIGMOID, Steepness=0.9, Output=LINEAR
Trainingsalgorithmus: INCREMENTAL, Registry Version=v1_common_active_pv
Zufallsgenerator: Mode=2, Period=10

=== Trainingsmetriken ===

bestes Modell bei Epoche: 2530 (max. 15000)
Training MSE: 0.000306
Validation MSE: 0.000402
Validation MSE Average: 0.000356
Validation MSE Standard Deviation: 0.000007
Validation Bit_Fail: 0
Model Bias: 159 Wh
Model Slope: 0.9
Trainingsbewertung: ok

=== Fehlermaße der Prognosen ===

MAE: 180.37 Wh
MedAE: 79.75 Wh
RMSE: 221.29 Wh
RMSE relative: 31 %
RMSE Rating: good
MAPE: 21.46 %
MdAPE: 11.16 %
R²: 0.92

=== Rauschen ===

Rauschen Bewertung: borderline
Empfehlung für Bit_Fail: 0.34 (Einstellung von aiControl->aiConBitFailLimit)

=== Drift-Kennzahlen ===

Drift Score: 4.29
Drift RMSE ratio: 3.95
Drift Slope: 0.118
Drift Bias: 4.17
Drift Bewertung: none

Schade, dass ich die Begeisterung über die Genauigkeit der Verbrauchsprognose nicht teilen kann, die andere hier im Thread schon geäußert haben.

Vielleicht hat ja jemand einen Tipp (oder eine Art Leitfaden), wie ich bei der Konfiguration des NN am besten vorgehe?

Vielen Dank und viele Grüße,
Peter
#96
Solaranlagen / Aw: 76_SolarForecast - Informa...
Letzter Beitrag von marboj - 06 März 2026, 06:42:55
Guten Morgen Heiko

setupInverterDev01 OpenDTU_2370752 pvOut=summe_PVdirekt:W capacity=800 etotal=yieldtotal:kWh strings=Ost,West
setupInverterDev02 OpenDTU_2370752 pvOut=summe_PVbat:W capacity=800 etotal=yieldtotal:kWh strings=SüdGarage,SüdGarten feed=bat
setupInverterStrings SüdGarage,SüdGarten,Ost,West

Gruß
Marco

#97
Solaranlagen / Aw: 76_SolarForecast - Informa...
Letzter Beitrag von Shadow3561 - 06 März 2026, 06:42:28
Zitat von: DS_Starter am 05 März 2026, 20:45:50Erstmal das Löschen. Nimm mal den höchsten realistischen Stundenwert in Wh, verdopple ihn und führe dann nochmal

"set .. reset aiData searchValue=con>=<dieser Wert>"

aus. Logausgabe posten.

Moin,
Ich habe jetzt alle Werte über 3000Wh gelöscht.
Das scheint nicht zu klappen.
Nach dem ersten Löschen werden wieder ganz schön viele ins Log geschrieben.
Hier ein Bsp:
2026.03.06 06:28:12.882 1: PV_forecast - AI Raw data found - idx: 2026030221 -> key=con, val=3278329
2026.03.06 06:28:12.882 1: PV_forecast - AI Raw data found - idx: 2026030307 -> key=con, val=13608452
2026.03.06 06:28:12.883 1: PV_forecast - AI Raw data found - idx: 2026030521 -> key=con, val=3250047
Wenn ich dann das Training starte bekomme ich exakt die selbe Ausgabe wie gestern.
2026.03.06 06:30:17.993 1: PV_forecast DEBUG> AI FANN - Target-Norm: raw_max=13608452, p99=12607499, p99.5=13592627, targmaxval=17670415
2026.03.06 06:30:17.993 1: PV_forecast DEBUG> AI FANN - True Outliers above p99.5 (13592627): 13608452

Dann habe ich den Löschvorgang erneut durchgeführt, Aber die gelöschten Zeilen im Log sind die selben.
2026.03.06 06:35:46.699 1: PV_forecast - AI Raw data found - idx: 2026030221 -> key=con, val=3278329
2026.03.06 06:35:46.699 1: PV_forecast - AI Raw data found - idx: 2026030307 -> key=con, val=13608452
2026.03.06 06:35:46.699 1: PV_forecast - AI Raw data found - idx: 2026030521 -> key=con, val=3250047

Ich denke, dass die Daten nicht gelöscht werden.

Gruss
Daniel

Edit:
Beim Lesen der Doku ist mir aufgefallen, dass der Befehl
set .. reset aiData searchValue=con>=3000nur die Werte anzeigt,
habe ihn auf
set .. reset aiData delValue=con>=3000geändert, jetzt werden die zu hohen Werte gelöscht.
Nach dem Start des Trainings bekomme ich jetzt
2026.03.06 06:46:18.554 1: PV_forecast DEBUG> AI FANN - Target-Norm: raw_max=3252, p99=1812, p99.5=2973, targmaxval=3865
2026.03.06 06:46:18.554 1: PV_forecast DEBUG> AI FANN - True Outliers above p99.5 (2973): 3252


Jetzt sieht die Trainingsbewertung so aus
Informationen zum neuronalen Netz der Verbrauchsvorhersage

letztes KI-Training: 06.03.2026 06:48:09 / Laufzeit in Sekunden: 111
KI Abfragestatus: ok
letzte KI-Ergebnis Generierungsdauer: 24 ms
Verbrauchernummer Wärmepumpe: -

=== Modellparameter ===

Normierungsgrenzen: PV=5797 Wh, Hausverbrauch: Min=0 Wh / Max=3865 Wh
Trainingsdaten: 7071 Datensätze (Training=5656, Validation=1415)
Architektur: Inputs=69, Hidden Layers=50-25, Outputs=1
Hyperparameter: Learning Rate=0.005, Momentum=0.5, BitFail-Limit=0.35
Aktivierungen: Hidden=SIGMOID, Steepness=0.9, Output=LINEAR
Trainingsalgorithmus: INCREMENTAL, Registry Version=v1_common_active_pv
Zufallsgenerator: Mode=2, Period=10

=== Trainingsmetriken ===

bestes Modell bei Epoche: 216 (max. 15000)
Training MSE: 0.000985
Validation MSE: 0.000911
Validation MSE Average: 0.000951
Validation MSE Standard Deviation: 0.000020
Validation Bit_Fail: 0
Model Bias: 46 Wh
Model Slope: 0.9
Trainingsbewertung: ok

=== Fehlermaße der Prognosen ===

MAE: 68.95 Wh
MedAE: 32.37 Wh
RMSE: 90.18 Wh
RMSE relative: 32 %
RMSE Rating: good
MAPE: 17.36 %
MdAPE: 10.16 %
R²: 0.90

=== Rauschen ===

Rauschen Bewertung: borderline
Empfehlung für Bit_Fail: 0.34 (Einstellung von aiControl->aiConBitFailLimit)

=== Drift-Kennzahlen ===

Drift Score: -
Drift RMSE ratio: -
Drift Slope: -
Drift Bias: -
Drift Bewertung: -


Dann denke ich, dass bei mir irgendetwas falsch läuft.
2026.03.06 06:51:02.068 2: PV_forecast - WARNING - The calculated Energy consumption of the house is negative. This appears to be an error and is not saved. - hour=07, PVreal=0, GridFeedIn=10377256, GridConsumption=236, BatIn=0 , BatOut=0Habe den Wert vom Zähler (Solaredge) im Auge und der Wert steigt kontinuierlich mit dem Verbrauch.
Irgendetwas muss die Berechnung im Modul durcheinander bringen.
Oder übersehe ich etwas?



Gruss
Daniel
#98
Sprachsteuerung / Aw: [37_echodevice] Amazon Ech...
Letzter Beitrag von Hardy74 - 05 März 2026, 23:38:34
Moin Joachim,

ZitatVerlinkte Anleitung lesen: mit Fake-User definieren und dann npm_login
Welche, wo verlinkte Anleitung?

Grüße,
Hardy
#99
Solaranlagen / Aw: 76_SolarForecast - Informa...
Letzter Beitrag von DS_Starter - 05 März 2026, 22:11:39
Ich denke schon dass man es besser hinbekommt.
Poste morgen mal die setupIntverterXX Attribute. Heute ist es schon zu spät dafür.
#100
Solaranlagen / Aw: 76_SolarForecast - Informa...
Letzter Beitrag von marboj - 05 März 2026, 22:01:02
Das stimmt wohl. Aber morgen früh, wenn die Sonne scheint, dann ja.

Ich glaube, das krieg ich nicht anders hin