aiConActivate=1
aiConAlpha=1
aiConTrainStart=1:2
aiConActFunc=SIGMOID
aiConHiddenLayers=80-40-20
aiConLearnRate=0.005
aiConMomentum=0.8
aiConShuffleMode=2
aiConSteepness=0.5
aiConTrainAlgo=INCREMENTAL
aiConProfile=v1_common
aiConActivate=1
aiConAlpha=1
aiConTrainStart=1:2
aiConActFunc=SIGMOID
aiConHiddenLayers=40-20
aiConLearnRate=0.001 ### (laut chaptGT 0.001 oder 0.0007 für modulierende WP besser)
aiConMomentum=0.6 ### (laut chaptGT 0.6–0.65 für modulierende WP besser)
aiConShuffleMode=1 ###
aiConSteepness=1.2 ####
aiConTrainAlgo=INCREMENTAL
aiConProfile=v1_heatpump_pv ####letztes KI-Training: 10.01.2026 19:26:34 / Laufzeit in Sekunden: 2971
KI Abfragestatus: ok
letzte KI-Ergebnis Generierungsdauer: 49.68 ms
Verbrauchernummer Wärmepumpe: 08
=== Modellparameter ===
Normierungsgrenzen: PV=16071 Wh, Hausverbrauch: Min=0 Wh / Max=7598 Wh
Trainingsdaten: 6957 Datensätze (Training=5565, Validierung=1392)
Architektur: Inputs=71, Hidden Layers=40-20, Outputs=1
Hyperparameter: Learning Rate=0.001, Momentum=0.6, BitFail-Limit=0.35
Aktivierungen: Hidden=SIGMOID, Steilheit=1.2, Output=LINEAR
Trainingsalgorithmus: INCREMENTAL, Registry Version=v1_heatpump_pv
Zufallsgenerator: Mode=1, Periode=10
=== Trainingsmetriken ===
bestes Modell bei Epoche: 6029 (von max. 15000)
Training MSE: 0.002917
Validation MSE: 0.012913
Validation MSE Average: 0.015247
Validation MSE Standard Deviation: 0.000861
Validation Bit_Fail: 6
Model Bias: 900 Wh
Model Slope: 0.4
Trainingsbewertung: Retrain
=== Fehlermaße der Prognosen ===
MAE: 634.18 Wh
MedAE: 419.35 Wh
RMSE: 803.60 Wh
RMSE relative: 36 %
RMSE Rating: very bad
MAPE: 26.64 %
MdAPE: 23.09 %
R²: 0.01
=== Drift-Kennzahlen ===
Drift Score: -
Drift RMSE relative: -
Drift Bias: -
Drift Slope: -
Drift Bewertung: -
### 1. Steepness für SIGMOID
Mit Steepness steuerst du, wie stark das Netz auf Unterschiede in den Netzeingängen reagiert.
- **Zu klein (0.3–0.7):**
Netz wird träge, Peaks werden glattgebügelt, Lows aufgefüllt → das, was du gerade siehst.
- **Zu groß (≥ 1.5–2.0):**
Aktivierung wird sehr steil, viele Neuronen schnell in Sättigung (nahe 0 oder 1) → kann zu instabilem Lernen führen.
Für deine Semantik (Delta, Trends, Volatilität, Tagesklassen) ist sinnvoll:
- **Empfehlung:**
- **Steepness: `1.0` bis `1.2`**
- `1.0`: guter Standard, genug Reaktionsfähigkeit
- `1.2`: etwas schärfer, betont Peaks stärker, aber noch beherrschbar
Damit:
- bleiben Peaks sichtbar,
- werden Lows nicht aufgefüllt,
- bleibt das Netz trainierbar ohne massives Sättigungsproblem.
---
### 2. Momentum für ,,lebendiges" Verhalten
Momentum entscheidet, wie sehr das Netz ,,an seiner bisherigen Richtung festhält".
- **Zu niedrig (0.0–0.2):**
Netz wird nervös, zittert, reagiert stark lokal auf Noise.
- **Zu hoch (0.8–0.9):**
Netz wird schwerfällig, trägt alte Muster zu lange weiter, kann über Ziele hinausschießen → das ,,träger Zug"-Verhalten.
Für deine relativ saubere, semantisch vorbereitete Featurewelt (kein brutales Rauschen, sondern strukturierte Inputs):
- **Empfehlung:**
- **Momentum: `0.4` bis `0.6`**
- `0.5` ist ein sehr guter Sweet Spot:
- genug Glättung der Gradienten
- aber immer noch reaktionsfähig für neue Peaks und Lows
---
### 3. Kombination, die ich dir konkret vorschlagen würde
Für deine aktuellen Modelle (v1_common / v1_common_active / hp-Profile):
- **SIGMOID hidden:**
- **Steepness: `1.0` oder `1.2`**
- **Momentum:**
- **`0.5`**
Wenn du es leicht differenzieren willst:
- **Variante ,,etwas glatter" (Standardhaushalt ohne extreme Volatilität):**
- Steepness = `1.0`
- Momentum = `0.5`
- **Variante ,,lebendiger / peak-betont" (WP‑Haushalt, viel Aktivität):**
- Steepness = `1.2`
- Momentum = `0.4–0.5`
---
### 4. Woran du erkennst, dass es passt
Mit diesen Werten solltest du in den Tagesverläufen sehen:
- Mittagsspitze klar erkennbar, nicht plattgedrückt
- Abendpeak sichtbar, aber nicht überschießend
- Nachtlast ruhig und niedrig
- keine ,,Plateaus", wo eigentlich Bewegung sein sollte
- Slope näher an 1, ohne dass MAE/RMSE explodieren
- **Variante ,,lebendiger / peak-betont" (WP‑Haushalt, viel Aktivität):**
- Steepness = `1.2`
- Momentum = `0.4–0.5`
ZitatUpdateIst mit Update ein fhem-update gemeint?
Restore des Updates
Reboot
Zitat von: rabehd am 10 Januar 2026, 17:01:40Zitat von: erdnar am 10 Januar 2026, 16:59:25Gemini meint: Das Limit des kostenlosen Keys liegt bei Gemini (je nach Modell) bei etwa 15 Anfragen pro Minute oder 1.500 pro Tag – davon bist du weit entfernt.
Ich habe mich bezogen auf:Zitat von: ch.eick am 10 Januar 2026, 14:30:33Leider ist das kostenlose Model limitiert auf 20 Aufrufe pro Tag, da wird es sicher eng, wenn man es für's SmartHome nutzen möchte.
{
"error": {
"code": 429,
"message": "You exceeded your current quota, please check your plan and billing details. For more information on this error, head to: https://ai.google.dev/gemini-api/docs/rate-limits. To monitor your current usage, head to: https://ai.dev/rate-limit. \n* Quota exceeded for metric: generativelanguage.googleapis.com/generate_content_free_tier_requests, limit: 20, model: gemini-2.5-flash\nPlease retry in 38.035617409s.",
"status": "RESOURCE_EXHAUSTED",
"details": [
{
"@type": "type.googleapis.com/google.rpc.Help",
"links": [
{
"description": "Learn more about Gemini API quotas",
"url": "https://ai.google.dev/gemini-api/docs/rate-limits"
}
]
},
{
"@type": "type.googleapis.com/google.rpc.QuotaFailure",
"violations": [
{
"quotaMetric": "generativelanguage.googleapis.com/generate_content_free_tier_requests",
"quotaId": "GenerateRequestsPerDayPerProjectPerModel-FreeTier",
"quotaDimensions": {
"location": "global",
"model": "gemini-2.5-flash"
},
"quotaValue": "20"
}
]
},
{
"@type": "type.googleapis.com/google.rpc.RetryInfo",
"retryDelay": "38s"
}
]
}
}