Zitat von: TheTrumpeter am 05 März 2026, 16:15:11Hab' grad einen Fehler in der Anzeige des "Rest-PV" Wertes in der Kopfzeile gefunden...Gerade wieder nachgerechnet...
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...)
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.
attr SolarForecast aiControl aiTrainStart=3 aiStorageDuration=18250 aiTreesPV=30 aiConActivate=1 aiConProfile=v1_common_active_pvInformationen 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
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,WestZitat 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.
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=3250047Wenn 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): 136084522026.03.06 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=3250047set .. reset aiData searchValue=con>=3000nur die Werte anzeigt,set .. reset aiData delValue=con>=3000geändert, jetzt werden die zu hohen Werte gelöscht.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): 3252Informationen 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: -
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.ZitatVerlinkte Anleitung lesen: mit Fake-User definieren und dann npm_loginWelche, wo verlinkte Anleitung?