Zitat von: horstwwl am 02 Januar 2026, 11:08:14bin ich auf folgende Meldungen gestoßen
2026.01.01 16:21:29 4: http://192.168.178.66/data.jsn: HTTP response code 200
Internals:
BUSY 0
DEF http://192.168.178.66/data.jsn 5
FUUID 68c177f3-f33f-0bb3-07bf-dc127e2938b41c45
Interval 5
MainURL http://192.168.178.66/data.jsn
ModuleVersion 4.2.0 - 11.8.2023
NAME AC_ELWA_2
NOTIFYDEV global
NR 271
NTFY_ORDER 50-AC_ELWA_2
STATE 48.9 °C<br/>320 W<br/>0.25 kWh
TYPE HTTPMOD
eventCount 1423
value
HttpUtils:
NAME
addr http://192.168.178.66:80
auth 0
buf
code 200
compress 1
conn
data
displayurl http://192.168.178.66/data.jsn
header
host 192.168.178.66
httpheader HTTP/1.1 200 OK
Content-Type: application/json
Content-Length: 2515
Access-Control-Allow-Origin: *
httpversion 1.0
hu_blocking 0
hu_filecount 1
hu_port 80
hu_portSfx
ignoreredirects 1
loglevel 4
path /data.jsn
protocol http
redirects 0
timeout 2
url http://192.168.178.66/data.jsn
sslargs:
QUEUE:
READINGS:
2026-01-02 11:04:27 Chip_Temperatur 48.2
2026-01-02 11:04:27 Energie_kWh 331.091838326913
2026-01-02 11:04:27 Energie_kWh.Tag 0.250450421584315
2025-12-25 09:54:01 Energy_kWh 286
2026-01-02 11:04:27 Firmware e0001401
2026-01-02 11:04:27 Geraet AC ELWA 2
2026-01-02 11:04:27 Ist_Temperatur 48.9
2026-01-01 16:16:51 Leistung Heizstab max. 3500
2026-01-02 11:04:27 Leistung Heizstab max. 3500
2026-01-02 11:04:27 Leistung PV 320
2026-01-02 11:04:27 Leistung_Heizstab 320
2026-01-02 11:04:27 Leistung_Netz 0
2026-01-02 11:04:27 Leistung_Nominal 3500
2026-01-02 11:04:27 Leistung_PV-Over 2302
2026-01-02 11:04:27 Status_Control Conn. to Fronius. P Grid=2302
REQUEST:
context reading
data
header
ignoreredirects 0
num unknown
retryCount 0
type update
url http://192.168.178.66/data.jsn
defptr:
readingBase:
Chip_Temperatur reading
Firmware reading
Geraet reading
Ist_Temperatur reading
Leistung Heizstab max. reading
Leistung PV reading
Leistung_Heizstab reading
Leistung_Netz reading
Leistung_Nominal reading
Leistung_PV-Over reading
Status_Control reading
readingNum:
Chip_Temperatur 07
Firmware 02
Geraet 01
Ist_Temperatur 04
Leistung Heizstab max. 05
Leistung PV 08
Leistung_Heizstab 03
Leistung_Netz 11
Leistung_Nominal 09
Leistung_PV-Over 12
Status_Control 10
readingOutdated:
requestReadings:
update:
Chip_Temperatur reading 07
Firmware reading 02
Geraet reading 01
Ist_Temperatur reading 04
Leistung Heizstab max. reading 05
Leistung PV reading 08
Leistung_Heizstab reading 03
Leistung_Netz reading 11
Leistung_Nominal reading 09
Leistung_PV-Over reading 12
Status_Control reading 10
Attributes:
devStateIcon {
my $onl = ReadingsVal("AC_ELWA_2_On", "state", "") ne "present" ? "rot" : "gruen";
my $temp = ReadingsVal($name, "Ist_Temperatur", "") . " °C\n";
my $power = ReadingsVal($name, "Leistung_Heizstab", 0) . " W";
my $icon = "10px-kreis-$onl";
"$icon $temp, $power";
}
event-min-interval Ist_Temperatur:480,Leistung_.*:480,Status:480,Energie_kWh:480
event-on-change-reading Energie_kWh:0.01,Leistung_..*:5,.*Temperatur.*:5
fp_Elektroplan 636,846,0,AC_ELWA_2,
fp_Heizung 422,922,0,AC_ELWA_2,
group Heizung
icon sani_boiler_temp
reading01JSON device
reading01Name Geraet
reading02JSON fwversion
reading02Name Firmware
reading03JSON power_elwa2
reading03Name Leistung_Heizstab
reading04Expr $val / 10
reading04JSON temp1
reading04Name Ist_Temperatur
reading05JSON power_max
reading05Name Leistung Heizstab max.
reading07Expr $val / 10
reading07JSON temp_ps
reading07Name Chip_Temperatur
reading08JSON power_solar
reading08Name Leistung PV
reading09JSON power_nominal
reading09Name Leistung_Nominal
reading10JSON ctrlstate
reading10Name Status_Control
reading11JSON power_grid
reading11Name Leistung_Netz
reading12JSON surplus
reading12Name Leistung_PV-Over get DBLogging HISTORY INT 2025-01-01_00:00:00 2025-12-31_23:59:59 GaszaehlerCalc:gaszaehler_Counter1_EnergyMonthLast:::
2025-01-01_00:04:24 3345.531
2025-02-01_00:06:41 3855.491
2025-03-01_00:07:54 3373.694
2025-04-01_04:34:33 2358.133
2025-05-01_04:34:43 1395.098
2025-06-01_04:35:10 1165.432
2025-07-01_04:35:21 913.190
2025-08-01_05:35:27 723.421
2025-09-01_05:36:10 468.497
2025-10-01_05:06:20 638.037
2025-11-01_05:01:03 1241.875
2025-12-01_00:23:52 1918.469
#GaszaehlerCalc:gaszaehler_Counter1_EnergyMonthLast:::
get lp CURRENT INT 2025-01-01_00:00:00 2025-12-31_23:59:59 DbLog:DBLogging,offset=365*(60*60*24):GaszaehlerCalc:gaszaehler_Counter1_EnergyMonthLast::
2025-01-31_05:01:30 3615.207
2025-03-01_05:01:43 2565.671
2025-04-01_05:01:39 2448.546
2025-05-01_05:02:12 2127.460
2025-06-01_04:32:16 1044.731
2025-07-01_05:07:40 712.804
2025-08-01_05:35:49 634.796
2025-09-01_04:47:15 537.453
2025-10-01_04:32:14 768.908
2025-11-01_04:33:07 1579.949
2025-12-01_00:04:24 2531.025
#GaszaehlerCalc:gaszaehler_Counter1_EnergyMonthLast:::letztes KI-Training: 02.01.2026 01:45:11 / Laufzeit in Sekunden: 8484
KI Abfragestatus: ok
letzte KI-Ergebnis Generierungsdauer: 69.16 ms
=== Modellparameter ===
Normierungsgrenzen: PV=13080 W, Hausverbrauch: Min=0 W / Max=3012497.8 W
Trainingsdaten: 7928 Datensätze (Training=6342, Validierung=1586)
Architektur: Inputs=34, Hidden Layers=50-25, Outputs=1
Hyperparameter: Learning Rate=0.005, Momentum=0.5, BitFail-Limit=0.35
Aktivierungen: Hidden=SIGMOID, Steilheit=0.9, Output=LINEAR
Zufallsgenerator: Mode=2, Periode=10
=== Trainingsmetriken ===
bestes Modell bei Epoche: 1 (von max. 15000)
Training MSE: 0.000125
Validation MSE: 0.000001
Validation MSE Average: 0.000000
Validation MSE Standard Deviation: 0.000000
Validation Bit_Fail: 0
Model Bias: 176 Wh
Model Slope: 0.2
Trainingsbewertung: Retrain
=== Fehlermaße der Prognosen ===
MAE: 2106.61 Wh
MedAE: 1938.61 Wh
RMSE: 2568.08 Wh
RMSE relative: 617 %
RMSE Rating: very bad
MAPE: 461.89 %
MdAPE: 381.75 %
R²: -12.47
=== Drift-Kennzahlen ===
Drift Score: -
Drift RMSE relative: -
Drift Bias: -
Drift Slope: -
Drift Bewertung: -
Erläuterung der Kennzahlen
Train MSE / Validation MSE → wie gut das Netz trainiert und generalisiert. Daumenregel:
MSE < 0.01 → sehr gut
MSE 0.01–0.05 → gut
MSE > 0.1 → schwach
Interpretation Verhältnis Train MSE zu Validation MSE:
Validation ≈ Train → gute Generalisierung
Validation deutlich größer → Überfitting
Validation kleiner → Validierungsdaten sind einfacher oder Split begünstigt
Validation Bit_Fail → Anzahl der Ausreißer
MAE (Mean Absolute Error) → mittlere absolute Abweichung in Wh. Richtwerte bei typischem Verbrauch 500–1500 Wh:
< 100 Wh → sehr gut
100–300 Wh → gut
> 300 Wh → schwach
MedAE (Median Absolute Error) → Median der absoluten Fehler in Wh (toleriert einzelne Ausreißer besser)
< 100 Wh → sehr gut
100–200 Wh → gut
200–300 Wh → mittelmäßig
> 300 Wh → schwach
RMSE relative (Root Mean Squared Error) → mittlere quadratische Abweichung relativ zum Medianverbrauch in %
Richtwerte:
< 5% → sehr gut, das Modell trifft fast perfekt
5–10% → gut, das Modell ist zuverlässig
10–20% → akzeptabel, das Modell ist brauchbar
> 20% → schwach, das Modell hat starke Ausreißer
> 35% → katastrophal, das Modell ist unbrauchbar
MAPE (Mean Absolute Percentage Error) → relative Abweichung in %
Richtwerte:
< 10 % → sehr gut - Modell liegt fast immer sehr nah an den echten Werten
10–20 % → gut - Prognosen sind solide, kleine Abweichungen sind normal
20–30 % → mittelmäßig / akzeptabel - Modell ist brauchbar, aber nicht präzise – für grobe Trends ok
> 30 % → schwach - Modell verfehlt die Werte deutlich, oft durch Ausreißer oder fehlende Features
⚠️ Vorsicht: bei kleinen Werten (<200 Wh) kann MAPE stark verzerren → MdAPE heranziehen
MdAPE (Median Absolute Percentage Error) → Median der prozentualen Fehler in % (robuster gegenüber kleinen Werten)
Richtwerte:
< 10 % → sehr gut
10–20 % → gut
20–30 % → mittelmäßig
> 30 % → schwach
R² (Bestimmtheitsmaß) → Maß für die Erklärungskraft des Modells. Je näher R² an 1 liegt, desto besser.
R² = 1.0 → perfekte Vorhersage, alle Punkte liegen exakt auf der Regressionslinie
R² > 0.8 → sehr gut - Modell erfasst den Großteil der Streuung → sehr zuverlässige Prognosen
R² = 0.6 – 0.8 → gut - Modell erklärt einen soliden Teil der Varianz → brauchbar für viele Anwendungen
R² = 0.5–0.6 → mäßig / grenzwertig - Modell liegt knapp über ,,zufällig" → Muster erkannt, Prognosen nur eingeschränkt nützlich
R² < 0.5 → schwach - Modell erklärt weniger als die Hälfte der Varianz → deutlicher Verbesserungsbedarf
R² = 0.0 → Modell erklärt gar nichts, es ist nicht besser als der Mittelwert der Daten
R² < 0.0 → Modell ist schlechter als einfach immer den Mittelwert vorherzusagen
⚠️ R² ist sehr empfindlich gegenüber Ausreißern und Varianz in den Daten.
// Schutz gegen Dialog-Container
//const parentDialog = $('#FW_okDialog').closest('.ui-dialog-content');
//if (parentDialog.length) {
// return null;
//}
defmod popupTest dummy
attr popupTest devStateIcon .*:on:slider:dropDown:dropDownOnOff .*:off:slider:dropDown:dropDownOnOff
attr popupTest readingList humidity
attr popupTest room popup
attr popupTest setList slider:slider,0,5,100 dropDown:0,1,2,3,4,5 dropDownOnOff:on,off
attr popupTest webCmd slider:dropDown:dropDownOnOff
setstate popupTest slider 25
setstate popupTest 2026-01-02 01:25:05 state 13 3defmod thermostatTest dummy
attr thermostatTest readingList desired-temp temperature humidity valvepos
attr thermostatTest room popup
attr thermostatTest setList desired-temp temperature humidity valvepos
attr thermostatTest webCmd climacontrol:humidity
attr thermostatTest webCmdLabel ;\
: ;
attr thermostatTest widgetOverride humidity:slider,0,1,100 climacontrol:controlminidash,desired-temp,desired-temp,temperature@°C,desired-temp@°C,humidity@%,valvepos@%,clock@.13.3,rc_MINUS@minus.1,#,#,rc_PLUS@plus.1,#
setstate thermostatTest 2026-01-02 10:06:51 desired-temp 22
setstate thermostatTest 2026-01-02 10:05:14 humidity 44
setstate thermostatTest 2026-01-02 10:06:43 temperature 22
setstate thermostatTest 2026-01-02 10:06:58 valvepos 15Zitat von: VolkerGBenner am 02 Januar 2026, 08:44:22Durch die Wurzel wird aus einer Ganzzahl eine FließkommazahlWas wird denn beim Quadrieren aus der Ganzzahl? Wieder eine Ganzzahl oder eine Fließkommazahl, wenn auch ohne Bruchteil?
letztes KI-Training: 01.01.2026 18:26:00 / Laufzeit in Sekunden: 1316
KI Abfragestatus: ok
letzte KI-Ergebnis Generierungsdauer: 9.97 ms
=== Modellparameter ===
Normierungsgrenzen: PV=9276 W, Hausverbrauch: Min=0 W / Max=8938 W
Trainingsdaten: 7934 Datensätze (Training=6347, Validierung=1587)
Architektur: Inputs=34, Hidden Layers=80-40-20, Outputs=1
Hyperparameter: Learning Rate=0.005, Momentum=0.5, BitFail-Limit=0.35
Aktivierungen: Hidden=SIGMOID, Steilheit=0.9, Output=LINEAR
Zufallsgenerator: Mode=2, Periode=10
=== Trainingsmetriken ===
bestes Modell bei Epoche: 1231 (von max. 15000)
Training MSE: 0.000185
Validation MSE: 0.000282
Validation MSE Average: 0.000288
Validation MSE Standard Deviation: 0.000004
Validation Bit_Fail: 0
Model Bias: 109 Wh
Model Slope: 0.8
Trainingsbewertung: Retrain
=== Fehlermaße der Prognosen ===
MAE: 96.26 Wh
MedAE: 61.31 Wh
RMSE: 150.17 Wh
RMSE relative: 24 %
RMSE Rating: weak
MAPE: 15.51 %
MdAPE: 9.06 %
R²: 0.89