76_SolarForecast - Informationen/Ideen zu Weiterentwicklung und Support

[Gisbert]

Hallo Gisbert,
dein letztes Training

Code Auswählen Erweitern

14.06.2026    19:59:35.620    01:00    mySolarForecast    DEBUG>    Retry    attempt    2    with    Seed=21170366   
gefällt mir. Der Bit_Fail verringert sich kontinuierlich langsam von 17 auf 0.
Genauso verhält es sich auch mit Train MSE  und Val MSE. Beide Werte laufen gleichmäßig nach unten ohne auf einem Plateau-Wert hängen zu bleiben.
Und es werden 2911 Epochen verwendet, die der Berater gut finden sollte.
Für mich sieht das sehr gut aus und wenn du uns noch die Trainingsmetriken und Fehlermaße der Prognosen zeigen würdest, könnten wir einen Vergleich mit meinen (angehängten) oder den Werten von 300P im vorigen Post vergleichen.

Ich würde es so lassen und wenn du mehr Daten gesammelt hast und ich auch noch die zusätzlichen WP-Parameter eingebaut habe, kann man auch mal wieder einen Versuch mit einem WP-Profil starten.
@300P, wie ist deine Meinung dazu und zum Ergebnis?

LG,
Heiko

Hallo Heiko,

hier sind die weiteren Daten, Trainingsmetriken und Fehlermaße:

Code Auswählen Erweitern

bestes Modell bei Epoche: 2911 (max. 15000)
Training MSE: 0.003947
Validation MSE: 0.003750
Validation MSE Average: 0.003715
Validation MSE Standard Deviation: 0.000009
Validation Bit_Fail: 0
Model Bias: 199 Wh
Model Slope: 0.81
Trainingsbewertung: ok

Code Auswählen Erweitern

MAE: 249.47 Wh
MedAE: 178.52 Wh
RMSE: 317.25 Wh
RMSE relative: 40 %
RMSE Rating: acceptable
MAPE: 33.11 %
MdAPE: 21.62 %
R²: 0.80

Code Auswählen Erweitern

Analysefenster: 96 h
Drift RMSE Ratio: 1.67
Semantic Ratio: 0.75
Slope Reference: 1.00
Slope Live: 0.62
Slope Drift: 0.620
Bias Reference: 0
Bias Live: 371.44
Bias Drift: 371.44
Score: 1.07
Index: 1.18
Drift Bewertung: low
Empfehlung für Retrain: keine keine
letzte Rekalibrierung: -
Wenn das Training für dich ok aussieht, wann kann ich denn mit einer Prognose in der Größenordnung des tatsächlichen Verbrauchs rechnen? Für morgen wird ein Verbrauch von 27.7 kWh prognostiziert, bei gleichbleibendem Verbrauch von 10~12 kWh.

Viele Grüße Gisbert

[DS_Starter]

Nabend Gisbert,

wenn du deine erreichten Fehlermaße

Code Auswählen Erweitern

MAE: 249.47 Wh
MedAE: 178.52 Wh
RMSE: 317.25 Wh
RMSE relative: 40 %
RMSE Rating: acceptable
MAPE: 33.11 %
MdAPE: 21.62 %
R²: 0.80

mit denen von 300P vergleichst:

Code Auswählen Erweitern

Fehlermaße der Prognosen
MAE: 245.66 Wh
MedAE: 175.65 Wh
RMSE: 282.19 Wh
RMSE relative: 25 %
RMSE Rating: good
MAPE: 23.12 %
MdAPE: 14.65 %
R²: 0.83

siehst du dass die Ergebnsisse bei 300P gerade bei RMSE relative deutlich besser sind, 25% vs. 40%. Daraus folgt auch das Rating acceptable vs. good.
300P kann durch seine deutlich breitere Datenlage das spezifische WP-Profil nutzen, was bei dir wegen den doch noch "dünnen" Trainingsdaten noch nicht möglich ist. Aber das System wird über die eingebaute Drift-Korrektur in Grenzen gegensteuern.

Vergleich der Trainingsmetriken:

bei dir:

Code Auswählen Erweitern

Validation MSE: 0.003750
Validation MSE Average: 0.003715
Validation MSE Standard Deviation: 0.000009

300P:

Code Auswählen Erweitern

Validation MSE: 0.002347
Validation MSE Average: 0.002246
Validation MSE Standard Deviation: 0.000028
Korrektur: Meine Ersteinschätzung bezüglich der Standardabweichung war falsch, hier liegt dein System bezüglich der Standardabweichung in der Validierung vorn.

Meiner Meinung nach werden weitere Verbesserungen erst eintreten, wenn dein System mit mehr Daten trainieren kann und die WP-Features nutzen kann. In dem Zusammenhang wird es speziell für deinen Haushalt wichtig sein, dass ich die Möglichkeit mehrerer definierbarer WP sowie die schon andiskutierten opmodes realisiere.

Wahrscheinlich wirst du auch Änderungen in der CON-Prognose über die Zeit feststellen. Die Prognose ist dynamisch.
Mich würde ein Screenshot des Balkendiagramms mit Prognose/Ist interessieren.

LG,
Heiko