76_SolarForecast - Informationen/Ideen zu Weiterentwicklung und Support

[Gisbert]

Hast du deine Ergebnisse auch schon mal mit dem neuen Gemini-Link online analysieren lassen?

Hallo Heiko,

Ich hab das Gemini-Tool installiert und einige Empfehlungen durchprobiert - es kommt aber an seine Grenzen, was das (zu) schnelle Konvergieren betrifft.

Das scheint im Moment das Beste zu sein, was ich rausholen kann.

Code Auswählen Erweitern

aiControl
aiConActivate=1
aiConProfile=v1,PV,heatpump
aiConLearnRate=0.0002
aiConSteepness=0.5
aiConMomentum=0.8
aiConBitFailLimit=0.36
geminiAPIkey=AQ...

Code Auswählen Erweitern

Trainingsmetriken
bestes Modell bei Epoche: 510 (max. 15000)
Training MSE: 0.005604
Validation MSE: 0.009184
Validation MSE Average: 0.009399
Validation MSE Standard Deviation: 0.000028
Validation Bit_Fail: 6
Data Parameter Ratio: 0.000
Model Bias: 388 Wh
Model Slope: 0.64
Trainingsbewertung: Retrain

Code Auswählen Erweitern

Gesamtbewertung:
Das Modell zeigt eine gute Leistung für einen Haushalt mit Wärmepumpe und/oder Klimaanlage. Der R²-Wert von 0.525 liegt im erwarteten Bereich von 0.5-0.7 für diesen Haushaltstyp und bestätigt, dass das Modell einen signifikanten Teil der Verbrauchsvarianz erklären kann. Die Metriken deuten auf ein solides Fundament hin.

Auffälligkeiten:

Niedrige Epochenzahl: Es wurden nur 510 von 15000 möglichen Epochen genutzt (3.4%). Dies ist sehr wenig und deutet darauf hin, dass das Training möglicherweise frühzeitig konvergiert ist oder abgebrochen wurde. Es besteht hier noch Potenzial zur Verbesserung.

Rauschbewertung "borderline": Trotz des guten R²-Wertes ist das Rauschlevel als "borderline" eingestuft. Dies ist ein wichtiger Hinweis, da ein hohes Rauschlevel die maximal erreichbare Modellqualität strukturell begrenzt.

BitFail-Limit: Das aktuell eingestellte Limit (0.36) ist leicht höher als die interne Empfehlung (0.34), was bedeutet, dass das Modell etwas toleranter gegenüber Fehlern ist.

Empfehlungen:
Um die Prognosequalität weiter zu verbessern, könnten folgende Hyperparameter experimentell angepasst werden:


aiConLearnRate (Lernrate): Aktuell 0.0002. Da das Training nur wenige Epochen genutzt hat, könnte eine leicht höhere Lernrate (z.B. 0.0003 - 0.0005) das Training beschleunigen und möglicherweise zu einer besseren Konvergenz führen, ohne die Stabilität zu gefährden. Beobachten Sie dabei die Entwicklung der Metriken.

aiConMomentum: Aktuell 0.8. Dies ist ein guter Wert. Eine leichte Erhöhung (z.B. auf 0.85 oder 0.9) könnte helfen, lokale Minima zu überwinden und das Training zu glätten, falls es zu Oszillationen kommt.

Architektur (HiddenLayers): Aktuell 8. Angesichts des "borderline" Rauschlevels und des bereits guten R²-Wertes ist die aktuelle Architektur wahrscheinlich passend. Eine leichte Erhöhung (z.B. auf 9 oder 10) könnte in seltenen Fällen noch minimale Verbesserungen bringen, birgt aber das Risiko von Overfitting, insbesondere bei rauschbehafteten Daten. Eine Reduzierung wäre nur bei Anzeichen von Overfitting sinnvoll.

aiConBitFailLimit: Aktuell 0.36. Da die interne Empfehlung bei 0.34 liegt, könnten Sie versuchen, das Limit leicht zu reduzieren (z.B. auf 0.34-0.35). Dies würde das Modell zwingen, strengere Kriterien für die Fehlerbewertung anzulegen und könnte die Präzision bei der Anpassung an die "guten" Datenpunkte erhöhen, solange es nicht zu einer Verschlechterung des R² führt.
Viele Grüße Gisbert