76_SolarForecast - Informationen/Ideen zu Weiterentwicklung und Support

[300P]

True Outliers above p99.5 (5845): 5933

Code Auswählen Erweitern

2026.01.10 15:28:27 1: Forecast DEBUG> AI FANN Training for Consumption Forecast BlockingCall PID "2259608" with Timeout 86400 s started
2026.01.10 15:28:33 1: Forecast DEBUG> AI FANN - There are 30 Records skipped due to incomplete or invalid data. Index:
2025032507, 2025032610, 2025033003, 2025033021, 2025040211, 2025041017, 2025041020, 2025041022, 2025041024, 2025041101, 2025041102, 2025041103, 2025041104, 2025041105, 2025041106, 2025041108, 2025041203, 2025041204, 2025041309, 2025041314, 2025052209, 2025052511, 2025052518, 2025052519, 2025060214, 2025061109, 2025061414, 2025062914, 2025082315, 2025122414
2026.01.10 15:28:33 1: Forecast DEBUG> AI FANN - Target-Norm: raw_max=5933, p99=4542, p99.5=5845, targmaxval=7598
2026.01.10 15:28:33 1: Forecast DEBUG> AI FANN - True Outliers above p99.5 (5845): 5933
2026.01.10 15:28:36 1: Forecast - DBG F[6940]: lag1=0.281 hppf=0.154 lag24=0.378 d1p=0.026

[300P]

Ergebnis 2:
Registry Version=v1_heatpump


Informationen zum neuronalen Netz der Verbrauchsvorhersage  ->> v1_heatpump

Code Auswählen Erweitern

letztes KI-Training: 10.01.2026 20:35:21 / Laufzeit in Sekunden: 1842
KI Abfragestatus: ok
letzte KI-Ergebnis Generierungsdauer: 45.13 ms
Verbrauchernummer Wärmepumpe: 08

=== Modellparameter ===

Normierungsgrenzen: PV=16071 Wh, Hausverbrauch: Min=0 Wh / Max=7598 Wh
Trainingsdaten: 6959 Datensätze (Training=5567, Validierung=1392)
Architektur: Inputs=61, 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
Zufallsgenerator: Mode=1, Periode=10

=== Trainingsmetriken ===

bestes Modell bei Epoche: 3309 (von max. 15000)
Training MSE: 0.004007
Validation MSE: 0.011083
Validation MSE Average: 0.013604
Validation MSE Standard Deviation: 0.001097
Validation Bit_Fail: 1
Model Bias: 719 Wh
Model Slope: 0.5
Trainingsbewertung: Retrain

=== Fehlermaße der Prognosen ===

MAE: 607.23 Wh
MedAE: 447.92 Wh
RMSE: 759.39 Wh
RMSE relative: 34 %
RMSE Rating: weak
MAPE: 26.54 %
MdAPE: 22.60 %
R²: 0.15



[DS_Starter]

Auch hier gibt den hohen Wert Model

Bias: 719 Wh

Und mich stört auch der sehr niedrige R²: 0.15. Das ist nicht schön.

Ich habe inzwischen die Profile intensiv neu gebaut und strukturiert. Werde die neue V sicherlich nachher noch hochladen.

[DS_Starter]

Update ist ins Contrib gestellt. Die Profile sind intern umstrukturiert.
Dadurch gibt es auch ein weiteres Profil:

 v1_heatpump_active_pv

Die Bias-Korrektur greift nur Werte im unteren Quantil 30. Das sollte die Peaks unangetastet lassen und nur dort korrigierend eingreifen wo es richtig ist.

[300P]

Training mit dem neuen Profil rennt 🏃- Ergebnis kommt dann nach dem Frühstück 😴💤🥱🛏�☕️🥯🍞

[DS_Starter]

Du gehst aber auch gleich mit den maximalen Features ins Rennen 
Naja, mal schauen ...

[300P]

Du gehst aber auch gleich mit den maximalen Features ins Rennen 

Muss doch irgendwann mal nach vorne gehen... ....und siehe da .... es ward endlich einmal wieder 'gelb' in der Anzeige bei 'Trainingsbewertung'


Informationen zum neuronalen Netz der Verbrauchsvorhersage ->> mit 'v1_heatpump_active_pv'

Code Auswählen Erweitern

letztes KI-Training: 11.01.2026 00:19:49 / Laufzeit in Sekunden: 3770
KI Abfragestatus: ok
letzte KI-Ergebnis Generierungsdauer: 73.72 ms
Verbrauchernummer Wärmepumpe: 08

=== Modellparameter ===

Normierungsgrenzen: PV=16071 Wh, Hausverbrauch: Min=0 Wh / Max=7598 Wh
Trainingsdaten: 6962 Datensätze (Training=5569, Validierung=1393)
Architektur: Inputs=108, Hidden Layers=40-20, Outputs=1
Hyperparameter: Learning Rate=0.001, Momentum=0.4, BitFail-Limit=0.35
Aktivierungen: Hidden=SIGMOID, Steilheit=1.2, Output=LINEAR
Trainingsalgorithmus: INCREMENTAL, Registry Version=v1_heatpump_active_pv
Zufallsgenerator: Mode=1, Periode=10

=== Trainingsmetriken ===

bestes Modell bei Epoche: 5878 (von max. 15000)
Training MSE: 0.003058
Validation MSE: 0.007529
Validation MSE Average: 0.008555
Validation MSE Standard Deviation: 0.000334
Validation Bit_Fail: 0
Model Bias: 645 Wh
Model Slope: 0.6
Trainingsbewertung: Retrain

=== Fehlermaße der Prognosen ===

MAE: 493.06 Wh
MedAE: 357.72 Wh
RMSE: 590.23 Wh
RMSE relative: 27 %
RMSE Rating: weak
MAPE: 22.86 %
MdAPE: 18.75 %
R²: 0.42

=== Drift-Kennzahlen ===

Drift Score: 2.95
Drift RMSE relative: 55.07
Drift Bias: 16.41
Drift Slope: 0.315
Drift Bewertung: severe




->> Screenshot
Zeitraum 21-22 Uhr 'alte Version' Version  'v1_standart von 21:25 - 22:01 Uhr trainiert.
->> Vergleich erfolgt in der Zeit 21/22 Uhr augenscheinlich mit 'legacy'

Zeitraum 23-00 Uhr 'gestrigen neue Version 'v1_heatpump_active_pv' von 23:16 - 00:19 trainiert.
->> Vergleich erfolgt in der Zeit 23/23 Uhr augenscheinlich mit 'legacy'
Zeitraum 03 Uhr  neues Training 'automatisch' nach Plan - kein Einfluss sichtbar

[DS_Starter]

Moin,

wenn ich mir dein Bild so anschaue, ist dein Haushalt nicht sehr volatil sondern eher gleichmäßig. Es gibt im Verbrauch wenig Höhen und Tiefen. Weiß natürlich nicht ob es immer so ist.

Deswegen würde ich meinen, dass die *active*-Profile bei dir nicht passend sind.
Wenn du hast, kannst du ein Trainingslog nach mit posten. R²: 0.42 hat sich auf jeden Fall um Faktor 3 verbessert. Slope und Bias ebenfalls, wenn auch minimal.

Was die Bias-Korrektur betriftt, kann man die Einwirkung mit ctrlDebug=aiData sehen:

....
2026.01.11 11:03:03.480 1: SolCast DEBUG> AI FANN con fc - Time: 2026-01-11 11:00:00, hod: 12 -> AI=830, legacy=532, final: 830 Wh (alpha=1, BC=0 Wh, zone=3)
2026.01.11 11:03:03.481 1: SolCast DEBUG> AI FANN con fc - Time: 2026-01-11 12:00:00, hod: 13 -> AI=655, legacy=1103, final: 655 Wh (alpha=1, BC=0 Wh, zone=3)
2026.01.11 11:03:03.482 1: SolCast DEBUG> AI FANN con fc - Time: 2026-01-11 13:00:00, hod: 14 -> AI=656, legacy=603, final: 656 Wh (alpha=1, BC=0 Wh, zone=3)
2026.01.11 11:03:03.482 1: SolCast DEBUG> AI FANN con fc - Time: 2026-01-11 14:00:00, hod: 15 -> AI=613, legacy=538, final: 613 Wh (alpha=1, BC=0 Wh, zone=3)
2026.01.11 11:03:03.483 1: SolCast DEBUG> AI FANN con fc - Time: 2026-01-11 15:00:00, hod: 16 -> AI=601, legacy=508, final: 586 Wh (alpha=1, BC=15 Wh, zone=2)
2026.01.11 11:03:03.483 1: SolCast DEBUG> AI FANN con fc - Time: 2026-01-11 16:00:00, hod: 17 -> AI=587, legacy=579, final: 572 Wh (alpha=1, BC=15 Wh, zone=2)
...