76_SolarForecast - Informationen/Ideen zu Weiterentwicklung und Support

[stefanru]

Oh jetzt bin ich aber erstaunt:
2026.01.26 22:07:46 1: Forecast -> BlockingCall FHEM::SolarForecast::aiFannCreateConTrainData pid:2590955 aborted: Timeout: process terminated
Ein get ... valDecTree aiNeuralNetConState sagt er trainiert noch.
Bisher gab es immer Ergebnisse.

Ist das trotzdem nicht gut?
Ich habe nur einen Raspberry PI4, könnte man den Timeout hochdrehen?
Er kann gern im Hintergrund rechnen.
Die meiste Zeit sind 3 Kerne nicht groß genutzt

Gruß,
Stefan

[DS_Starter]

Kann es sein, dass ein Training noch lief?
Ein laufendes Training wird mit "set ... aiDecTree runConTrain" abgebrochen, neu gestartet und verursacht einen solchen Logeintrag.

Ich habe nur einen Raspberry PI4, könnte man den Timeout hochdrehen?

Naja, der steht schon auf einen Tag (86400). Hätte nicht gedacht dass man mehr braucht.

Die meiste Zeit sind 3 Kerne nicht groß genutzt

Es rechnet in einem Nebenprozess -> ein Kern und der dann aber nahe 100%.

[stefanru]

Hmm, sehr seltsam warum hätte ein Training laufen sollen.
Ich hatte keins gestartet.
Und Standard ist doch dass es nachts losläuft.
Ein Lauf dauert ca. 30 min bei mir.
Mit der Vorhersage bin ich eigentlich sehr zufrieden.
Nur sind die Logeinträge komisch.
Ich beobachte mein Log mal weiter und gebe bescheid wenn wieder etwas auftaucht.

Hier die Daten, falls irgendetwas auffällig ist.
Informationen zum neuronalen Netz der Verbrauchsvorhersage

letztes KI-Training: 26.01.2026 22:40:03 / Laufzeit in Sekunden: 1935
KI Abfragestatus: ok
letzte KI-Ergebnis Generierungsdauer: 80.5 ms
Verbrauchernummer Wärmepumpe:  01

=== Modellparameter ===

Normierungsgrenzen: PV=27280 Wh, Hausverbrauch: Min=0 Wh / Max=11860 Wh
Trainingsdaten: 8555 Datensätze (Training=6844, Validierung=1711)
Architektur: Inputs=94, 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
Trainingsalgorithmus: INCREMENTAL, Registry Version=v1_heatpump_pv
Zufallsgenerator: Mode=2, Periode=10

=== Trainingsmetriken ===

bestes Modell bei Epoche: 93 (von max. 15000)
Training MSE: 0.002876
Validation MSE: 0.006638
Validation MSE Average: 0.010110
Validation MSE Standard Deviation: 0.000252
Validation Bit_Fail: 0
Model Bias: 1244 Wh
Model Slope: 0.6
Trainingsbewertung: Retrain

=== Fehlermaße der Prognosen ===

MAE: 738.15 Wh
MedAE: 579.51 Wh
RMSE: 849.61 Wh
RMSE relative: 26 %
RMSE Rating: good
MAPE: 31.47 %
MdAPE: 17.69 %
R²: 0.46

Danke und Gruß,
Stefan