76_SolarForecast - Informationen/Ideen zu Weiterentwicklung und Support

[DS_Starter]

@Peter,

Aktuell sind beide Batterien voll geladen und es steht ausreichend PV-Überschuss zur Verfügung.
Trotzdem wird für beide Batterien ein SoC zum Ende der aktuellen Stunde von ca. 89% prognostiziert.
Siehe Screenshot anbei.
Die oberen Balken beinhalten pvReal und pvForecast, die unteren Balken conReal und conForecast.

Hast Du eine Idee, woran das liegen könnte?

Ja. Es ist ein Artefakt des Batterie 100%-Fixes weiter vorn. Ich habe es bei mir auch schon manchmal beobachtet, konnte bisher aber noch keine Abhilfe finden. Ich bleibe dran.

[dieter114]

Hallo 300P
hab mich für die erste Variante entschieden.
Alles auf Anfang - abwarten.....
Danke für Deine Hilfe
Wolfdieter

[DS_Starter]

Aktuell habe ich fast CON-Trainings seit ein paar Tagen mit sch.... Ergebnissen bekommen.....

Ich habe eine Vermutung genereller Art.
Wir kommen jetzt in das Frühjahr/Sommer mit ordentlich PV-Erzeugung. Mit der Auswahl eines Profils mit *_pv wird der KI mitgeteilt, dass Verbräuche - stark wenn "active" gesetzt - von PV Erzeugungen abhängig sind.
Das trift eigentlich aber nur zu, wenn man im Haushalt starke Verbraucher deutlich durch die PV-Erzeugung steuern lässt. Für die KI ist starke PV Erzeugung eine Semantic die auf steigenden Verbrauch hindeutet.
Mir ist es bei WolfDieter so richtig aufgefallen, da es unerklärlich ist wieso die CON-Prognose bei ihm so deutlich der PV-Prognose folgt. Das hat mich auf diese Idee gebracht.
Ich trainiere bei mir jetzt mit einem Profil ohne PV - da ich keine Großverbraucher habe die ich stark abhängig von PV-Erzeugung laufen lasse da die Batterie liefern kann - um die Theorie zu überprüfen.

[300P]

PV habe ich ja länger schon mit > 30 kWh/Tag in den letzten 2 Monaten. (Grafik)

Du darfst diesen Dateianhang nicht ansehen.
Du darfst diesen Dateianhang nicht ansehen.
Meine "Freunde im Internet" haben mir heute Abend noch eine Einstellung vorgeschlagen und optimiert die ich niemals nicht bislang so probiert / eingestellt hätte....

aiControl:

Code Auswählen Erweitern

aiConActFunc=SIGMOID_SYMMETRIC
aiConActivate=1
aiConAlpha=0.7
aiConBitFailLimit=0.30
aiConHiddenLayers=30-15
aiConLearnRate=0.001
aiConMomentum=0.4
aiConProfile=v1_heatpump_pv
aiConShuffleMode=1
aiConShufflePeriod=15
aiConSteepness=0.5
aiConTrainAlgo=RPROP
aiConTrainStart=7:9
aiStorageDuration=3600
aiTrainStart=3
aiTreesPV=30


Code Auswählen Erweitern

letzte KI-Ergebnis Generierungsdauer: 82.71 ms
Alpha: 0.7
Verbrauchernummer Wärmepumpe: 08

Bewertungsüberblick
Trainingsbewertung: ok (ok)
Rauschen Bewertung: merkliches Rauschen, Interpretation mit Vorsicht (borderline)
Drift Bewertung: -
Empfehlung für Retrain: keine (Grund: -)

Modellparameter
Normierungsgrenzen: PV=10450 Wh, Hausverbrauch: Min=0 Wh / Max=6970 Wh
Trainingsdaten: 9555 Datensätze (Training=7644, Validation=1911)
Architektur: Inputs=94, Hidden Layers=30-15, Outputs=1
Hyperparameter: Learning Rate=0.001, Momentum=0.4, BitFail-Limit=0.30
Aktivierungen: Hidden=SIGMOID_SYMMETRIC, Steepness=0.5, Output=LINEAR
Trainingsalgorithmus: RPROP, Registry Version=v1_heatpump_pv
Zufallsgenerator: Mode=1, Period=15
Modellalter: - h

Trainingsmetriken
bestes Modell bei Epoche: 49 (max. 15000)
Training MSE: 0.006517
Validation MSE: 0.005268
Validation MSE Average: 0.008801
Validation MSE Standard Deviation: 0.000033
Validation Bit_Fail: 5
Model Bias: 375 Wh
Model Slope: 0.76
Trainingsbewertung: ok

Fehlermaße der Prognosen
MAE: 362.30 Wh
MedAE: 261.50 Wh
RMSE: 422.21 Wh
RMSE relative: 30 %
RMSE Rating: good
MAPE: 26.99 %
MdAPE: 19.04 %
R²: 0.61

Rauschen
Rauschen Bewertung: borderline
Empfehlung für Bit_Fail: 0.34 (Einstellung von aiControl->aiConBitFailLimit)



[DS_Starter]

Schauen wir mal was die verschiedenen Einstellungen bringen. Mit dem Profil v1_common_active bekomme ich aktuell das angehängte Bild. Mal schauen wie es sich morgen entwickelt.

[300P]

So sieht meins aus

PS:
Heute
PV Abweichung fortlaufend: -11,7 %, gestern: 22,9 %
CON Abweichung fortlaufend: 2,3 %, gestern: 12 %