76_SolarForecast - Informationen/Ideen zu Weiterentwicklung und Support

[DS_Starter]

Wenn du aiControl->aiConBitFailLimit weiter hochziehst und dadurch BitFail <= 5 bekommst, könntest du auch deinen Retrain-Status loskriegen. Ausprobieren...

[300P]

Hab grad den Consumer vor dem Update angefasst -
Jetzt wars doch nicht "egal"

No Consumer type 'heatpump' is defined. Please define it with the consumerXX attribute first.

Also erst Update...

[300P]

Wenn du aiControl->aiConBitFailLimit weiter hochziehst und dadurch BitFail <= 5 bekommst, könntest du auch deinen Retrain-Status loskriegen. Ausprobieren...

aiConBitFailLimit=0.25  ->> 46
aiConBitFailLimit=0.28  ->> 32
aiConBitFailLimit=0.32  ->> 16
aiConBitFailLimit=0.36  ->>  9
aiConBitFailLimit=0.37  ->>  7

Wechsel auf RPROP    alles schlechter....
Zurück auf INCREMENTAL und lasse laufen - sieht ja visuell auch ganz okay aus und bitFail ist nicht alles

Code Auswählen Erweitern

Bewertungsüberblick
Trainingsbewertung: Retrain (bitfail=7 > 5)
Data-Parameter-Ratio Bewertung: ok (ok)
Lernverhalten: ok gesundes Lernverhalten (8.3 % Epochenausnutzung)
Einstellhinweise:
Trainingsalgorithmus wechseln: RPROP statt INCREMENTAL verwenden - RPROP passt seine Schrittweite automatisch an und kommt ohne manuelle Lernraten-Einstellung aus was bei langsamer Konvergenz oft deutlich schneller zum Ziel führt (aiControl->aiConTrainAlgo)

Rauschen Bewertung: merkliches Rauschen, Interpretation mit Vorsicht (borderline)
Drift Bewertung: fresh_model
Empfehlung für Retrain: keine

externe Bewertung: Google Gemini (Es werden Trainingsmetriken an Google Gemini übertragen (sichtbar im Log mit ctrlDebug=apiCall))

Modellparameter
Normierungsgrenzen: PV=9975 Wh, Hausverbrauch: Min=0 Wh / Max=6970 Wh
Trainingsdaten: 10672 Datensätze (Training=8537, Validation=2135)
Architektur: Inputs=114, Hidden Layers=12, Outputs=1
Hyperparameter: Learning Rate=0.0001, Momentum=0.6, BitFail-Limit=0.37
Aktivierungen: Hidden=ELLIOT_SYMMETRIC, Steepness=0.7, Output=LINEAR
Trainingsalgorithmus: INCREMENTAL, Profile=v1_heatpump_active_pv
Zufallsgenerator: Mode=1, Period=25
Modellalter: 0 h

Trainingsmetriken
bestes Modell bei Epoche: 1249 (max. 15000)
Training MSE: 0.008316
Validation MSE: 0.006925
Validation MSE Average: 0.006971
Validation MSE Standard Deviation: 0.000010
Validation Bit_Fail: 7
Data Parameter Ratio: 7.661
Model Bias: 450 Wh
Model Slope: 0.63
Trainingsbewertung: Retrain

Fehlermaße der Prognosen
MAE: 396.60 Wh
MedAE: 263.80 Wh
RMSE: 494.90 Wh
RMSE relative: 51 %
RMSE Rating: acceptable
MAPE: 35.76 %
MdAPE: 25.62 %
R²: 0.51


[DS_Starter]

Der Hinweis:

"Trainingsalgorithmus wechseln: RPROP statt INCREMENTAL verwenden - RPROP passt seine Schrittweite automatisch an und kommt ohne manuelle Lernraten-Einstellung aus was bei langsamer Konvergenz oft deutlich schneller zum Ziel führt (aiControl->aiConTrainAlgo)"

ist in diesem Kontext unrichtig. Du hast keine langsame Konvergenz, sondern gesundes Lernverhalten.
Ich habe das Hinweissystem nachgebessert und im contrib upgedated.