Solar Forecast ML – Der Drift-Monitor erklärt
Was ist Drift?
In der KI- und Machine-Learning-Welt bezeichnet Drift die Veränderung des Verhaltens eines Modells über die Zeit. Ein Modell, das heute perfekt funktioniert, kann morgen schlechter werden – nicht weil es kaputt ist, sondern weil sich die Realität verändert hat.
Bei einer Solaranlage passiert das ständig und ist völlig normal:
- Die Sonne steht im Winter tiefer als im Sommer
- Die Tage werden länger oder kürzer
- Die Atmosphäre verhält sich im Frühling anders als im Herbst
- Neue Wettermuster entstehen, die das Modell noch nicht kennt
- Die Anlage altert minimal, Verschmutzungen kommen und gehen
Das Modell wurde auf vergangenen Daten trainiert. Wenn sich die Bedingungen verändern, entsteht eine Lücke zwischen dem, was das Modell erwartet, und dem, was die Realität liefert – das ist Drift.
Wie erkennt Solar Forecast ML Drift?
Der Drift-Monitor läuft jeden Abend automatisch im EOD-Workflow und analysiert 24 verschiedene Metriken gleichzeitig:
2026-03-01 21:53:34.245 INFO Drift detection complete: 24 metrics saved, 5 events created
2026-03-01 21:53:34.246 INFO Drift detection completed for 2026-03-01: 24 metrics, 5 events, 3 scopes
Diese Metriken umfassen unter anderem:
- Vorhersagefehler-Trend – Werden die Prognosen systematisch besser oder schlechter?
- Residuen-Verteilung – Weichen die Fehler in eine bestimmte Richtung (zu hoch, zu niedrig)?
- Saisonale Verschiebung – Hat sich das typische Tagesprofil der Produktion geändert?
- Wetter-Korrelation – Stimmen die Wetterfaktoren noch mit der tatsächlichen Produktion überein?
- Physik-KI-Verhältnis – Verändert sich, welche Methode gerade besser funktioniert?
Die Ergebnisse werden in 3 Scopes (Bereichen) bewertet: kurzfristig (letzte Tage), mittelfristig (letzte Wochen) und langfristig (saisonal).
Was bedeuten die Status-Stufen?
| Status | Bedeutung | Was passiert? |
|---|---|---|
| OK | Kein Drift erkannt | Modell verhält sich stabil und erwartungsgemäß |
| Info | Leichte Veränderung | Innerhalb normaler Schwankungen – wird beobachtet |
| Warning | Drift erkannt | System reagiert aktiv, Gegenmaßnahmen laufen |
| Critical | Starker Drift | Modell braucht dringend mehr Trainingsdaten |
Warum ist ein Warning kein schlechtes Zeichen?
Das ist der wichtigste Punkt: Ein Warning ist kein Alarm – es ist ein Zeichen dafür, dass das System funktioniert wie es soll → Es erkennt das es nachkorrigierten muss!
Ein Beispiel:
Stell dir vor, du hast einen Thermometer, der immer exakt die Temperatur anzeigt – selbst wenn sich die Jahreszeit von Winter auf Frühling ändert. Das wäre verdächtig. Ein gutes System merkt, wenn sich etwas verändert, und reagiert darauf. Bei HA wird sowas immer mit " Warning" deklariert!
Genau das tut der Drift-Monitor:
Warning = Das Modell hat Veränderungen erkannt
Ein Warning bedeutet: “Ich habe bemerkt, dass sich etwas verändert hat. Ich passe mich an.”
Das ist fundamental anders als: “Ich funktioniere nicht mehr.”
Konkret:
Wenn die Tage im Februar länger werden, verändert sich das typische Produktionsprofil. Das Modell, das im Januar trainiert wurde, passt nicht mehr perfekt zu den Februar-Bedingungen. Der Drift-Monitor erkennt das und gibt Warning – was gleichzeitig das tägliche Neu-Training auf den aktuellen Daten beschleunigt und priorisiert.
Warning = Das System lernt gerade intensiv
2026-03-01 21:53:34.246 INFO Drift detection: 24 metrics, 5 events, 3 scopes
5 Drift-Events in 3 Scopes bedeutet:
Das System hat in 5 Bereichen Veränderungen erkannt und wird diese beim nächsten Training gezielt berücksichtigen. Die Seasonal-Archive (Frühling/Sommer/Herbst/Winter) werden dabei als Referenz genutzt, um zwischen echter Verschlechterung und saisonalem Wandel zu unterscheiden.
Warning = Alles läuft nach Plan
Ein System das niemals Warning zeigt, wäre eines von zwei Dingen:
- Zu unempfindlich – Es erkennt Veränderungen gar nicht
- Statisch – Es passt sich nie an und wird über die Jahreszeiten immer schlechter
oder schlicht weg KAPUTT 
Was passiert konkret bei einem Warning?
Der Drift-Monitor löst im Hintergrund automatisch mehrere Gegenmaßnahmen aus:
Kurzfristig (sofort):
- Die Ensemble-Gewichtung zwischen KI und Ridge wird stärker angepasst
- Die Methoden-Auswahl (KI vs. Physik) für betroffene Wetter/Tageszeit-Kombinationen wird überprüft
Mittelfristig (nächste Trainingsläufe):
- Das KI-Training priorisiert die Datenpunkte aus dem Drift-Bereich
- Die saisonalen Faktoren werden intensiver aktualisiert
- Die Physics-Kalibrierung bekommt mehr Gewicht auf aktuelle Messungen
Langfristig (über Wochen):
- Das Seasonal Archive wird mit dem aktuellen Modell verglichen
- Bei Bedarf wird ein gespeichertes Saison-Modell als Startpunkt für das Re-Training genutzt
- Die Rolling Correction Factors (z.B.
solar=0.714) verschieben sich graduell
Ein praktisches Beispiel
Szenario: Anfang März, Tage werden deutlich länger
Im Januar lag der Sonnenaufgang um 8:15 Uhr. Anfang März bereits um 6:55 Uhr. Das Modell wurde auf Januar-Daten trainiert und erwartet Produktion erst ab ~8 Uhr. In Wirklichkeit produziert die Anlage aber schon ab 7 Uhr.
→ Drift-Monitor erkennt: Systematischer Fehler in den Morgenstunden
→ Status: WARNING (Scope: kurzfristig + saisonal)
→ Maßnahme: Morgenstunden-Gewichtung im Training erhöht
→ Ergebnis nach 5-7 Tagen: Modell hat sich angepasst, Status: OK
Das ist kein Problem – das ist das System, das exakt das tut, wofür es gebaut wurde.
Fazit
| Was du siehst | Was es bedeutet |
|---|---|
| Drift: OK | Stabiler Zeitraum – Modell passt gut zur aktuellen Realität |
| Drift: Warning | Übergangsphase – Modell erkennt Veränderungen und passt sich an |
| Drift: Critical | Zu wenig Daten oder sehr starke Saisonveränderung – mehr Trainingsdaten nötig |
Warning ist das häufigste und gesündeste Signal – besonders in Jahreszeiten-Übergängen (Winter → Frühling, Sommer → Herbst). Es zeigt, dass dein System wachsam ist und aktiv daran arbeitet, die Prognosequalität zu erhalten.
Ein dauerhaftes OK im März wäre eher ein Zeichen, dass der Drift-Monitor zu wenig misst – kein Zeichen für ein besonders gutes Modell.
Die beste Nachricht: Du musst bei einem Warning nichts tun. Das System handelt vollständig autonom – jeden Abend, lokal, ohne dass Daten das System verlassen.
wären für die breite Masse vielleicht verständlichere Bezeichnungen sinnvoll, z.B. statt Warning → Learning?