Liebe Mitglieder des Forums,
aus purer Frustration entstand etwas Großartiges: Keine der vorhandenen Solar-Prognosen konnte bei meinem doch eher ungewöhnlichen Setup auch nur ansatzweise brauchbare Vorhersagen liefern. Ob sich die Investition lohnt, wann ich große Verbraucher oder den Akku laden sollte – alles blieb reines Rätselraten.
Deshalb habe ich kurzerhand eine eigene, KI-basierte Solarprognose entwickelt. Sie läuft komplett lokal auf einem Raspberry Pi, liest historische Daten aus Home Assistant aus und liefert die Prognose per MQTT zurück.
Irgendwann kam die alles entscheidende Frage:
„Kann man das nicht direkt als Integration für Home Assistant bauen?“
Gesagt, getan. Ich habe mich in die Architektur und die (teils sehr engen) Grenzen von Home Assistant eingearbeitet und meinen lokalen KI-Code komplett umgeschrieben und geforkt.
Noch nie zuvor hatte ich etwas für HACS veröffentlicht oder ernsthaft mit GitHub gearbeitet – Anfang Oktober 2025 startete deshalb die spannende Reise von Solar Forecast ML.
Was kann Solar Forecast ML?
- 3-Tage-Prognose mit sehr hoher Genauigkeit (in Tests bis zu 95 % nach abgeschlossener Lernphase)
- Erkennt automatisch Schatten auf den Modulen (inkl. Uhrzeit und in vielen Fällen sogar die Ursache: Baum, Gebäude, Schornstein etc.)
- Lernt Ausrichtung, Neigung, Anlagentyp (Einzelanlage, Ost-West-Split, Balkonkraftwerk etc.) und die exakte Leistung jedes Strings
- Erkennt Schnee, Raureif, Vogelkot und starke Verschmutzung
- Sagt die beste Stunde des Tages voraus
- Als Nebenprodukt: lokale Wetterprognose (bereits ab Tag 3 nutzbar, später extrem genau)
- Benachachrichtigungs-System
So funktioniert es – die drei Phasen
-
Startphase (Rule-Based)
Klassische physikalische Berechnung + ständiges Sammeln von lokalen Daten → wird von Tag zu Tag besser. -
Machine-Learning-Phase
Täglich werden ca. 14 Messwerte pro Produktionsstunde als „Sample“ gespeichert. Sobald genügend unterschiedliche Wetterlagen vorliegen (Sonne, Wolken, Nebel, Regen etc.), übernimmt das ML-Modell immer größere Anteile der Prognose. -
KI-Phase (nach abgeschlossenem Training)
Ein zusätzliches Modell erkennt komplexe Muster, Schattenquellen, Verschmutzung und optimiert die Prognose weiter. Ab diesem Zeitpunkt „kennt“ die Integration deine Anlage besser als jede Cloud-Lösung.
Während der gesamten Lernzeit greift ein zweistufiger SafeGuard ein und verhindert fehlerhaftes Training oder völlig abwegige Prognosen.
Was wird mindestens benötigt?
- Sensor für täglichen Ertrag in kWh (muss um 0:00 Uhr zurückgesetzt werden)
- Sensor für aktuelle Leistung in Watt
Optional, aber stark empfohlen (verkürzt die Lernzeit massiv und steigert die Genauigkeit):
Temperatur, Wind, Globalstrahlung, Lux, Regen, Luftdruck, Luftfeuchtigkeit, Akku-SoC, Tagesverbrauch
Datenschutz & Sicherheit
- 100 % lokal – es verlassen keinerlei Daten dein Netzwerk
- Keine Verbindung zu ChatGPT, Gemini oder sonstigen Cloud-KI-Diensten (eigene lokale KI!!!)
- Internet wird nur für Wetter-, Astro- und Satellitendaten (Wolken) benötigt
- Alle Modelle, Trainingsdaten und Caches liegen offen im Ordner
config/solar_forecast_ml/und werden bei jedem HA-Backup mitgesichert
Installation
Einfach über HACS oder manuell als ZIP installieren.
Nach dem ersten Neustart (nach vollständiger Einrichtung) bitte ca. 10 Minuten warten und Home Assistant einmal neu laden – die Caches werden aufgebaut.
Am Installationstag erscheinen ein paar Warnungen im Log – das ist völlig normal und gewollt. Diese verschwinden von allein, wenn alle benötigten Daten um 23:20 (täglich) vorliegen und alle Caches befüllt sind.
WICHTIG für die BETA-TESTER: bitte löscht die BETA-Version vollständig!
Batterie-Mangement-System und Strompreis-Tracker
Das ist eine BETA in sehr frühem Stadium und wir nicht unterstützt / supportet! Ich musste es aus Architektur-Gründen bereits mit “einbauen” Serien-Reife nicht vor Jan / Feb 2026!
Wichtigster Tipp
Einfach laufen und lernen lassen!
Besonders in der dunklen Jahreszeit kann es ein paar Tage oder sogar Wochen dauern, bis genügend unterschiedliche Samples vorliegen. In den ersten Tagen schwanken die Prognosen bewusst stärker – genau das beschleunigt das Lernen. Geduld wird belohnt!
Die angezeigte „Sample-Anzahl“ ist übrigens nur ein Orientierungswert. Die Integration entscheidet selbst, wann wirklich genug unterschiedliche Wetterlagen vorliegen (20 identische Grautage = effektiv 1 Sample).
Einzelne Funktionen (trainiert)
- Prognose: Bis zu 3 Tage im Voraus. Aktueller Tag stundenweise (Attribut-Werte)
- Selbstheilung: Das System erkennt korrupte Dateien und korrigiert sie beim Start von HA selbst
- Schattenerkennung: Das System erkennt wiederkehrende Schatten, die die Leistung mindern
- Frost- / Raureiferkennung: Das Sytem erkennt Stunden mit Schnee, Raureif und klammert diese vom Lernen automatisch aus
- MPTT Drossselungen: Wenn ein Akku-Sensor (SOC) eingebunden wird erkennt das System Drosselungen bei Nulleinspeisung durch den / die MPTT
- Jahrezeitenerkennung: Das Systen lernt in einem 7 Tages Rolling-Window Jahreszeiten / Sonnenstände
- Verschmutzungen: Das System erkennt, wann die Panels gereinigt werden sollten durch z.B. Pollen und / oder Moos, Dreck
- Performance: Das System erkennt Performance-Einbrüche und warnt vor defekten Strings oder ähnlichen Problemen
- Optimierungen: Das System erkennt die Ausrichtung und den Anstellwinkel der Panels und gibt so Hinweise auf Verbesserungspotential
- Lokales Wetter: Das System ist in der Lage einfache lokale Wettervorhersagen, basierend auf die tatsächlichen lokalen Bedingungen, zu erstellen
- Tau- und Regenerkennung: Durch das Anwenden der sog. Magnusformel erkennt das System Morgentau / Regentropfen auf den Panels
Geplante Features in der Zukunft
- Umfangreiches Batterie-Management mit automatischer Lade-/ Entladelogik
- Wärmepumpen Anbindung
- EV Ladung planen und automatisieren
- Unterstützung von Dynamischen Stromtarifen
- Statistik und Auswertungen für einen Zeitraum von 2 - 5 Jahren
- Erweiterungen (Lovelance Cards, Einbindung in den Energie-Manager)
- Automatisches Erkennen von Solaranlagen und Wechselrichter (Anker, ENPAL, HUAWEI,…)
Vielen Dank an alle Tester hier im Forum – ohne eure Logs, Geduld und Rückmeldungen wäre das alles nicht möglich gewesen!
Ich freue mich auf weitere Erfahrungsberichte und natürlich auch über eine kleinen Spende um den ganzen verbrauchen Familien-Kaffee zu finanzieren 
(link in der Beschreibung von HACS)
Viele Grüße
Zara
Credits:
Alle die mich unterstützen und nie den Glauben verloren haben, dass es funktioineren wird!
Am Ende war das auch die Motivation eine Wetterstation zu bestellen, mit der ich seit langer Zeit geliebäugelt habe
