Vermutlich greifst du also „lokal“ über das Internet auf dein System zu… Kann man machen, ist aber falsch und doof 
Setze mal einen Ping vom Laptop / PC auf deine URL ab. Vermutlich bekommst du als Antwort die externe IP deines Routers. Würde bedeuten, jeder Zugriff auf HA geht bei dir einmal ins Internet und zurück
Es wurde mehrfach KLAR und DEUTLICH gesagt und darauf hingewiesen KEINE ANLEITUNG zum Umgehen der Lokalen Restriktionen!
Dem:
kann ich mich nur anschließen, sonst droht eine vorübergehende Sperrung des Zugangs zum Forum bzw. eine Stummschaltung!!!
Innerhalb dieses Beitrags ist das Thema externer Datenzugriff kompliziert. In anderen Beiträgen wurde das Thema aber ausführlich abgearbeitet. Nur die von Dir beschriebene Art ist ist ungeeignet und der ungewollte Gast im Haus nahezu garantiert.
@Tom-HA ich halte 132 noch immer für die bessere Lösung.
INFO: PERSÖNLICHER WETTERDIENST
Es wurde heute ja schon besprochen, ob man die KI von SFML nicht mit einer Wetterstation wie z.B. EcoWitt kombinieren kann um eine persönliche und lokale Wettervorhersage zu bekommen und nicht nur Live-Werte.
Ich habe das mit Basti (viele von euch kennen ihn ggf noch aus dem BETA-Thread) intensiv besprochen und wir werden das machen. Der Name (Projektname) steht schon fest und ein erster Prototyp läuft bereits.. ist kein Hexenwerk, da vom Prinzip her die relevanten Code-Teile einfach aus der SFML kopiert wurden. Es müssen nur noch ein paar Anpassungen gemacht werden… anstatt Sonne in der Nacht bei Wolkenfreien Himmel ein Mond oder was ähnliches… mal schauen…
Da es sich aber um ein eigenständiges Projekt handelt, werde ich dafür einen separaten Thread anlegen – und zwar genau hier im Show-Room dieses Forums.
Ich bin wirklich beeindruckt von den tollen Gesprächen, den netten Bekanntschaften und dem durchweg respektvollen Umgang hier.
Zara
Hier ist der Thread und das erste Release:
Ich habe ein Python-Skript erstellt, dieses Skript ließt die KI aus und die Integration und gibt Auskunft über die gesammelten Daten / Lernerfolg / …
Was hat die Wetter KI gelernt?
#### 1. Weather Expert Learning
**MAE (Mean Absolute Error) pro Experte:**
| Experte | MAE | Ranking |
|---------|-----|---------|
| Pirate Weather | 15.8% | 🥇 |
| Open Meteo | 28.1% | 🥈 |
| Ecmwf Layers | 30.9% | 🥉 |
| Wttr In | 32.7% | 4 |
| Bright Sky | 40.7% | 5 |
**Aktuelle Cloud-Type Gewichte:**
| Cloud-Type | Open-Meteo | wttr.in | ECMWF Layers | Bright Sky | Pirate W. |
|------------|------------|---------|--------------|------------|-----------|
| clear | 16.6% | **23.7%** | 21.9% | 15.4% | 22.4% |
| cirrus | 10.0% | 10.0% | **30.0%** | **30.0%** | 20.0% |
| fair | 13.9% | 16.5% | 11.5% | 13.9% | **44.2%** |
| mixed | 23.2% | 13.2% | 21.0% | 18.0% | **24.5%** |
| stratus | **34.0%** | 10.8% | 16.8% | 12.4% | 26.1% |
| overcast | 10.0% | 10.0% | 10.0% | **40.0%** | 30.0% |
| snow | **20.0%** | **20.0%** | **20.0%** | **20.0%** | **20.0%** |
Was hat die Physic`s Engine gelernt?
#### 2. Physics Calibration
**Übersicht:**
| Gruppe | Global Factor | Confidence | Samples |
|--------|---------------|------------|---------|
| Gruppe 1 (Süd 9°) | 1.447 | 50% | 17 |
| Gruppe 2 (Süd 42°) | 0.725 | 87% | 15 |
**Bucket-Details Gruppe 1 (Süd 9°):**
| Bucket | Factor | Samples | Conf. | Bedeutung |
|--------|--------|---------|-------|-----------|
| clear | 1.838 | 9 | 50% | Physics stark unterschätzt (+84%) |
| clear_low_sun | 0.993 | 2 | 64% | Physics gut kalibriert |
| fair | 2.056 | 6 | 43% | Physics stark unterschätzt (+106%) |
| fair_low_sun | 0.727 | 2 | 64% | Physics überschätzt (27%) |
| cloudy | 1.515 | 6 | 43% | Physics stark unterschätzt (+52%) |
| cloudy_low_sun | 0.752 | 6 | 58% | Physics überschätzt (25%) |
| overcast | 1.108 | 7 | 56% | Physics unterschätzt (+11%) |
| snowy | 2.752 | 4 | 76% | Physics stark unterschätzt (+175%) |
**Bucket-Details Gruppe 2 (Süd 42°):**
| Bucket | Factor | Samples | Conf. | Bedeutung |
|--------|--------|---------|-------|-----------|
| clear | 1.234 | 9 | 69% | Physics unterschätzt (+23%) |
| clear_low_sun | 1.430 | 2 | 64% | Physics unterschätzt (+43%) |
| fair | 1.694 | 6 | 43% | Physics stark unterschätzt (+69%) |
| fair_low_sun | 1.083 | 2 | 64% | Physics gut kalibriert |
| cloudy | 1.016 | 6 | 66% | Physics gut kalibriert |
| cloudy_low_sun | 0.485 | 2 | 56% | Physics stark überschätzt (52%) |
| overcast | 0.502 | 5 | 78% | Physics stark überschätzt (50%) |
| snowy | 0.595 | 2 | 54% | Physics stark überschätzt (40%) |
Was hat die AI gelernt?
#### 3. AI Model Training
| Metrik | Wert |
|--------|------|
| R² Score | **0.898** |
| RMSE | 0.035 kWh |
| Samples | 209 |
| Features | 23 |
| Epochs | 46 (Early Stopping) |
| Outputs | 2 (Multi-Output) |
| Attention | ON |
Was hat Wetter ML gelernt?
#### 4. Weather Precision
| Parameter | Korrektur-Faktor |
|-----------|------------------|
| Temperature | -1.586°C |
| Pressure | -5.050hPa |
| Solar Radiation | 0.302 |
| Clouds | 0.810 |
| Humidity | 0.947 |
| Wind | 0.361 |
| Rain | -0.027 |
Was hat RB gelernt?
#### 5. RB Correction Factor
| Metrik | Wert |
|--------|------|
| Neuer Faktor | **0.350** |
| Grund | RBS überprognostiziert um 69% |
| Kumulativ | Actual: 3.02 kWh vs Predicted: 9.62 kWh |
Abschließende Bewertung:
### Auffälligkeiten & Einschätzung
1. **Schwacher Produktionstag:** Nur 0.82 kWh bei 2.17 kWh Prognose - starke Überschätzung
2. **Frost:** 4 Stunden betroffen, davon 2h heavy frost
3. **Schatten-Problematik:** 74.4% Verlust durch Verschattung (low_sun_angle)
4. **Pirate Weather war heute Sieger:** Beste MAE mit nur 15.8%
5. **RB-Korrektur drastisch:** Faktor 0.350 zeigt systematische Überprognostizierung
6. **AI-Modell performt gut:** R²=0.898 ist ein sehr guter Wert
Einfach das Skript in config/ solar_forecast_ml kopieren und per ssh mit dem Befehl:
python3 eod_report.py
ausführen.
Alternativ:
python3 /config/solar_forecast_ml/eod_report.py
Für ein spezifisches Datum:
python3 /config/solar_forecast_ml/eod_report.py --date 2026-01-07
Report ausführen und speichern:
python3 /config/solar_forecast_ml/eod_report.py --output /config/eod_report.md
Viel Spaß..
eod_report.py.zip.txt (6,1 KB)
Ich schaue mal das ich das Script in eine automation packe, damit ich das täglich ausführen kann. Coole Sache.
Das wäre super, wenn du deine Lösung her mitteilen könntest.
Ich bekomme das Script mit Python Scripts Pro: Exec zwar ausgeführt, aber nicht abgespeichert.
Ich gucke mal heute abend.
Jetzt war zu wenig Zeit.
Ich verstehe es nicht! Es wurde mehrfach und höflich darum gebeten, den externen Zugriff nicht zu diskutieren. Warum fangen hier immer wieder welche an damit? 
(da viele User mit den Attributen Probleme haben und es zu mit einem Sensor einfacher zu sehen ist)
Hallo, erstmal super Intgeration und tolle Arbeit! Verfolge das Projekt schon länger.
Ich habe aber ein Problem bei den Stats. Es wird mir das Tages Ist der Panel Gruppen nicht korrekt angezeigt, beim Tages Energiertrag jedoch schon. Die einzelnen ist Werte der Panele passen, es wurde jeweils ein Zähler erstellt und eingetragen, dieser liefert auch Werte aber in SFML Stats bleibt es beim Tages Ist auf 0.
Woran könnte es liegen und hat noch jemand das Problem?
Schick mir bitte mal Dein log per PN.. config/solar_forecast_ml/logs ich schaue es mir dann an und melde mich.
Zara
Redest du hier vom Attribute unterm Sensor System Status? Der bleibt bei mir immer bei 0/50 Samples.
Der Log um 23:30 Uhr sagt aber was anderes, dieser sagt aktuell 47/50 Samples
Guten Morgen
ich habe noch eine Frage zu den SFML Stats (lauft auf einem NUC)
Ich habe die Strompreise eingetragen aber in der Übersicht wird der Wert nicht angezeigt bzw. habe ich keine Einspeisung und auch keinen Preis eingetragen - aber ich bekomme 8ct Rückvergütung
Die Werte habe ich gestern geändert, also EOD ist durch?
Habe ich da noch versteckte Felder übersehen?
Hi, ich habe das selbe Verhalten - Preise sind korrekt hinterlegt (26,8 Cent Bezug, 0 Cent für Einspeisung)
Ich schau mir das an und kümmern mich darum! Danke für den Hinweis!
Guten Morgen allerseits,
ich hoffe, ich nerve nicht. Eine Klitzekleinigkeit ist mir aufgefallen: Die Angaben für die Windgeschwindigkeit stimmen nicht. Meine HA-Wetterprognose liefert km/h. Diese Daten werden aber als m/s angezeigt, immerhin ein Faktor 3,6 falsch. Könntest Du das bitte korrigieren, Zara?
Beste Grüße, Burkard
Ist bereits im BUG-Tracker und ist im Update gefixt
Ist auch im BUG-Tracker und gefixt
