Solar Forecast ML — Dein Dach. Deine Daten. Deine KI.
Was wäre, wenn mein Home Assistant selbst lernen könnte, wie mein Dach Strom produziert?
Die weltweit erste lokale Transformer-KI für Solarprognosen auf Home Assistant.
Willkommen in der offiziellen Kategorie von Solar Forecast ML — einem reinen und kostenlosen Hobby-Projekt, das aus einer simplen Idee entstanden ist, mein Dank gilt Simon und der gesamten Community die dieses Projekt begleitet hat und unterstützt!
Das Ergebnis ist eine Integration, die mit einem eigenen KI-Stack (Codename „Hubble") arbeitet — kein Cloud-Dienst, kein API-Wrapper, kein ChatGPT. Alles läuft lokal auf eurer Hardware. Eure Daten verlassen zu keinem Zeitpunkt euer Netzwerk.
Was macht Solar Forecast ML?
Solar Forecast ML erstellt einen digitalen Zwilling eurer Solaranlage. Statt generischer Formeln lernt die KI euer spezifisches Dach mit all seinen Eigenheiten: Verschattung durch Bäume und Nachbargebäude (inklusive saisonaler Veränderungen), Schnee und Frost auf den Modulen, Nebel, Luftverschmutzung, Wechselrichter-Clipping und Batterie-Drosselung. Jeder Faktor wird erkannt, gelernt und automatisch berücksichtigt.
Das System liefert 72-Stunden-Prognosen auf Stundenbasis für bis zu 4 unabhängige Panelgruppen — egal ob Ost/West-Dach, Gaube oder Carport.
Der Hubble AI-Stack
Im Kern arbeitet kein einzelnes Modell, sondern ein Ensemble spezialisierter KIs:
- Hybrid-AI V3.0 — Transformer mit Multi-Head Attention für die Kernprognose
- Miss Ridge — Schnellstart-Modell ab Tag 10 für stabile Vorhersagen in der Lernphase
- Frau Holle — Wetter-KI, die lokale Abweichungen nichtlinear korrigiert
- Kalman Tracker — Echtzeit-Anpassung bei plötzlichen Wetterwechseln
- Physics Backbone — Physikalische Grundlage (Sonnenlauf, Neigung, Azimut) als Sicherheitsanker
- Graduated Safeguard — Verhindert KI-„Halluzinationen": Wenn die Modelle divergieren, greift die Physik
Dazu kommen ein automatischer Hyperparameter-Optimizer („The Professor"), Drift-Monitoring, saisonale Anpassung und ein umfangreiches Feature Engineering mit 28 Eingabemerkmalen.
Wetter-Intelligenz
Statt einer einzelnen Wetterquelle bezieht die Integration Daten von Open-Meteo, Bright Sky (DWD), ECMWF, GFS, wttr.in und optional Pirate Weather. Ein eigenes Expertensystem lernt, welche Quelle bei eurem Standort am zuverlässigsten ist — aufgeschlüsselt nach Wolkentyp und Tageszeit.
Genauigkeit, die wächst
| Phase | Zeitraum | Genauigkeit |
|---|---|---|
| Frische Installation | Tag 0 | ~70 % — reine Physik |
| Frühes Lernen | Tag 1–10 | ~85 % — Miss Ridge aktiv |
| Kalibrierung | Tag 10–30 | 85–93 % — Ensemble-Blending |
| Volle Aktivierung | Ab Tag 30 | 93–97 % — Hubble auf Maximum |
Wer historische Daten hat, kann per bootstrap_physics_from_history bis zu 6 Monate importieren und sofort auf 90 %+ starten.
Begleitmodule
Solar Forecast ML bringt drei Begleitmodule mit, die automatisch installiert werden:
- Solar Forecast STATS — Komplettes Dashboard mit Echtzeit-Energieflüssen, historischen Auswertungen, Prognose vs. Realität und Kostentracking (nur x86_64), teil von STATS ist ebenfalls - ML Weather Es Zeigt, wie die KI das Wetter an eurem Standort interpretiert und auf welcher Basis die Prognose berechnet wurde
- Solar Forecast GPM — Dynamische Stromtarife (DE/AT) mit frei konfigurierbaren Preislimits für intelligentes Laden und Steuerung
Technische Eckdaten
- Python 3.10+, Home Assistant 2024.1.0+
- ~50 MB Speicher, ~200 MB RAM beim Training
- Transaktionale SQLite-Datenbank mit automatischen Backups und Crash-Recovery
- Läuft auf x86_64, ARM, Raspberry Pi 4/5
- Benötigt: Leistungssensor (W) + Tagesertragssensor (kWh, Mitternachts-Reset)
- 100 % HA-originale Repos — keine manuelle Installation von Bibliotheken
- 100 % async, kein Blocking, vollständiges Exception-Handling
Datenschutz — kein Marketing, sondern Architektur
Kein LLM-Dienst wird kontaktiert. Keine Telemetrie, keine Tracker, keine Analytics. Die Wetter-APIs erhalten nur Koordinaten — keine persönlichen Daten. Die Integration ist vollständig offline-fähig, sobald sie installiert ist. Was in eurem Home Assistant passiert, bleibt in eurem Home Assistant.
Hinweis zum geschützten Code
Teile der Integration sind mit PyArmor (offiziell lizenziert) verschlüsselt. Der Grund: Es kam bereits mehrfach zu Code-Diebstahl und unerlaubter Nutzung zum KI-Training. Die Verschlüsselung hat keinen Einfluss auf die Funktionalität. Bei nachweislich quelloffenen Projekten lege ich den Code gerne offen — sprecht mich einfach an.
Was Solar Forecast ML nicht ist
Kein Cloud-Dienst. Kein ChatGPT-Wrapper. Kein kommerzielles Produkt. Reine Leidenschaft…