Toorox ForeSight — Was steckt da eigentlich drin? Ein Blick hinter die Kulissen
Warnung: Dieser Post wird etwas nerdy. Aber ich verspreche, er bleibt verständlich.
Viele von euch nutzen SFML (Solar Forecast ML) und kennen das Prinzip: KI schaut aufs Wetter, schätzt / berechnet die Solarproduktion, fertig. TFS macht im Kern dasselbe — aber mit einem fundamental anderen Ansatz. Ich möchte heute erklären warum, und was unter der Haube steckt.
Wer steht hinter der Entwicklung?
Das ist ein reines Hobby-Projekt das ich alleine durchziehe und entwickle. Es gibt aber noch Basti, einen langjährigen Freund der hin und wieder mal unterstützt. Von ihm ist LACARS und auch die Skript-Erweiterung zur Normalisierung. Aber die wichtigsten “Helfer” sind alle die sich hier in den Threads beteiligen — ganz klar auch Simon mit dem Admin-Team die eine extra Kategorie zur Verfügung stellen. Danke!
Wie wird das Projekt finanziert?
Es ist wie mit jedem Hobby.. es ist teuer — das kennt jeder. Finanziert wird es von meinem eigenen Geld und User die einen Kaffee spendieren. Durch Kaffee-Spenden sind seit Oktober 327,34 EUR (Github + Forum) zusammengekommen, die in Kaffee, Kuchen und die Haushaltskasse für die enormen Stromkosten für das Training geflossen sind.
VIELEN DANK AN JEDEN EINZELNEN DER SICH DARAN BETEILIGT HAT
Was ist überhaupt ein “Transformer”?
Der Begriff “Transformer” taucht überall auf — ChatGPT, Claude, Gemini, alle basieren darauf. Aber was ist das eigentlich?
Stellt euch vor, ihr lest einen Satz: “Die Sonne scheint, aber Wolken ziehen auf.” Um diesen Satz zu verstehen, müsst ihr nicht nur Wort für Wort lesen — ihr müsst den Zusammenhang zwischen “Sonne” und “Wolken” verstehen, obwohl sie weit voneinander entfernt stehen.
Genau das macht ein Transformer. Er analysiert alle Eingabedaten gleichzeitig und berechnet für jedes Element, wie wichtig es im Verhältnis zu allen anderen Elementen ist. Das nennt sich “Attention” (Aufmerksamkeit). Ein Transformer fragt sozusagen: “Welche vergangenen Wetterstunden sind für meine aktuelle Prognose am relevantesten?”
Das ist der fundamentale Unterschied zu älteren Methoden wie LSTM (Long Short-Term Memory), die Daten streng sequenziell verarbeiten — wie ein Mensch der einen Text Wort für Wort liest ohne zurückblättern zu können.
Was ist ein LLM — und was ist TFS NICHT?
LLM steht für “Large Language Model”. ChatGPT, Claude, Gemini — das sind LLMs. Sie wurden auf Milliarden von Texten trainiert und können schreiben, erklären, coden, diskutieren.
TFS ist kein LLM. TFS ist ein von mir von Grund auf selbstgebauter hochspezialisierter Transformer.
Der Unterschied lässt sich so beschreiben: Ein LLM ist wie ein hochgebildeter Allrounder der über alles reden kann — aber eben nur reden.
ZARA ist wie ein erfahrener Ingenieur der sein ganzes Berufsleben nur Solardaten analysiert hat. Er macht eine Sache, aber dafür mit tiefem Domänenwissen das kein Allrounder erreichen kann.
Und entscheidend: ZARA läuft vollständig auf eurem eigenen Server — nicht in einem Rechenzentrum irgendwo.
Was macht ZARA konkret?
ZARA (Zero-latency Adaptive Runtime Architecture) ist der Name des Transformer-Modells in allen TFS KIs. Es bekommt als Eingabe:
- Wetterhistorie
- Astronomische Daten
- Klimatologie
- Anlagenkonfiguration (Tilt, Azimut, kWp pro Gruppe)
- uvm.
Und gibt aus:
- Stündliche Prognosen für die nächsten 72 Stunden
- Nicht als einzelnen Wert, sondern als Verteilung: P10 (pessimistisch), P50 (realistisch), P90 (optimistisch)
Diese Unsicherheitsbänder sind entscheidend für sinnvolle Energieautomatisierung. Ein Forecast der sagt “morgen 4 kWh, plus/minus 2 kWh” ist wertvoller als einer der behauptet “exakt 4.37 kWh”.
Warum Klimatologie?
Das ist das Herzstück was TFS von SFML unterscheidet.
SFML schaut nur auf die aktuelle Wettervorhersage und in die Historie was sie bereits gesehen hat. Das macht SFML ebenfalls mit einem Transformer-KI-Stack namens “Hubble”.
Das Problem: Wettermodelle liegen manchmal systematisch falsch. An bestimmten Tagen (früher Frühjahr, Übergangsperioden) unterschätzen sie z.B. Bewölkung regelmäßig — das schlägt direkt auf die Prognose von SFML durch, wenn sie ein ähnliches Wetter noch nicht gesehen hat.
ZARA hingegen kennt das. Die Klimatologie sagt dem Modell: “An diesem Datum, an diesem Standort, war die Realität historisch X% bewölkter als die Vorhersage.” Das Modell kann also die aktuelle Vorhersage mit historischer Erfahrung kalibrieren — und weiß wann es skeptisch sein sollte.
Lokal vs. Cloud — warum das wichtig ist
TFS läuft vollständig lokal auf eurem HA-Server. Keine API-Calls an externe KI-Dienste, keine Subscription, keine Datenweitergabe.
Das ist kein Zufall, sondern Designentscheidung. Ich glaube es ist mittlerweile jedem klar, dass ich sehr streng mit dem Thema Datenschutz und Persönlichkeitsrechte umgehe. Ebenso mit der Frage wem die gesammelten Daten gehören: Eure Produktionsdaten — wann eure Anlage wieviel produziert, wann ihr Energie verbraucht, wie euer Dach ausgerichtet ist — sind wertvolle persönliche Daten. Sie gehören euch.
Außerdem: Lokale Inferenz ist schnell. Ein Forecast dauert unter einer Sekunde. Kein Netzwerk-Overhead, keine API-Limits, keine Abhängigkeit von Serververfügbarkeit.
Das kontinuierliche Lernen — Fine-Tuning
Was TFS auch so besonders macht im HA-Kosmos: Es lernt von eurer spezifischen Anlage.
Das Pre-Training gibt dem Modell ein tiefes Verständnis von Solarphysik. Das Fine-Tuning danach passt das Modell an eure konkrete Situation an — eure Verschattung, eure Ausrichtung, euren Mikroklima-Effekt. Hier spielen SFML und TFS in einem perfekten Team und lernen gegenseitig voneinander. TFS liefert dabei die Rohdaten pro Panelgruppe — SFML entscheidet dann wie diese in die finale Prognose einfließen.
Nach einigen Wochen mit echten Produktionsdaten kennt ZARA eure Anlage besser als jedes generische Modell — weil es auf euren Daten trainiert wurde, nicht auf abstrakten Durchschnittswerten. Und SFML kennt all die Besonderheiten: Schatten, Leistung, Verschmutzung…
Wo stehe ich gerade?
Das neue Basismodell TFS-Zara-G6 ist gerade im Training auf einem dedizierten Rechner — seit rund 20 Stunden, val_loss sinkt konsistent. Sobald es fertig ist, kommt ein Update für alle Nutzer. Dazu mehr im Part II — inklusive dem Grund warum ich das Modell nochmal von Grund auf neu trainiere.
Zara
