Am Morgen Nebel, dann Sonne…
Prognose deutlich unter dem tatsächlichen Wert.
Perfekt, nachdem mein Speicher ja per zweitem Wechselrichter AC gekoppelt ist - wenn ich da was testen soll, gerne. Funktioniert schon jetzt ganz gut mit meinem kombinierten AC-Leistungssensor, der Wirkungsgrad schaut plausibel aus.
Interessant wird es dann beim Inselbetrieb, dann erzeugt der Batteriewechselrichter ein Netz, auf das sich der Stringwechselrichter drauf synchronisiert. Geregelt wird mit Frequenzanhebung wenn der Kkau voll wird, der String-WR ist auf 8 kW limitiert.
Ich mache das bei Mistwetter, damit ich alles was erzeugt wird selber nutzen kann.
Hier mal ein Bild auf dem gut zu erkennen ist, was die ersten 2 Tage nach dem Update passieren kann.. NICHT MUSS!
Der Kernpunkt ist, dass die Gruppen / Strings bei einigen Systemen auf “neutral” gesetzt werden (müssen) um besser auf Schatten, Wetterwechsel, Schwankungen zu reagieren.
Bisher wurden die " Ausreißer" von Hubble korrigiert. Doch eure Bilder der letzen Wochen zeigen, dass die Rails zu eng waren um sauber alles abzufangen. Genau an der Stelle wurde der Code / die KI korrigiert und das funktioniert nur mit einem sauberen “Startwert”, in diesem Fall Gruppen / Strings einmal auf “neutral” und die Rails und Guards zurücksetzen. Alles andere wäre “rumdoktern” an Symptomen und nicht am Kern..
Ohne eurer unermüdlichen Bilder und Hinweise zum Wetter, wäre es vermutlich nicht aufgefallen - vielen Dank an jeden, der hier in diesem Thread seine Tagesergebnisse veröffentlicht. Ich habe ja schon mehrfach gesagt " Das ist für mich der wertvollste Thread um zu sehen wo es kneift" - wo Hubble und Kepler an Grenzen stoßen. DANKE!
Was mich bei Dir wundert.. es scheint so als seien die Strings beide gleich ausgerichtet und hätten gleiche Leistung?!
Wie sind deine Strings in der Ausrichtung und wieviel kwP pro String?
Zara
Hey Zara,
da hast du recht, es ist die Südseite, 2 gleiche Strings mit der gleichen Leistung. In der Mitte des Dachs durch eine Gaube geteilt.
Am Anfang (Jan - Ende März) hatte ich ein Feld konfiguriert.
Im Laufe des Lesens und Verbesserungen in deinem Programm habe ich seit Juni 2 Gruppen erstellt.
An meinem WR sind auch 2 Strings angeschlossen, mit jeweils eigenem Schattenmangement.
Da durch die Gaube im Lauf des Nachmittags leichte Verschattung ensteht.
Sollte ich eventuell wieder 1 Gruppe aus den beiden Strings machen?
Dein kommendes Update sieht eh vor die Gruppe(n) neu zu lernen?
Gruß freo
Du fügst einen unnötigen Zwischenschritt ein, der Rundungsfehler als AI-Fehler erkennen könnte. Einen Vorteil, auch durch den Schattenwurf durch die Gaube, hast Du dadurch nicht - eher im Gegenteil! - Ich weiß das hier viele Infos in den Tiefen des Forums verschwindet durch die pure Masse an Post, daher noch einmal der wichtige Hinweis:
- Panels die eine identische Ausrichtung haben (identisch = +/- 25 Grad)
- Panels die eine identische Neigung haben (identisch = +/- 10 Grad)
sollten im Idealfall zu einer Gruppe zusammengefasst werden. Die Anzahl der beteiligten MPPT spielt dabei keine Rolle, einfach eine Gesamtsumme bilden. Für z.B. Schattenerkennung ist eine Aufteilung eher Kontraproduktiv, wie in deinem Fall, da es mehrere Faktoren gibt, die einen Unterschied in den Gruppen produzieren können. Hier jetzt in die Tiefe zu gehen, würde den Rahmen sprengen. Ich würde Dich bitten sie zu einer Gruppe zusammen zu fügen. → es dauert ein paar Tage / Läufe bis derartige Änderungen durchschlagen, aber es lohnt sich und ist der bessere Weg (mathematisch / logisch).
Danke für deine Antwort, ich werde mich sofort an die Arbeit machen!
Viele Grüße freo
Sehr gern! - Bitte niemals vergessen:
- Home Assistant ist keine Labor-Umgebung und “rundet”
- Wechselrichter sind nicht geeicht, sie produzieren ebenfalls Abweichungen
- SFML rechnet im 1/10000 Bereich
- KI “Gewichte” (Lernwerte) bewegen sich im ebenfalls im Mikro-Bereich
- Panels haben ebenso Toleranzen
- Trägheit der einzelnen Komponenten
- …
Daher ist es immer besser, sowenig Variablen wie möglich zu nutzen.
Ich habe dazu zahlreiche / umfangreiche Tests gemacht. Auf dem Bild kannst Du es gut sehen:
Gleiche Solarzellen, gleiche Ausrichtung, ect..
Bereits nach wenigen Stunden eine Abweichung gerundet von 1%, das summiert sich im Laufe des Tages, je länger der Leistungszeitraum, desto weiter laufen sie auseinander. 
allein durch Rundungen, Toleranzen, …
LG Zara
Dann werde ich das bei mir auch noch ändern. Gruppe 1 sind bei mir 6,88 kWp Südost die untere Reihe einer Freiflächen-Aufständerung, Gruppe 2 das gleiche noch mal aber die obere Reihe, Gruppe 3 sind 6,48 kWp Südwest Freifläche, Gruppe 4 mit 2 Metern Abstand daneben 4,86 kWp.
Jede Gruppe ist an einem eigenen MPPT. Der einzige Unterschied ist dass Gruppe 4 mehr Schatten als Gruppe 3 bekommt, und Gruppe 2 etwas weniger Schatten als Gruppe 1.
Neigung ist bei allen gleich. Was passiert da genau wenn ich die Gruppen zusammenfasse? Ich habe auch festgestellt dass die Neigung eher 21 als 20 Grad sind, das könnte ich da auch gleich ändern, oder?
Hallo @michi84
Um deine Frage zu beantworten, muss ich etwas nerdig und technisch werden, damit die Zusammenhänge klarer werden und nachvollziehbar ist, warum es sinnvoll ist, die Gruppen bei dir – und auch bei @freo – besser zu organisieren.
Sinnvolles Zusammenfassen minimiert die bauartbedingten Toleranzen und Rundungsfehler, die ich oben beschrieben habe.
Zum Thema Ausrichtung und Tilt der Paneele sowie der von mir genannten Grenzen:
Hubble ist ein lokaler Attention-Transformer mit 4 Heads. Erfahrungen damit im Kontext von Home Assistant gibt es bisher nicht; er ist nach wie vor der erste seiner Art. Da er auf aktuellen KI-Architekturen basiert, gelten für ihn dieselben mathematischen Regeln wie für ChatGPT, Claude, Grok und vergleichbare Modelle.
Jede KI benötigt ein Harness: das umgebende Gerüst aus Rails, Guards und Auswertelogik, innerhalb dessen sie agieren darf und soll. Das Harness legt fest, welche Zustände zulässig sind, welche Aktionen zurückgewiesen werden und woran das Verhalten gemessen wird. Andernfalls beginnt sie zu pumpen oder zu schwingen – vergleichbar mit instabilen Attention-Gewichten, die ohne Begrenzung oszillieren. Ob der Wert also bei 20 oder 21 Grad liegt, macht keinen Unterschied; beides befindet sich eindeutig innerhalb der Rails und damit im zulässigen Kontextfenster des Harness.
Diese Rails begrenzen den Schwingungsbereich und legen den Bias fest. Sie bilden die Grundlinie, von der aus die Anlage anhand verschiedener Parameter in der Ausrichtung präzise eingelernt wird – analog zu Query-, Key- und Value-Projektionen, die erst innerhalb eines definierten Embedding-Raums stabile Self-Attention erzeugen.
Zugleich definieren sie den Fehlertoleranzbereich, der durch falsche Messungen oder Verschiebungen entstehen kann. Residual Connections und Layer Normalization halten die Signale dabei im gültigen Wertebereich und verhindern, dass kleine Abweichungen über die Schichten hinweg verstärkt werden. Das Harness bündelt diese Begrenzungen und prüft laufend, ob die Ausgaben noch im erlaubten Aktionsraum liegen.
Eine Unterteilung in oben und unten trotz identischem Tilt und identischer Ausrichtung ist eher kontraproduktiv. Dadurch werden Toleranzen – messtechnische, bauartbedingte, mathematische und andere – nur unnötig potenziert, ähnlich wie eine künstliche Aufspaltung des Attention-Heads, obwohl Positional Encoding und Ausrichtung identisch sind. Es wird also künstlich einer der Heads (Gruppen) aufgespalten und so entstehen mathematische feine Unterschiede.
Die Softmax-Normalisierung verteilt die Gewichte dann auf getrennte Teilräume, statt sie gemeinsam zu stabilisieren.
Das Harness kann solche künstlich getrennten Zustände schlechter absichern, weil Rails und Guards dann doppelt und inkonsistent definiert werden müssten.
Wie bereits gesagt, bewegen wir uns hier bei den Lerngewichten im Bereich von 1/10.000; Multi-Head Attention kann diese feinen Unterschiede nur dann sinnvoll nutzen, wenn das Harness den zulässigen Aktionsraum klar begrenzt.
Für weitere Fragen dazu bitte eigenen Thread aufmachen - Danke
Zara