Reines Aprilwetter heute in OWL, trotzdem hat das SFML ganz ordentlich gemeistert.
Es war wieder gut heute, gestern war eher Bedeckt mit etwas Regen, da hat es leider nicht so gepasst.
Heute:
Gestern
Heute wieder anderes Wetter als alle Vorhersagen, aber damit kann ich noch gut Leben.
OpenMeteo hat mir morgens ebenfalls 63kWh prognostiziert, dann aber über 60kWh und 43kWh hin und her gependelt. Solch ein Verhalten macht mir jeden Steuerungsversuch zu nichte. Am Ende werden wohl 53kWh herauskommen, der Regen ist aber schon da.
IST heute: 11,24 kWh (morges Frost, dann Sonne)
| Rang | System | Prognose | Fehler absolut | Fehler % |
|---|---|---|---|---|
| 1 | SFML + TFS | 10,60 kWh | −0,64 kWh | −6% |
| 2 | TFS Container | 12,10 kWh | +0,86 kWh | +8% |
| 3 | TFS HA | 9,69 kWh | −1,55 kWh | −14% |
| 4 | SFML | 9,60 kWh | −1,64 kWh | −15% |
| 5 | Meteo Forecast | 13,20 kWh | +1,96 kWh | +17% |
| 6 | Solar Forecast | 7,60 kWh | −3,64 kWh | −32% |
Spannend ist, wie der Docker-Container den Median gebildet hat.. er ist auf Grund historischer Wetterdaten mal nach oben und mal nach unten konvergiert.
Auch zeichnet sich eine Überlegenheit von SFML in Kombination mit TFS HA ab. ABER das sind alles Testläufe und Momentaufnahmen, noch nicht aussagekräftig. Zumal die Klima-Modelle noch nicht voll trainiert sind sondern nur Solar und Wetter… hier stellt sich die Frage ob es dann nicht zu “mächtig” für HA wird.. es wird damit stehen und fallen ob HA dazu zurückkehrt Multi-Core stabil zuzulassen… wie noch vor 2026.3 → … aktuell ist es HA egal wieviele Prozessorkerne die CPU hat, Event-Loop und vieles andere nutzt nur einen einzigen Kern und der Rest liegt als verschwendete Leistung tot in der Ecke.
Plateau beim Traiing der Klimamodelle ist auch noch nicht erreicht, nach 5 Tagen 24/7 KI Training:
0.110718 val=0.121315
2026-04-11T17:04:57.357781Z [info ] batch batch=200 epoch=23 loss=0.111759
2026-04-11T17:05:18.385307Z [info ] batch batch=400 epoch=23 loss=0.113124
2026-04-11T17:05:39.522490Z [info ] batch batch=600 epoch=23 loss=0.104383
2026-04-11T17:06:00.781394Z [info ] batch batch=800 epoch=23 loss=0.123794
2026-04-11T17:06:22.640530Z [info ] batch batch=1000 epoch=23 loss=0.111799
2026-04-11T17:06:43.778346Z [info ] batch batch=1200 epoch=23 loss=0.106924
2026-04-11T17:07:04.900457Z [info ] batch batch=1400 epoch=23 loss=0.113270
zara@Linux:~$
IST: 1.74 kWh · Extremer Schlechtwettertag (Blutregen Panele zugesifft) · Alle Systeme überschätzen
| Rang | System | Prognose | Fehler absolut | Fehler % |
|---|---|---|---|---|
| 1 | SFML + TFS | 2.30 kWh | +0.56 kWh | +32% |
| 2 | SFML | 2.60 kWh | +0.86 kWh | +49% |
| 3 | Meteo Forecast | 2.90 kWh | +1.16 kWh | +67% |
| 4 | TFS HA (g5v2) | 3.10 kWh | +1.36 kWh | +78% |
| 5 | Solar Forecast | 3.80 kWh | +2.06 kWh | +118% |
| — | TFS Container | n/a | — | — |
TFS Container war heute nicht aktiv… (Entwicklung + Neues Training)
Heute Vormittags ist das WLAN ausgefallen.
Tag einmal ausgeblendet.
Zumal wetter auch super schlecht war obwohl das gutes Lernmaterial war.
Gestern lag die Prognose bei uns bei 0% Abweichung - Wettervorhersage passte zuvor.
Heute bei -30%. Heutiges Realwetter passte nicht zur Wetterprognose. Deswegen verstehe ich nach wie vor nicht, wie eine stärkere/bessere KI wie TFS unpassende Wetterprognosen kompensieren soll, bzw. kann…
Ich will ja nicht rumunken: mir selber fällt ein Muster auf, ohne Maschine:
Sobald sich das Wetter richtig ändert, haut die Prognose so richtig nicht hin. Meine Vermutung und Hoffnung war und ist, dass die lokale Prognose das Besser hinkriegen sollte. Mein Ansinnen war ja die Schattenerkennung, nur habe ich den ganzen Tag geringe Einstrahlung, dazu schaue ich aus‘m Fenster bei 22° Dachneigung.
Oder, wie heute Morgen wieder, zwei Stunden sind vom lernen ausgeschlossen, wegen Frost/Schnee.
Falls ich meine Wärmepumpe damit steuere, benötige ich mehr Sicherheit. Vielleicht muss Hubble ja tatsächlich erstmal die 4 Jahreszeiten lernen. Durch die neue App Geschichte mag sich da ja noch etwas ändern .
Nur so meine Gedanken nach fast 6 Monaten …
Durch das Hinzufügen von historischem Wissen, Jahreszeiten und Klima-Modellen u.A..
Aber es gibt auch massive Klippen zu umschiffen.. besonders die Homogenisierung der Daten.. und die Einschränkungen bei HA selbst.. da liegt der eigentliche Clou.
Betrachte es mal aus der Datenperspektive.. Fast jeder der einen HA betreibt sitzt auf einer Goldmine! HA ist nichts anderes als eine Datenbank und es geht darum diese in einen vernüftigen Kontext zu bringen und mit Statistiken in einen Einklang zu bringen..
Auch skaliert eine “große” Ki anders.. ich habe gerade den Testlauf mit den Daten von heute morgen gemacht, nach dem ich die Modelle eingabunden habe.. Man siehst sehr gut wie P50 (Median) zur Regenphase heftig nach unten gedrückt wurde → genau das ist der Effekt / Unterschied..
Wenn Du dir mal die Screenshots von Nutzen anschaust, dann siehst Du das das genau der Bereich ist in denen bei plötzlichen Wetterwecheln SFML, auf Grund fehlendem Kontext Probleme hat.
Kannst Du mit bitte mal das LOG dazu schicken wann genau die Stunden ausgeschlossen worden sind, wo Du das gesehen hast?.. ich möchte dem mal tiefer auf den Grund gehen.