Also für mich nochmals zusammengefasst:
Es ist egal ab man den absoluten oder reaktiven Luftdruck verwendet. Beider führt zum gleichen Ergebnis.
Regensensor: nicht die Menge ist entscheidend, sondern das Ereignis Regen. Somit kommen nur zwei Sensoren des Wetterstation in Frage.
Das Regen Event [mm]
Die Regen Intensität [mm/h]
Was mich noch aktuell ein wenig verwirrt, sind die aktuellen Wetterverhältnisse, im speziellen die Windgeschwindigkeit. Der Sensor zeigt nahe Windstille an. Die Integration aber Windgeschwindigkeiten von über 15 km/h.
Auch gibt es Abweichungen bei Temperatur, Luftfeuchtigkeit und Luftdruck.
Sollten die Werte hier nicht exakt den Sensoren der Wetterstation entsprechen? Und wo kommt die Windrichtung her? Diese habe ich ja nicht angegeben und diese stimmt auch nicht mit der der Wetterstation überein.
Jetzt: NOAA, ECMWF, ICON.. sagen für die aktuelle Stunde Winspitzen bis: 15 km/h Wind, Sensor zeigt 4.7 km/h
Das ist eine Abweichung von ~XY km/h - die KI lernt das!
Nach Tagen/ Wochen/: Die AI lernt und rechnet anders passt die Daten von NOAA, ECMWF und ICON für deinen Standort an.
Die Abweichungen sind normal und gewollt -
sie ist das “Trainingsmaterial” für die KI. Die aktuelle Abweichung zeigt, dass das Learning funktioniert - die Integration sieht den Unterschied zwischen Vorhersage und Realität.
Ich habs installiert, um zu testen - habe es aber mittlerweile wieder runtergeschmissen.
Ich denke nicht, dass es sinnvoll ist, wenn man ML Forecast und ML Weather drauf hat, zusätzlich noch Weather Fusion AI zu installieren.Im Gegenteil - vermutlich macht es dann sogar Probleme, oder?
Mit ML Weather habe ich doch die identischen Werte für Wettervorhersagen drin, oder sehe ich das falsch?
Die KI braucht Zeit, um zu lernen. Die eine überwacht die Sensoren, die andere die Rohdaten des Wetters. Am Ende des Tages sprechen die beiden miteinander und gleichen die Daten ab. So denn die KI, die die Wetterprognose macht, ein Muster erkennen kann, dass die Wettersensoren keinen Müll produzieren, sagt sie heh, da muss ich meine Prognose ja anpassen.
Mit anderen Worten, im Moment ist es überall dunkel, grau, regnerisch, wolkig und schneeig. Also braucht die lokale KI länger, um zu lernen.
um Missverständnissen vorzubeugen:
Diese Integration ist vollkommen unabhängig von Solar-Forecast-ML und richtet sich in erster Linie an Nutzer, die eine eigene Wetterstation betreiben oder zumindest eigene Wettersensoren besitzen. Sie dient primär der Erstellung lokaler Wetterprognosen auf Basis dieser lokalen Daten. Etwas was Wetterstationen nicht bieten, sie zeige nur Live-Daten
Es handelt sich also um eine eigenständige Integration, die auch technisch grundlegend anders funktioniert.
Das Einzige, was sie mit Solar-Forecast-ML verbindet, ist die Nutzung derselben Wetter-Mechanik und Hybrid-KI. (wurde von Solar Forecast übernommen und speziell angepasst)
Update 2.2.0 ist jetzt bei HACS verfügbar!
Ich habe eure Wünsche und Änderungen umgesetzt - bitte Feedback
