OpenMeteo - Seite 2
Teilen:
|
|
||
|
Die Daten einfach richtig in die Datenbank schreiben. Für influxdb z.B. musst du einfach nur den timestamp aus den Open-Meteo im measurement angeben, hier ein Python Beispiel (nur Schreiben): for ts, temp, hum in data: |
||
|
||
|
Jetzt müsstest mir nur noch die Maus nehmen und genau dort hinnavigieren wo ich das einfügen soll 😅 Ich hab ja eh etwas unfreiwillig 3 Wochen Weihnachtsurlaub... Genug Zeit um mir 20 Projekte vorzunehmen wovon ich 7 anfange und eins fertigmache 😇 Hinsichtlich Verwendung einer (brauchbaren) Vorhersage hab ich 2 Dinge im Hinterkopf: - Heizungssteuerung (Entscheidung ineffizient in den Tag schieben oder effizient konstant fahren) - Ein Lamperl für Wäsche waschen und Geschirrspüler das aussagt "lohnt sich auf morgen zu warten oder wirf den Mist einfach über Nacht an" Beides braucht einen Vorhersagehorizoint von 24h (der zweite Punkt für die Wäsche ggf. 48h) und schlicht die Aussage "kommt genug rein, dass der Akku 100% erreicht" Solang der Akku sowieso keine 100% erreicht ist jegliches timing für die Verbraucher hinfällig da die WP WP [Wärmepumpe] den sowieso über Nacht wieder leer saugt. Weitere Anwendungen die ich mir vorstellen kann sind in Zukunft mit variablen Netzkosten oder Stromtarifen (sofern sie wieder interessant werden) Steuerungsaufgaben die bei Bedarf Akkukapazität für spätere hochpreiszeiten sperrt oder sogar was aus dem Netz lädt falls am Vortag Dunkelflaute war. Da wäre es z.B. gut zu wissen ob um 8 die Sonne scheint oder nicht. |
||
|
||
|
Ich stelle in der Nacht um auf Einspeisen durch den Akku. Nachts geht der Strom zu einem großen Teil in die EEG, was insbesondere im Sommer durchaus vorteilhaft ist. Meist entleere ich bis 20%, damit ich den Morgen überstehe, bevor der Akku wieder gefüllt wird nach Sonnenaufgang. |
||
|
||
|
Der Fehler liegt im Wort 'Maus', sorry bin ein alter Linuxler und was bei mir nicht auch von der command line geht, ist sowieso schlecht Einer der Gründe warum ich keinen HomeAssistent verwende, aber soll keine Grundsatzdiskussion werden, jede wie sie mag. Ich kann in dem Kontext aber sicher nicht helfen. Ah, ok, ja das ergibt Sinn. Damit verlagerst du den Einspeisezeitpunkt und je nachdem wer dann abnimmt sind die Erträge somit höher. |
||
|
||
 Frage vom HA Neuling... ich habe per HACS den Dienst integriert... sehe aber bei den Sensoren/Entitäten nur Nebel.... Wo finde ich die Future Werte? oder was habe ich falsch gemacht/übersehen? |
||
|
||
|
Klick mal auf den Home Sensor und schau Dir ggf die Attribute an. |
||
|
||
|
das öffnet beim Klick auf den Home Sensor:  Attribute finde ich keine? beim Zahnrad, kann ich nur Einheiten ändern, aber nicht irgendwelche zusätzlichen Entitäten auswählen? |
||
|
||
ich denke ich habe die falsche Integration erwischt:  ihr verwendet "Open-Meteo Solar Forecast"? |
||
|
||
|
Ja genau, das ist ein Unterschied. Open-Meteo ist reine Wettervorhersage - und das offensichtlich keine besonders prickelnde. Das Ding kennt wohl nur Mistwetter 🤣  Die Standard Wettervorhersage von HA ist da etwas positiver gestimmt  |
||
|
||
|
bist du da weiter gekommen? |
||
|
||
|
Ich habe die Forecast Integration installiert. Ich bin mir jetzt nicht sicher, geht's um die Wettervorhersage oder um die Sonnen Prognose? |
||
|
||
|
Nein, hatte anderes zu tun. Vorhersage ist derzeit mäßig genau. Letztens war die Wettervorhersage (die optimistischere) gut und PV Vorhersage mehr oder weniger katastrophal. Erst wenige Stunden bzw. unterm Tag wurde die korrigiert, am Ende wars ein top PV Tag. Der Tag war aber schwer vorherzusagen, wir waren schifahren und die Täler waren voller Nebel. Beim heimfahren lag das Haus grad noch in der Sonne, 1km weiter war ganztägig Nebelsuppe die sich am Abend ausgebreitet hat und seitdem da hängt. Seitdem hat die Vorhersage aber wieder grob die reale Richtung gezeigt. Für eine wirkliche Bewertung der Vorhersagequalität muss ich aber länger aufzeichnen. |
||
|
||
|
Sonnen/Solar Prognose... ok schade... ja eine grobe Richtung würde mir schon reichen... also kommt die Sonne raus und halbwegs was runter, oder werden es die 4kWh im Nebel... |
||
|
||
Hab mit openmeteo und den daten von geosphere (M)eine KI trainiert. Ein kleines neuronales Netz, welches den PV Ertrag für meine Anlage mit meinen Werten, Standort, Ausrichtung usw. errechnet:  EDIT: und nach einem durchlauf mit gemini, schaut das noch besser aus:   zumindest steht in der Nacht amal 0..... :D EDIT: und nach einem durchlauf mit gemini, schaut das noch besser aus:  To-Do's: - mehr Trainingsdaten holen - nicht nur die globalstrahlung, sondern auch sonnenstunden, wind, temperatur, feuchte usw mit einbauen - dzt. ein Mittelwert aus den GeoSphere und OpenMeteo Daten, evtl muss ich hier gewichten - die KI scheint immer noch werte mit cglo~0 nicht als 0 zu interpretieren - .... tausend andere Sachen Aber coole API, Daten scheinen gut zu sein |
||
|
||
|
Oh, sehr spannend! Sowas ähnliches versuche ich (mit wechselndem Erfolg) seit Monaten... Allerdings prognostiziere ich die Raumtemperatur, um den Heizbedarf in den nächsten 18..24 Stunden vorherzusagen (und in weiterer Folge den Netzbezug zu steuern) Zwei Hinweise aus meiner Erfahrung:
Anyway - halte uns auf dem Laufenden! |
||
|
||
|
Ich nehme dzt. - Sonnenstunden in Kombination mit Globalstrahlung und Feuchte: damit sollte die KI wissen, wann es dunstig/hohe Wolken und somit diffuses Licht gibt im Kontrast zu sonnigen, schönen Tagen - Temperatur/Wind in Zukunft für kleine Korrekturfaktorenberechnung der PV Leistung - Dachschräge, Sonnenstand damit er Winter und Sommer besser auseinanderhalten kann bzw. den Einfallswinkel kennt muss mich in das ganze KI Ding auch erst einlernen, hab für's erste und weil's einfach ist Keras mit TensorFlow. Drei Layer mit 128, 64 und 32 mit einem Dropout. Da meine PV grad vereist ist, kann ich die Vorhersagen auch nicht wirklich überprüfen. Find's aber ein cooles und spannendes Thema. Vor allem weil es relativ einfach zu machen ist und passgenau auf die eigene PV Anlage zugeschnitten ist |
||
|
||
|
Danke für die Infos! ein paar Kommentare dazu: wenn du GTI von OpenMeteo verwendest, musst du die Abfrage bereits mit Azimut und Tilt seiner Solarpanele versehen. Damit steckt der Sonnenstand etc. schon explizit im Ergebnis, da musst du nichts mehr korrigieren (ganz im Gegenteil: du versorgst dein Netz mit redundantem / korreliertem Input, und das ist schlecht fürs Generalisieren) der GTI-Wert berücksichtigt bereits Bewölkung - auch hier wieder redundante / korrelierte Information dein Netz ist sehr groß! bei 128-64-32 hast du über 10.000 freie Parameter. nach der Faustregel "10 x so viele Trainingsdaten als Parameter" bräuchtest du 100.000 Trainingssätze. In dieser Konstellation lernt das Netz weniger die Zusammenhänge, sondern vor allem Rauschen und Artefakte der Trainingsdaten auswenig. Versuchs mal mit einem sehr kleinen Netz, eventuell mit einem oder gar keinem Hidden Layer. Im GTI ist die Physik schon "vorberechnet", da reicht oft ein einfaches lineares Netz für deine Korrekturen. |
||
|
||
|
tu ich ja nicht. Ich wollt erstmal eine eigene KI testen, welche das alles selber macht. ich hol "shortwave_radiation,temperature_2m,relative_humidity_2m,wind_speed_10m,precipitation,sunshine_duration". mit dem GTI werd ich dann meine Daten nur verschneiden, weil ich sehen will, wie nah ich dran komme. Oder evtl am Ende beides verschneiden und das Modell um den GTI erweitern - mal sehen. sie soll ja auch die Werte der letzten 10 Jahre auswerten, da kommt schon was zusammen. |
||
|
||
|
Ah, jetzt verstehe ich! ich bin gespannt! |
||
|
||
|
Wie bereitet ihr da die time series Daten auf? Ein reines time stamping (also z.B. Stundenintervalle im Jahr) ergeben schon sehr viele Attribute und sie dekorreliert hintereinanderliegende Werte, sprich wenn es jetzt regnet ist die Wahrscheinlichkeit, dass es in einer Stunde immer noch regnet deutlich höher als der strahlende Himmel (also hier bei uns.), das würde aber über timestamps nicht berücksichtigt. Außerdem hätte man in dem Beispiel nur 10 Datensätze für 10 Jahre. |
||
|
||
|
Das Netz hat ja keine Ahnung von Wetter. Es weiß ja nichtmal, was das ist. Die "KI" erkennt ja nur mathematische Zusammenhänge zwischen den Parametern der Vergangenheit (Strahlung, Sonnenstand, Sonnenstunden, Luftfeuchtigkeit, Temperatur usw). All die Daten fittet sie zu einem Modell. Die KI selbst macht ja keinerlei Vorhersage oder berücksichtigt Wahrscheinlichkeiten. Sie bekommt die Wettervorhersage für morgen und errechnet auf Basis ihrer Erfahrung die zu erwartende Leistung. Ob es da regnet oder nicht ist dem Netz vollkommen egal. |
Beitrag schreiben / Werbung ausblenden?
Einloggen
Kostenlos registrieren [Mehr Infos]