Ui, das ist interessant.
Würde mich sehr interessieren, wie gut die (zugrunde liegenden Daten) und die Prognose mit der Realität zusammenfällt (vor allem in den Winter- und Übergangsmonaten.
Gerade im Winter scheinen die Vorcasts und Realität auch gerne mal 90% außeinander.
Wenn Du da besseren Erfolg melden kannst, wäre es interessant ob Du dein Projekt nicht evtl. open-Source machen möchtest ?
Das ist eher eine Spielerei. Ich habe die Daten von inzwischen 1,5 Jahren von zwei PV Anlagen, das Trainingsdatenset ist viel zu klein. Auch Feature Engineering könnte man noch betreiben. Aber in den Trainingsdaten habe ich zB 2 Tage mit Schnee. Das reicht nicht ansatzweise, damit das Modell lernen kann, wie viel Sonneneinstrahlung bei welcher Temperatur nach wie vielen cm Neuschnee bei welcher Dachneigung und welchen Modulen nötig ist, damit die Platten nicht mehr mit Schnee bedeckt sind. Auch für eine Generalisierung für andere Anlagen habe ich zu wenig Daten.
Es gibt mWn einige hochkomplexe Open Source Modelle, die weit mehr und komplexere Features verwenden und sicher weit akuratere Vorhersagen treffen können. Nur kommt man da als nicht kommerzieller Anwender nicht an die Vorhersagedaten - zB die Wolkendichte und Art der Bewölkung in drei verschiedenen Höhenlagen. Für mein Modell brauche ich nur eine frei zugängliche Wetter API aufrufen. Läuft auf dem selben Raspi, der auch als Smarthome Schaltzentrale sowie evcc Host dient.
Nachdem ich beruflich allermeistens auf vortrainierte Modelle zurückgreife und 80 Prozent der Zeit auf die Datenaufbereitung fällt, und man am effizientesten an konkreten Use Cases lernt, wollte ich privat mal ein Modell von Anfang bis Ende selber machen.
Dieses Problem mit schneebedeckten Platten ließe sich- ausser durch weitere Features - vielleicht auch gut mit komplexeren Architekturen wie LSTM-Netzen lösen, aber bei meiner Datenmenge brauche ich mir über vielschichtige Architekturen gar keine Gedanken zu machen. Das führt unweigerlich dazu, dass das Netz die Daten auswendig lernt und massiv overfittet.
Dazu kommt als vielleicht größtes Problem, dass die Wettervorhersage ungenau ist. Das erklärt einen Großteil des Fehlers des Modells. Allerdings weist die Vorhersage keinen systematischen Fehler auf, den mein Modell lernen und einbeziehen könnte - andernfalls hätte der meterologische Dienst seine Modelle schon längst verbessert.