Methodik · Version 1

Physik und Lernen,
sauber getrennt geprüft.

FFF ersetzt die bisherige Python-Kette durch eine native Swift-Pipeline. Jede veröffentlichte Zahl soll reproduzierbar, zeitlich korrekt und gegen Datenleckage geschützt sein.

Messung

Der Fronius-Wechselrichter liefert den laufenden Tagesertrag. Zählerneustarts werden erkannt; ein Neustart der Anwendung verliert keinen bereits gemessenen Tagesertrag.

Physikmodell

GTI berechnet aus Einstrahlung auf die geneigte Modulfläche, Bewölkung, Temperatur, Anlagenwirkungsgrad und der technisch möglichen Wechselrichterleistung eine unabhängige Energieprognose.

Datenmodell

Random Forest und Boosted Trees lernen den standortspezifischen Zusammenhang zwischen Wetter und Tagesertrag. Die Auswahl erfolgt ausschließlich mit chronologisch späteren Validierungszeiträumen.

Fusion

Eine begrenzte affine Kombination verbindet AI und GTI. Die Gewichte werden per expanding-window Walk-forward-Validierung gewählt; der Achsenabschnitt ist ein robuster Median der Trainingsresiduen.

Wissenschaftliche Leitplanken

Was „genau“ hier bedeutet

Zeitliche Integrität

Ein Zieltag darf nur Informationen verwenden, die zum Ausgabezeitpunkt bereits verfügbar waren. Der aktuelle, noch unvollständige Tag wird nicht zum Training genutzt.

Unveränderliche Vintages

Für die Bewertung zählt die zuerst veröffentlichte Prognose eines Tages. Sie wird nicht nachträglich durch eine günstigere Neuberechnung ersetzt.

Gleiche Vergleichsmenge

AI, GTI und Fusion werden auf denselben abgeschlossenen Tagen ausgewertet. Berichtet werden Stichprobengröße, MAE, RMSE und Bias.

Unsicherheit

Das 95-%-Intervall basiert auf robusten relativen Fehlern in kurzem und langem Rückblick. Es beschreibt empirische Streuung, keine Garantie.

Offene Grenzen

Was das System nicht wissen kann

Lokaler Nebel, Schnee auf Modulen, Abschattung, Ausfälle und kurzfristige Wolkenänderungen können von Wettermodellen unvollständig erfasst werden. Deshalb behauptet FFF keine absolute Vorhersagegenauigkeit. Wissenschaftlich belastbar sind stattdessen die dokumentierte Datenherkunft, eine reproduzierbare Berechnung und eine ehrliche Messung des Fehlers auf zukünftigen Daten.

→ Alle Daten und ihre Bedeutung