Der nächste große Evolutionsschritt von BSFAI ist erschienen. 😃
Battery SmartFlow AI V4.1.0 ist veröffentlicht
Hallo zusammen,
die neue Battery SmartFlow AI V4.1.0 ist verfügbar.
Mit dieser Version wird die V4-Serie um eine größere neue Funktion erweitert: die lernbasierte Ladefenster-Planung.
Battery SmartFlow AI kann nun aus historischen Verbrauchs- und Entladedaten ein typisches Tagesprofil aufbauen und dieses für zukünftige Ladeentscheidungen verwenden. Ziel ist es, günstige Strompreisfenster besser zu nutzen und die benötigte Nachladeenergie realistischer zu berechnen.
Was ist neu?
Lernbasierte Ladefenster-Planung
Die Integration wertet historische Daten in 96 Tages-Slots à 15 Minuten aus. Daraus entsteht ein typisches Verbrauchsprofil über den Tag.
Damit kann Battery SmartFlow AI besser einschätzen:
- wie viel Energie bis zu einem relevanten Zeitpunkt voraussichtlich benötigt wird
- ob der aktuelle Akkuinhalt ausreicht
- wie viel Energie nachgeladen werden sollte
- wie groß das Ladefenster sein muss
- welches zukünftige Preisfenster für die Ladung am besten geeignet ist
Die Funktion ist besonders für Nutzer mit dynamischen Strompreisen interessant.
Wichtig: Die Lernplanung startet nicht sofort
Die neue Planung wird bewusst vorsichtig aktiviert.
Nach dem Update sammelt Battery SmartFlow AI zunächst Daten und prüft, ob genug verwertbare Historie vorhanden ist.
In den bisherigen Tests dauerte es bis zur notwendigen Datenabdeckung von ca. 80 % etwa 12 Tage, bis die Lernplanung auf ready wechselte.
Das bedeutet:
- direkt nach dem Update bleibt zunächst die klassische Planung aktiv
- der Lernstatus kann mehrere Tage auf
collecting oder insufficient_data stehen
- das ist normal und kein Fehler
- erst bei ausreichender Datenqualität kann die Lernplanung aktiv genutzt werden
Neue Status- und Diagnosewerte
Zur besseren Nachvollziehbarkeit gibt es neue Sensoren und Diagnosewerte, unter anderem für:
- Lernstatus
- Lernmodus
- geplanten Ladestart
- Deadline
- berechnete Nachladeenergie
- Fenstergröße
- Datenabdeckung
- verwertbare Trainingstage
- erwarteten Verbrauch
- verfügbare Akkuenergie
- Reserve
- Forecast-Anpassung
- effektive Ladeleistung
- Fenster-Score
Damit lässt sich deutlich besser nachvollziehen, warum die Lernplanung wartet, lädt oder noch nicht bereit ist.
Steuerung über Expertenmenü
Die automatische Nutzung der Lernplanung kann im Expertenmenü aktiviert oder deaktiviert werden.
Wichtig:
- Daten können gesammelt werden, auch wenn die automatische Nutzung deaktiviert ist
- aktiv genutzt wird die Lernplanung nur, wenn sie eingeschaltet und bereit ist
- bei fehlender Datenbasis bleibt automatisch die klassische Planung aktiv
- Schutzlogik und manuelle Vorgaben haben weiterhin Vorrang
Weitere Verbesserungen
Neben der neuen Lernplanung enthält V4.1.0 weitere Anpassungen und Fixes:
- verbesserte Verbrauchsmodellierung
- klassischer Planungsmodus bleibt als Fallback erhalten
- zusätzliche Akku-Entladung wird in der Entscheidungslogik berücksichtigt
- Hauslastberechnung bei AC-Batterieladung korrigiert
- Anzeige der Lernplanungsmodi korrigiert
- neue Übersetzungen für Deutsch, Englisch, Französisch und Niederländisch
- Diagnosewert für aktuelle Slot-Leistung korrigiert
- SF800Pro-Stabilisierungen aus der V4.0.x-Serie sind weiterhin enthalten
Hinweise nach dem Update
Nach dem Update wird empfohlen:
- Home Assistant neu starten
- die Konfiguration von Battery SmartFlow AI öffnen
- das Expertenmenü prüfen
- die automatische Lernplanung nach Wunsch aktivieren oder deaktivieren
- die neuen Lernstatus- und Diagnosewerte beobachten
- der Lernplanung mehrere Tage Zeit geben, um Daten zu sammeln
Bitte nicht wundern, wenn die neue Planung nicht sofort aktiv wird. Je nach Datenqualität kann es etwa 7 bis 12 Tage oder länger dauern, bis genug Trainingsdaten vorhanden sind.
Rückmeldungen
Rückmeldungen zur V4.1.0 sind sehr willkommen, besonders zu:
- Übergang von
collecting zu ready
- Datenabdeckung
- berechneter Nachladeenergie
- geplantem Ladestart
- tatsächlichem Start des Ladefensters
- Verhalten während des aktiven Ladefensters
- Zusammenspiel mit PV-Prognose
- Zusammenspiel mit dynamischen Strompreisen
Hilfreich sind dabei möglichst folgende Werte:
- Lernstatus
- Lernmodus
- Blockiergrund
- geplanter Ladestart
- Deadline
- Nachladeenergie
- Fenstergröße
- erwarteter Verbrauch
- verfügbare Akkuenergie
- Reserve
- effektive Ladeleistung
- aktueller Strompreis
- SoC
- PV-Leistung
- Netzbezug / Netzeinspeisung
- Entscheidungsgrund
Vielen Dank an alle, die mit Tests, Logs, Kurven und Rückmeldungen zur Entwicklung und Stabilisierung dieser Version beigetragen haben.