🧠 Auto TPI: Automatisches Lernen

Auto TPI ermöglicht es Ihrem Thermostat, die thermischen Eigenschaften Ihres Raumes selbstständig zu erlernen. Es passt automatisch die Koeffizienten $K_{int}$ (Interne Trägheit) und $K_{ext}$ (Externe Isolierung) an, um Ihren Sollwert mit optimaler Präzision zu erreichen und zu halten.

---

🔄 Sitzungszyklus

Auto TPI arbeitet in punktuellen Lern-Sitzungen. Während einer Sitzung analysiert das System dynamisch die Reaktion Ihres Raumes: Zuerst wird die tatsächliche Leistung Ihrer Heizung bewertet, dann werden Kint und Kext über mindestens 50 TPI-Zyklen pro Koeffizient angepasst.

graph LR
    %% Flat Design Palette
    classDef startEnd fill:#f1f8e9,stroke:#558b2f,stroke-width:2px,color:#33691e
    classDef decision fill:#e3f2fd,stroke:#1565c0,stroke-width:2px,color:#0d47a1
    classDef process fill:#eceff1,stroke:#455a64,stroke-width:1px,color:#263238
    classDef bootstrap fill:#fff9c4,stroke:#fbc02d,stroke-width:2px,color:#f57f17

    A([Sitzungsstart]) --> B{Rate = 0?}
    
    B -- "Ja" --> C[Kalibrierung]
    B -- "Nein" --> D["Lernen (min 50 Zyklen)"]
    
    C --> E{Genug\nHistorie?}
    E -- "Ja" --> D
    E -- "Nein" --> F[Bootstrap]
    F -->|3 Zyklen| D
    
    D --> G{Sitzung beendet?}
    G -- "Nein" --> D
    G -- "Ja" --> H([Sitzung komplett])

    class A,H startEnd
    class B,E,G decision
    class C,D process
    class F bootstrap

1. Initialisierung: Wenn die Heizrate (Heat Rate) 0 ist, versucht das System zunächst eine Kalibrierung, indem es Ihre historischen Temperatur-, Steigungs- und Leistungsdaten analysiert (über den Dienst calibrate_capacity).
2. Bootstrap-Modus: Wenn die Historie nicht zuverlässig genug ist, um die Heizrate zu schätzen, wechselt das System in den Bootstrap-Modus. Es führt 3 intensive Heizzyklen durch, um die Heizkapazität Ihres Heizkörpers zu bestimmen.
3. Aktives Lernen: Sobald die Heizrate bekannt ist, verfeinert das System die TPI-Koeffizienten bei jedem Zyklus. Diese Phase dauert mindestens 50 Zyklen pro Koeffizient, um deren Stabilität zu gewährleisten.
4. Speichern: Am Ende der Sitzung (ca. 48 Stunden) werden die erlernten Koeffizienten und die endgültige Heizrate automatisch in Ihrer permanenten Konfiguration gespeichert.

Wann werden Kint und Kext angepasst?

Das System erlernt beide Koeffizienten in unterschiedlichen Situationen:

Koeffizient	Lern-Situation	Erklärung
Kint (Interne Trägheit)	Während des Temperaturanstiegs, wenn die Abweichung vom Sollwert signifikant ist (> 0,05°C) und die Heizung nicht gesättigt ist (100%).	Kint steuert die Reaktionsfähigkeit der Heizung. Er passt sich an, wenn das System zum Sollwert "aufholen" muss.
Kext (Externe Isolierung)	Während der Stabilisierung um den Sollwert, wenn die Abweichung gering ist (< 1°C).	Kext kompensiert Wärmeverluste nach außen. Er passt sich an, wenn das System die Temperatur hält.

---

🚀 Das Lernen starten

Sobald das Auto TPI-Feature für Ihren Thermostat aktiviert und konfiguriert ist, startet das Lernen nicht automatisch. Sie müssen es manuell starten:

1. Über die dedizierte Karte (Empfohlen): Verwenden Sie den "Play"-Button auf der Auto TPI Learning Card.
2. Über den Dienst "Set Auto TPI Mode": Rufen Sie diesen Dienst (set_auto_tpi_mode) aus den Entwicklerwerkzeugen auf. Dieser Dienst startet oder stoppt eine Auto-TPI-Sitzung.

---

⚙️ Standard-Konfiguration

Bei der Aktivierung von Auto TPI stehen folgende Parameter zur Verfügung:

Parameter	Beschreibung
Learning Type	Discovery (für das erste Lernen) oder Fine Tuning (um bestehende Einstellungen zu verfeineren).
Aggressiveness	Reduktionsfaktor der Koeffizienten (1.0 = 100%). Reduzieren Sie diesen Wert (z.B. 0.8), wenn Sie häufige Sollwert-Überschreitungen (Overshoots) beobachten.
Heating Time	Erforderliche Zeit, bis Ihr Gerät die volle Leistung erreicht (z.B. 5 Min. für einen Elektroheizkörper).
Cooling Time	Erforderliche Zeit zum Abkühlen nach dem Abschalten (z.B. 7 Min. für einen Elektroheizkörper).
Heat Rate	Temperaturanstiegskapazität (°C/Stunde). Auf 0 lassen, damit das System sie automatisch über Kalibrierung oder Bootstrap berechnet.

---

🛠️ Erweiterte Konfiguration

Wenn Sie "Enable advanced parameters" aktivieren, erhalten Sie Zugriff auf die Feinabstimmung der Algorithmen.

"Discovery"-Methode (Gewichteter Durchschnitt)

Wird verwendet, um ein neues System schnell zu stabilisieren.

• Initial Weight (1 bis 50): Definiert die Bedeutung der aktuellen Koeffizienten im Verhältnis zu neuen Entdeckungen.
  • Bei 1: Neu berechnete Koeffizienten ersetzen die alten fast vollständig. Das Lernen ist schnell, aber empfindlich gegenüber Störungen.
  • Bei 50: Alte Koeffizienten haben viel mehr Gewicht. Das Lernen ist sehr langsam, aber sehr stabil.
  • Empfehlung: Für das erste Lernen auf 1 lassen. Wenn Sie ein unterbrochenes Lernen fortsetzen möchten, während ein Teil des Fortschritts erhalten bleibt, verwenden Sie einen Zwischenwert (z.B. 25).

"Fine Tuning"-Methode (EWMA)

Wird für eine sanfte und sehr präzise Anpassung verwendet.

• Alpha : Glättungsfaktor. Je höher dieser ist, desto schneller reagiert das System auf aktuelle Änderungen.
• Decay Rate : Ermöglicht es, die Lerngeschwindigkeit schrittweise zu reduzieren, um sich auf den besten gefundenen Werten zu stabilisieren.

---

💡 Best Practices

Externe Störungen vermeiden

Versuchen Sie während einer Lern-Sitzung (besonders in den ersten Stunden) Folgendes zu vermeiden:

• Direkte Sonneneinstrahlung auf den Temperatursensor.
• Nutzung einer sekundären Wärmequelle (Kamin, Ofen).
• Massive Zugluft (offene Türen). Diese Faktoren verfälschen die Wahrnehmung des Systems über die Isolierung Ihres Raumes.

Extreme Bedingungen vermeiden

Idealer Ablauf einer "Discovery"-Sitzung

1. Vorbereitung: Senken Sie den Sollwert um mindestens 3°C unter Ihre übliche Temperatur. Lassen Sie den Raum abkühlen und sich bei dieser neuen Temperatur stabilisieren.
2. Start: Aktivieren Sie das Lernen und stellen Sie den Sollwert wieder auf seinen üblichen Wert. Das System wird den Temperaturanstieg beobachten.
3. Stabilisierung: Lassen Sie das System die Temperatur für einige Stunden um den Sollwert stabilisieren.
4. Stimulation: Sobald sich die Koeffizienten nicht mehr signifikant ändern, lösen Sie einen neuen Heizzyklus aus, indem Sie den Sollwert um 2°C senken und dann wieder anheben.
5. Stabilisierung: Lassen Sie das System die Temperatur für einige Stunden um den Sollwert stabilisieren.
6. Abschluss: Wenn das Lernen noch nicht abgeschlossen ist, lassen Sie das System bis zum Ende laufen, während Sie zu Ihren normalen Lebensgewohnheiten zurückkehren. Auto TPI stoppt von selbst, sobald die Koeffizienten nach jeweils mindestens 50 Zyklen stabilisiert sind.

Idealer Ablauf einer "Fine Tuning"-Sitzung

1. Stabilität: Behalten Sie Ihre gewohnten Heizgewohnheiten bei und vermeiden Sie lediglich außergewöhnliche Störungen (lange geöffnete Fenster, Zusatzheizung).
2. Beobachtung: Lassen Sie das System Mikrowariationen beobachten und die Koeffizienten über 50 Zyklen anpassen.
3. Neubewertung: Wenn Sie feststellen, dass die Koeffizienten stark driften oder der Komfort nachlässt, ist es besser, eine komplette Sitzung im Discovery-Modus neu zu starten.

---

📊 Visuelle Überwachung

Um die Lernentwicklung in Echtzeit zu verfolgen, wird dringend empfohlen, die benutzerdefinierte Karte Auto TPI Learning Card zu installieren.

Installation über HACS

Oder fügen Sie das benutzerdefinierte Repository manuell hinzu: https://github.com/KipK/auto-tpi-learning-card

Kartenfunktionen

• 📈 Echtzeit-Fortschritt von Kalibrierung und Lernen
• 🔢 Koeffizienten Kint, Kext und Heizrate in Berechnung
• ▶️ Steuerungs-Button zum Starten/Stoppen der Sitzung
• 🔧 Optionen zum Zurücksetzen der Sitzung, Aktivieren von Kint Boost oder Kext Deboost