RoomMind steuert deine Räume in Home Assistant vorausschauend: ein selbstlernendes Thermomodell plus modellprädiktive Regelung. Dieser Fork ist für einen Daikin-Multisplit getunt.
RoomMind
Ein selbstlernendes Thermomodell plus modellprädiktive Regelung steuert deine Räume vorausschauend statt mit stumpfem Ein/Aus. Hier als persönlicher Fork, getunt für einen Daikin-Multisplit – mehrere Innengeräte an einem Außengerät, angesteuert über Faikin/MQTT.
Ehrlich zuerst: das Herzstück ist nicht von mir
Das selbstlernende Thermomodell, der MPC-Optimierer, das Panel und die Solar-Gewinn-Erkennung sind die Arbeit von snazzybean und dem originalen RoomMind – ein wirklich durchdachtes Stück Software. Dieser Fork legt nur eine Tuning-Schicht für Multisplit-Anlagen obendrauf. Wer RoomMind nutzt, will zuerst das Original – und sollte den Autor unterstützen.
Vorausschauend statt Ein/Aus
RoomMind lernt, wie sich ein Raum verhält, und regelt damit effizienter als ein klassischer Thermostat.
Selbstlernendes Thermomodell
Ein Wärmemodell lernt, wie der Raum auf Heizen/Kühlen, Außenwetter und Sonneneinstrahlung reagiert.
Modellprädiktive Regelung (MPC)
Plant voraus, welche Leistung die Zieltemperatur am effizientesten hält – statt nur zu reagieren.
Proportionale Steuerung
Fährt Leistung und Setpoints fein, statt hart an/aus zu schalten – schont Technik und Komfort.
Eigenes Panel
Eine Verwaltungsoberfläche direkt in Home Assistant für Überblick und Feineinstellung.
Tuning für den Daikin-Multisplit
Ein Außengerät, mehrere Innengeräte: das bringt Probleme, die ein Pro-Raum-Regler normalerweise ignoriert – Takten des Kompressors, Streit um Heizen-vs-Kühlen, ein Inverter hinter seiner eigenen Totzone. Genau dafür sind diese Ergänzungen (alle opt-in oder abwärtskompatibel).
Kompressor-Gruppenschutz
Anti-Takt-Zeiten (Mindestlauf/-pause) und einheitlicher Heiz-/Kühlmodus für alle Köpfe an einem Außengerät.
Demand-Control
Schreibt eine einzige Kompressor-Kapazität in Prozent (aggregiert aus allen aktiven Köpfen) statt bang-bang je Gerät.
Wetter-Feedforward + Δ-Trim
Die Grundlast folgt der Außentemperatur, ein schmaler Trim korrigiert nach dem Temperaturfehler der aktiven Zonen.
Anti-Ping-Pong-Slew
Leistung steigt sofort bei echtem Bedarf, sinkt aber erst, wenn die Räume stabil zufrieden sind – kein Flattern.
PV-Überschuss-Boost
Opt-in: nutzt Solar-Überschuss, um die Gebäudemasse vorzuladen, statt Strom billig einzuspeisen.
Inverter-Setpoint-Strategie
Proportionaler Offset erzwingt echte Inverter-Leistung, statt gegen die interne Totzone zu kämpfen.
Gestuftes Idle + TRV-Setback
Erst absenken, dann (optional) ausschalten. Hält auch träge Heizkörper reaktionsbereit statt sie auskühlen zu lassen.
Viele Feinheiten
AC vom Heizen aussperren, Outdoor-Gates, Urlaubs-Aktion, fensterabhängige Pause pro Modus, Panel-Fixes.
Original vs. Fork – wer macht was?
Das Gehirn kommt vom Original. Mein Fork legt – opt-in und abwärtskompatibel – eine Tuning-Schicht für Daikin-Multisplit-Anlagen (über Faikin) obendrauf.
| Bereich | Original RoomMind · snazzybean | Mein Fork · Zusatz |
|---|---|---|
| Lernen & Vorhersage | Selbstlernendes EKF-Thermomodell, MPC-Optimierer, Solar-Gewinn-Lernen | — 1:1 übernommen |
| Heizkörper / TRVs | Proportionale Setpoints, Ventilschutz | Gestuftes Idle + TRV-Setback (träge Heizkörper bleiben reaktionsbereit) |
| Klimageräte (AC) | Managed-/Full-Control, Setpoint-Modus (proportional/direkt) | Faikin-Demand-% (Kompressor-Kapazität steuern), AC-Heiz-Lockout bis 30 °C (Original max 5 °C) |
| Kompressor / Außeneinheit | Gruppen-Schutz (Min-Lauf/Aus-Zeiten), Outdoor-Gates (kein Kühlen <16 °C, kein Heizen >22 °C) | Einheitlichen Modus erzwingen + Außentemp-Konfliktlösung, Anti-Ping-Pong-Slew + Diagnose-Zähler, Wetter-Feedforward + Δ-Trim |
| Energie / PV | — | PV-Überschuss-Boost (+ optionales Batterie-SOC-Gate) |
| Komfort-Logik | Fenster-Pause, Urlaub, Anwesenheit, Schimmel-Risiko (DIN 4108-2), Zeitpläne | Fenster-Pause pro Modus, konfigurierbare Urlaubs-Aktion (Heizen aus, Kühlen weiter) |
| Oberfläche | Management-Panel, Analyse-Dashboard | Panel-Fixes (HA-2026.5-Polyfill, Cache-Buster) |
Alle Fork-Zusätze sind opt-in oder abwärtskompatibel. Das vollständige, originale RoomMind: snazzybean/roommind.
Lernen → Planen → Stellen
Lernen
Das Modell beobachtet Temperaturverlauf, Wetter und Sonne und baut ein Wärmemodell deines Raums.
Planen
Der MPC-Optimierer rechnet voraus, welche Leistung die Zieltemperatur am effizientesten hält.
Stellen
Daraus werden eine Kompressor-Kapazität (%) und proportionale Setpoints – über Faikin an die Daikin-Köpfe.
Über HACS einbinden
RoomMind ist eine Home-Assistant-Integration und wird als benutzerdefiniertes HACS-Repository installiert.
HACS öffnen
HACS → ⋮ → Benutzerdefinierte Repositories.
Repo hinzufügen
github.com/turbolooser/roommind, Kategorie Integration.
Installieren
RoomMind installieren, dann Home Assistant neu starten.
Einrichten
Einstellungen → Geräte & Dienste → Integration hinzufügen → RoomMind.