Brug GPT til at analysere IAMMETER Cloud energi-data

📘 Introduktion

Denne tutorial viser, hvordan du forbinder din IAMMETER Cloud-konto til ChatGPT (eller IAMMETER Assistant), henter dine smartenergimåler-data via IAMMETER's åbne API og automatisk genererer en AI-drevet energioptimeringsrapport.

Det fungerer for alle IAMMETER-produkter, herunder:

🏠 WEM3080 — Enfaset hjemmeenergiovervågning
⚙️ WEM3080T / WEM3080TD — Trefasede energimålere
☀️ Solcelle- og PV-overvågningssystemer

🧩 Trin 1 — Forberedelse

1️⃣ Log ind på IAMMETER Cloud

👉 /login

2️⃣ Hent din API-token

Efter login skal du klikke på dit profilikon (øverst til højre)
Vælg "Indstillinger->Token"
Kopier din token — den ser sådan ud (kun et eksempel):
```
xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
```

3️⃣ Forbind til GPT

I ChatGPT (eller IAMMETER Assistant) skal du skrive:

My IAMMETER API Token is xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx

GPT vil forbinde til din IAMMETER Cloud-konto og liste alle tilgængelige anlæg og målere.

⚙️ Trin 2 — Hent anlægs- og måleroplysninger

GPT vil returnere en oversigt som denne:

Anlægsnavn	Type	Realtidseffekt	Månedlig energi	PV aktiveret
Home Energy Monitor	Enkeltfase	2400 W	272 kWh	Nej
Solar PV System	PV	–870 W	211 kWh	✅ Ja

🔎 Trin 3 — Vælg et anlæg til analyse

Fortæl GPT:

I want to analyze the Home Energy Monitor site

GPT vil bede om dit måler-serienummer (SN). Du kan finde det i IAMMETER Cloud → Enhedsliste, for eksempel:

70B3D5XXXXXX

📊 Trin 4 — Kør effektanalysen

GPT vil kalde det officielle IAMMETER Cloud API-endepunkt: 👉 System-API-dokumentation

Eksempel:

GetPowerAnalysis(sn="70B3D5XXXXXX", startTime="2025-11-21", endTime="2025-11-28")

Eksempel på resultat:

Måling	Værdi
Gennemsnitlig effekt	497.2 W
Maksimal effekt	5598 W
Minimum effekt	64 W
Gennemsnitlig dageffekt	480.8 W

🌱 Trin 5 — Eksempel på AI-energioptimeringsrapport

Nedenfor er et eksempel på en GPT-genereret energieffektivitetsrapport baseret på IAMMETER Cloud-data.

⚡ Indsigt i husstandens energiforbrug

Gennemsnitlig belastning ≈ 500 W
Højere belastning om natten — sandsynligvis fra vandvarmer eller aircondition
Spidsbelastning op til 5,6 kW — korte højforbrugshændelser registreret

💡 Optimeringsforslag

Kategori	Anbefaling	Potentielle besparelser
Standby-effekt	Sluk inaktive stik med smartstik	~8–10%
Vandvarmerstyring	Planlæg drift uden for spidsbelastning eller i soltimer	~10–15%
Spidsbelastningsstyring	Undgå at køre flere tunge enheder samtidig	~5–8%

Samlet besparelsespotentiale: ≈ 20–25% (≈ 1.700 kWh/år, ≈ 120–150 USD)

🧠 Trin 6 — Valgfri smart-styringsintegration

Du kan kombinere IAMMETER-data + AI-indsigt til automatiseret styring med åbne platforme:

Platform	Beskrivelse
🏠 Home Assistant	Realtidsstyring via MQTT-integration
🧩 Node-RED	Byg smarte logik-flow (f.eks. afbryd strømmen over 3 kW)
☁️ ThingsBoard	Opret dashboards og forudsig tendenser
🔌 WPC3700 Wi-Fi-effektstyring	Brug solcelleoverskud til varmestyring

🏁 Trin 7 — Opsummering

Trin	Handling	GPT-funktion
1	Hent API-token	Autentificér bruger
2	Forbind til IAMMETER Cloud	Vis anlæg og målere
3	Angiv måler-SN	Identificér enhed
4	Kør effektanalyse	Hent effektdata
5	Generér rapport	AI-baseret energiindsigt
6	(Valgfrit) Integrér styring	Aktiver automatisering