Bruk GPT til å analysere IAMMETER Cloud-energidata

📘 Introduksjon

Denne veiledningen viser hvordan du kobler IAMMETER Cloud-kontoen din til ChatGPT (eller IAMMETER Assistant), henter data fra den smarte energimåleren din via IAMMETERs åpne API, og automatisk genererer en AI-drevet rapport for energiopptimering.

Den fungerer for alle IAMMETER-produkter, inkludert:

🏠 WEM3080 — enfaset energiovervåking for hjemmet
⚙️ WEM3080T / WEM3080TD — trefasede energimålere
☀️ Solcelle-PV-overvåkingssystemer

🧩 Trinn 1 — Forberedelser

1️⃣ Logg inn på IAMMETER Cloud

👉 /login

2️⃣ Hent API-tokenen din

Etter innlogging klikker du på profilikonet (øverst til høyre)
Velg "Settings->Token"
Kopier tokenen din — den ser slik ut (kun et eksempel):
```
xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
```

3️⃣ Koble til GPT

I ChatGPT (eller IAMMETER Assistant) skriver du:

My IAMMETER API Token is xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx

GPT vil koble seg til IAMMETER Cloud-kontoen din og liste opp alle tilgjengelige anlegg og målere.

⚙️ Trinn 2 — Hent informasjon om anlegg og målere

GPT vil returnere en oversikt som dette:

Anleggsnavn	Type	Sanntidseffekt	Månedlig energi	PV aktivert
Home Energy Monitor	Enfase	2400 W	272 kWh	Nei
Solar PV System	PV	–870 W	211 kWh	✅ Ja

🔎 Trinn 3 — Velg et anlegg for analyse

Si til GPT:

I want to analyze the Home Energy Monitor site

GPT vil spørre etter målernummeret (SN) ditt. Du finner det i IAMMETER Cloud → Device List, for eksempel:

70B3D5XXXXXX

📊 Trinn 4 — Kjør effektanalysen

GPT vil kalle endpointen til det offisielle IAMMETER Cloud API: 👉 Dokumentasjon for System API

Eksempel:

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

Eksempel på resultat:

Måling	Verdi
Gjennomsnittlig effekt	497.2 W
Maksimal effekt	5598 W
Minimum effekt	64 W
Gjennomsnittlig effekt på dagtid	480.8 W

🌱 Trinn 5 — Eksempel på AI-basert rapport for energiopptimering

Nedenfor er et eksempel på en GPT-generert energieffektivitetsrapport basert på IAMMETER Cloud-data.

⚡ Innsikt i husholdningens energiforbruk

Gjennomsnittlig last ≈ 500 W
Høyere last om natten — sannsynligvis fra varmtvannsbereder eller klimaanlegg
Topplast opptil 5,6 kW — korte hendelser med høyt forbruk ble registrert

💡 Optimaliseringsforslag

Kategori	Anbefaling	Potensielle besparelser
Standby-strøm	Slå av ubrukte plugger med smarte stikkontakter	~8–10 %
Styring av varmtvannsbereder	Planlegg drift utenfor høylasttimer eller i soltimer	~10–15 %
Håndtering av topplast	Unngå å kjøre flere tunge apparater samtidig	~5–8 %

Totalt besparelsespotensial： ≈ 20–25 % (≈ 1 700 kWh/år, ≈ $120–150 USD)

🧠 Trinn 6 — Valgfri integrering av smart styring

Du kan kombinere IAMMETER-data med AI-innsikt for automatisert styring ved hjelp av åpne plattformer:

Plattform	Beskrivelse
🏠 Home Assistant	Sanntidsstyring via MQTT-integrasjon
🧩 Node-RED	Bygg smarte logikkflyter (f.eks. kutt strømmen over 3 kW)
☁️ ThingsBoard	Lag instrumentpaneler og forutsi trender
🔌 WPC3700 Wi-Fi Power Controller	Bruk overskudd fra solceller til varmestyring

🏁 Trinn 7 — Oppsummering

Trinn	Handling	GPT-egenskap
1	Hent API-token	Autentiser bruker
2	Koble til IAMMETER Cloud	List opp anlegg og målere
3	Oppgi målernummer (SN)	Identifiser enhet
4	Kjør effektanalyse	Hent effektdata
5	Generer rapport	AI-baserte energiinnsikter
6	(Valgfritt) Integrer styring	Aktiver automatisering