Veer.io Energie-Monitoring mit Grafana

Ausgangssituation

Veer.io installiert Smart Meter in Fabriken und misst Energieflüsse live – "Energy Data as a Service". Für vier Industrie- und Gewerbestandorte in Westafrika liefen bereits 45 Messpunkte.

Das Problem:

• Rohdaten ohne Kontext: 15-Minuten-Leistungsmesswerte lagen in PostgreSQL – aussagekräftig für Ingenieure, aber nicht für Kunden
• Keine Kostentransparenz: Kunden konnten Verbrauch und Kosten nicht einzelnen Abteilungen zuordnen
• Stromrechnungen als Blackbox: Die Rechnungen des Versorgers ließen sich nicht nachvollziehen oder prüfen
• Kein Anlagenschutz: Transformatorschäden und Anlagenstress fielen erst auf, wenn Equipment bereits litt
• Keine Effizienzmessung: Der Zusammenhang zwischen Energieverbrauch und Produktionsmenge (kWh pro Tonne) war nicht sichtbar

Meine Aufgabe: Die Rohdaten in Ansichten verwandeln, mit denen Kunden ihre Energiekosten verstehen, ihre Stromrechnung prüfen und ihre Anlagen schützen können.

Phase 1: Anforderungen & Tarif-Modellierung

Ziel: Verstehen, welche Fragen die Dashboards beantworten müssen – und wie der Versorger tatsächlich abrechnet

Vorgehen:

• Kern-Anwendungsfälle definiert: Energieverbrauch & Kosten pro Abteilung ("Consumer Groups"), Nachbildung der Versorger-Stromrechnung ("Energy Bill") zur Rechnungsprüfung, Meter Health und Produktions-Performance (kWh pro Tonne)
• Die echten Time-of-Use-Stromtarife der Versorger analysiert und modelliert – inklusive Grundgebühren und tageszeitabhängiger Preise
• Entscheidung für Live-Berechnung: Kosten werden direkt in SQL gegen die Tarifmodelle berechnet, mit Trapez-Integration von Leistung zu kWh – kein Batch-Job, keine veralteten Zahlen

Phase 2: Datenmodell & Intake-Toolchain

Ziel: Kundendaten (Tarife, Produktionszahlen) zuverlässig und reproduzierbar in die Datenbank bringen

Vorgehen:

• Python-CLIs mit Pydantic-Validierung: Kunden liefern Tarife und Produktionsdaten als Excel – die Tools prüfen jede Zeile auf Typ und Plausibilität und wandeln sie in idempotentes SQL um
• Idempotenz: Jeder Import lässt sich gefahrlos wiederholen – keine Duplikate, keine Inkonsistenzen
• Qualitätssicherung: Automatisierte Tests, Typprüfung und Datenbank-Migrationen sichern jede Änderung ab
• Multi-Tenancy: Org-scoped PostgreSQL-Views stellen sicher, dass jeder Kunde ausschließlich seine eigenen Daten sieht

Phase 3: Dashboards as Code

Ziel: Eine Dashboard-Suite, die reproduzierbar, versioniert und für alle Standorte konsistent ist

Vorgehen:

• Kein Klicken in der UI: Dashboard- und Alert-JSON werden von Python-Skripten generiert und per Grafana-API deployed – nie von Hand editiert. Alles liegt versioniert in Git
• Consumer Groups: Energieverbrauch und Kosten pro Abteilung, live gegen die echten Time-of-Use-Tarife gerechnet
• Energy Bill: Nachbildung der Versorger-Stromrechnung inklusive Grundgebühren – Kunden können jede Rechnung gegen die eigenen Messdaten prüfen
• Meter Health: Überblick, ob alle 45 Messpunkte zuverlässig Daten liefern
• Produktions-Performance: kWh pro Tonne verbindet Energiedaten mit Produktionsmengen
• Self-Service: Kunden geben Produktionsdaten direkt im Dashboard über Formular-Panels ein – ohne Umweg über E-Mail oder Excel

Phase 4: Alerting & Benachrichtigung

Ziel: Transformatorschäden und Anlagenstress früh erkennen – bevor Equipment ausfällt

Vorgehen:

• 15 Alert-Regeln: 5 überwachte Parameter × 3 Schweregrade, wie die Dashboards per Skript generiert und deployed
• n8n-Webhook-Workflow: Grafana-Alerts laufen in einen n8n-Workflow, der Benachrichtigungen pro Standort verschickt
• Multi-Channel: Outlook-E-Mail und WhatsApp (Meta Graph API) – Kunden werden dort erreicht, wo sie ohnehin kommunizieren
• Empfänger-Routing & Eskalation: Über n8n Data Tables gepflegt – wer wird wann informiert, und an wen wird eskaliert, wenn niemand reagiert

Phase 5: Verifikation & Rollout

Ziel: Sicherstellen, dass Berechnungen stimmen und das System produktionsreif ist

Vorgehen:

• Gesamtes System in einer Testumgebung aufgebaut und mit echten Messdaten verifiziert – insbesondere die Tarifberechnungen der Energy-Bill-Ansicht
• Qualitäts-Gates konsequent durchgezogen: Tests, Typprüfung und Migrationen müssen grün sein, bevor etwas deployed wird
• Entwicklung mit KI-Coding-Agenten (Claude Code), abgesichert durch strukturierte Dokumentation und strikte Code-Qualitäts-Gates – Geschwindigkeit ohne Qualitätsverlust