InfluxDB 5 und Grafana

Allgemein
1

Hallo Zusammen

ich nutze HA auf einem Raspberry und Habe Grafana 12 und InfluxDB 5 installiert. Leider arbeiten die beiden nicht perfekt zusammen . Wollte Grafana von InfluxQL auf Flex umstellen kann jedoch keinen Token erstellen. Vielleicht kann jemand helfen?

Problem ist zum Beispiel wenn ich den Tageswasserverbrauch darstellen möchte also Tageweise sind die Daten falsch. ich ziehe sie aus der Entität watermeter in l Value gesamt raus. Jedoch nutzt er falsche Datenpunkte.

Danke

LG

Powerdream

2

Grafana 12 und InfluxDB 5 installiert

“5”?

InfluxDB existiert in mehreren Versionen und Produktlinien, die sich funktional, architektonisch und lizenzrechtlich deutlich unterscheiden. Die wichtigste Unterscheidung verläuft zwischen InfluxDB 1.x, InfluxDB 2.x und InfluxDB 3.x.

Welches Version hast Du in Betrieb?

3

hi

das kann ich so nicht sagen nutze ja den addon in HA von InfluxDB . Wollte auf Flux umstellen

4

Dann sollte es 1.X sein, und 1.X unterstützt meines Wissens nicht Flux.

5

ok das ist blöd. denn wenn ich versuche zum Beispiel den Wasserverbrauch pro tag darzustellen bekomme ich Probleme da die Zeiten nicht passen . viele hat da jemand nen Tip für mich für so ein Dashboard

6

@Powerdream
'Also ich hätte ein FluxQL-Beispiel für die Energie-Einspeisung pro Monat, das man sicher auf pro Tag für Verbrauch ändern kann. Datenquelle ist bei mir der Wert einer kumulierenden Summe der Energieerzeugung der PV-Anlage: yieldtotal

import "date"

// Truncate to start of current year
currentYearStart = date.truncate(t: now(), unit: 1y)

// Add 1 year → 1 January of next year
nextYearStart = date.add(d: 1y, to: currentYearStart)

from(bucket: "open-dtu")
  |> range(start: -13mo, stop: nextYearStart)
  |> filter(fn: (r) => r["_measurement"] == "photovoltaic")
  |> filter(fn: (r) => r["_field"] == "yieldtotal")
  |> filter(fn: (r) => r["device"] == "{{YOUR_DEVICE_ID_HERE}}")
  |> filter(fn: (r) => r["status"] == "online")
  |> aggregateWindow(every: 1mo, fn: last, createEmpty: false)
  |> duplicate(column: "_value", as: "yieldtotal")
  |> map(fn: (r) => ({r with _field: "yielddiff"}))
  |> difference()
  |> timeShift(duration: -1mo)
  |> keep(columns: ["_time", "_value", "name"])

Diese Flux-Abfrage ist dafür konzipiert, den monatlichen Ertrag (Monthly Yield) der Photovoltaikanlage zu berechnen, basierend auf einem fortlaufenden Gesamtzähler yieldtotal.

Kurz gesagt: Sie wandelt einen ständig wachsenden Gesamtzähler in monatliche Werte um (d.h. wie viel Energie wurde in jedem einzelnen Monat produziert).

Hier ist die detaillierte Analyse Schritt für Schritt:

1. Zeitrahmen-Berechnung

import "date"
currentYearStart = date.truncate(t: now(), unit: 1y)
nextYearStart = date.add(d: 1y, to: currentYearStart)

  • Hier werden Variablen definiert, um den Zeitraum sauber auf das Kalenderjahr auszurichten.

  • Es wird der Start des aktuellen Jahres und der Start des nächsten Jahres berechnet.

2. Datenabruf & Filterung

from(bucket: "open-dtu")
  |> range(start: -13mo, stop: nextYearStart)
  |> filter(fn: (r) => r["_measurement"] == "photovoltaic")
  |> filter(fn: (r) => r["_field"] == "yieldtotal")
  |> filter(fn: (r) => r["device"] == "{{YOUR_DEVICE_ID_HERE}}")
  |> filter(fn: (r) => r["status"] == "online")

  • range(start: -13mo)Es werden Daten der letzten 13 Monate geladen. Das ist wichtig, weil die Funktion difference() immer einen vorherigen Wert benötigt. Um den Januar-Ertrag zu berechnen, braucht man den Zählerstand vom Dezember.

  • _field == "yieldtotal" Es wird der Gesamtertrag seit Installation (Total Lifetime Yield) aus der InfluxDB abgerufen.

  • filter Filtert auf ein spezifisches Gerät (hier muss die ID noch eingetragen werden) und ich nehme nur Datenpunkte, wo der Status “online” war (nachts nicht :wink:)

3. Aggregation (Das Herzstück)

|> aggregateWindow(every: 1mo, fn: last, createEmpty: false)

  • Das ist der wichtigste Schritt. Die Daten werden in 1-Monats-Fenster gruppiert.

  • fn: last: Es wird jeweils der allerletzte Wert des Monats genommen. Da yieldtotal eben eine ansteigende Summe ist, repräsentiert der letzte Wert im Januar den gesamten Ertrag bis Ende Januar.

4. Differenzbildung

|> duplicate(column: "_value", as: "yieldtotal")
|> map(fn: (r) => ({r with _field: "yielddiff"}))
|> difference()

  • difference() Dies berechnet den Unterschied zwischen den benachbarten Monaten.

    • Beispiel: (Zählerstand Ende Februar) MINUS (Zählerstand Ende Januar) = Produktion im Februar.

  • Ohne diesen Schritt hättest Du nur eine stetig steigende Kurve. Mit diesem Schritt erhältst du die tatsächliche Produktion pro Monat.

5. Zeitkorrektur

|> timeShift(duration: -1mo)

  • Wenn InfluxDB Zeitfenster aggregiert, wird der Zeitstempel oft auf das Ende des Fensters gesetzt (z.B. bekommt der Januar-Wert den Zeitstempel 1. Februar).

  • Dieser timeShift schiebt das Ergebnis um einen Monat zurück, damit der Balken im Diagramm korrekt über “Januar” steht und nicht über “Februar”.

6. Aufräumen

|> keep(columns: ["_time", "_value", "name"])

  • Am Ende werden nur die relevanten Spalten behalten, um die Tabelle übersichtlich zu halten.

Zusammenfassung der Logik

Stell Dir meinen Stromzähler vor:

  1. Input: Der Zählerstand (Total) am Ende jeden Monats:

    • Jan: 1000 kWh

    • Feb: 1150 kWh

    • Mär: 1350 kWh

  2. difference()macht daraus:

    • Feb: 150 kWh (1150 - 1000)

    • Mär: 200 kWh (1350 - 1150)

  3. timeShift(-1mo) korrigiert das Datum:

  • Der Wert 150 kWh wird dem Januar (oder Februar, je nach Logik des Fensters) zugeordnet, damit er graphisch im richtigen Monat erscheint.
2 „Gefällt mir“