Skip to main content
Glama
Sign In
REE MCP Server

REE MCP Server

by ESJavadex
OverviewSchemaSourceRelated ServersDiscussionsAdmin
Python
Remote

⚡ REE MCP Server

CI/CD Python 3.11+ License: MIT Code style: ruff Type checked: mypy

Habla con la red eléctrica española a través de Claude - sin conocimientos técnicos

Pregunta a Claude sobre demanda, generación, precios y emisiones de electricidad en España usando lenguaje natural. Él se encarga de todos los detalles técnicos.

Construido con Domain-Driven Design y Clean Architecture por Javi Santos - Especialista en IA y Robótica con investigación publicada en visión por computador e interpretabilidad de LLMs.

💡 ¿Quieres aprender a construir proyectos así? Únete a La Escuela de IA - la comunidad donde aprenderás IA práctica, sin humo, con ejemplos reales en español.

🎯 ¿Qué Hace Este Servidor?

Red Eléctrica de España (REE) gestiona la red eléctrica española 24/7, publicando datos cada 5 minutos. Este servidor MCP hace esos datos accesibles mediante conversación natural con Claude.

El Poder de Conversaciones con Datos Reales

Por Javi Santos

En lugar de escribir scripts de Python, imagina conversaciones como esta:

Tú: "Comprueba qué pasó el 28 de abril de 2025"

Claude: Analiza datos de la red...

🚨 EVENTO CRÍTICO DETECTADO - 28 de Abril de 2025 a las 12:35h

Colapso Masivo de la Red:

  • 11.000 MW perdidos en 5 minutos (caída del 43% de capacidad)

  • El sistema cayó de 25.184 MW → 14.185 MW instantáneamente

  • Compatible con escenario de apagón en cascada

  • La recuperación tardó más de 10 horas

Análisis:

  • 11:00-12:30: Sistema estable, sin avisos previos

  • 12:30-12:35: Fallo catastrófico instantáneo

  • 12:35-13:35: Degradación continua hasta mínimo de 9.635 MW

  • Causa probable: Disparo de planta nuclear → colapso de frecuencia → cascada

Este sería uno de los peores apagones de España en la historia moderna.

Ese es el poder de este servidor. Investiga eventos en la red, analiza tendencias renovables vs fósiles, correlaciona precios con demanda, o sigue la descarbonización de España - todo mediante conversación natural.

Sin documentación de API. Sin scripts. Solo pregunta.

Related MCP server: fronius-mcp

🚀 Instalación (3 minutos)

1️⃣ Clonar e Instalar

# Clonar el repositorio
git clone https://github.com/ESJavadex/ree-mcp.git
cd ree-mcp

# Instalar uv (gestor rápido de paquetes Python)
curl -LsSf https://astral.sh/uv/install.sh | sh
# O en macOS: brew install uv

# Crear entorno virtual e instalar
uv venv
source .venv/bin/activate  # En Windows: .venv\Scripts\activate
uv pip install -e ".[dev]"

2️⃣ Configurar Token de API

# Copiar el archivo de ejemplo (incluye token demo)
cp .env.example .env

# Editar .env si necesitas tu propio token
# REE_API_TOKEN=tu_token_aqui

Obtener Token:

3️⃣ Añadir a Claude Code

# Ejecutar el script de instalación
./INSTALL_COMMAND.sh

# Verificar
claude mcp list

Deberías ver ree-mcp: ✓ Connected.

4️⃣ ¡Listo! Empieza a Preguntar

Abre Claude Code y prueba:

  • "Muéstrame la demanda eléctrica actual de España"

  • "¿Cuál es el mix de generación ahora?"

  • "Compara generación solar vs eólica hoy"

💬 ¿Qué Puedes Preguntar?

📊 Operaciones en Tiempo Real

  • "¿Cuál es la demanda eléctrica de España ahora mismo?"

  • "Muéstrame el mix de generación al mediodía"

  • "¿Cuánta energía exportó España ayer?"

  • "Compara la demanda de hoy con la semana pasada"

  • "¿Qué está generando cada central ahora? (nuclear, eólica, solar...)"

🔍 Investigación y Análisis de Eventos

  • "Investiga qué pasó el 28 de abril de 2025"

  • "¿Hubo actividad inusual en la red el mes pasado?"

  • "Encuentra el día de pico de demanda este año y explica por qué"

  • "Analiza la correlación entre generación eólica y precios"

  • "Detecta patrones anómalos en la última semana"

  • "¿Cuándo fue la última vez que hubo un apagón o evento crítico?"

🌱 Energías Renovables y Emisiones

  • "¿Cuánta energía solar está generando España?"

  • "Compara generación renovable vs fósil esta semana"

  • "¿Cuáles son las emisiones de CO₂ actuales? (gCO₂/kWh)"

  • "Muéstrame la tendencia de energía eólica en los últimos 30 días"

  • "¿Qué porcentaje de la demanda viene de renovables?"

  • "¿Cuándo fue el día más limpio (menos CO₂) este mes?"

💰 Análisis de Precios y Mercado

  • "¿Cuál es el precio SPOT de electricidad ahora?"

  • "Encuentra las horas más baratas para consumir electricidad hoy"

  • "Compara tarifas PVPC entre días laborables y fines de semana"

  • "¿Cuándo fue la electricidad más cara este mes? ¿Por qué?"

  • "Muéstrame la correlación entre precios y generación renovable"

⚙️ Estabilidad de Red y Almacenamiento

  • "¿Cómo está la estabilidad de la red ahora? (inercia síncrona vs renovable variable)"

  • "¿Se están usando las centrales de bombeo para almacenar energía?"

  • "Muéstrame los flujos de importación/exportación con Francia y Portugal"

  • "¿Cuándo bombea agua la red y cuándo la turbina?"

🔎 Descubrimiento de Datos

  • "Busca todos los indicadores relacionados con 'nuclear'"

  • "¿Qué datos hay disponibles sobre generación hidroeléctrica?"

  • "Muéstrame todos los indicadores de precios"

  • "Lista los indicadores disponibles de emisiones y sostenibilidad"

📈 Comparativas y Tendencias

  • "Compara la demanda de este mes vs el mismo mes del año pasado"

  • "¿Cómo ha evolucionado la generación solar en los últimos 6 meses?"

  • "Muéstrame el balance neto de exportación/importación del último mes"

  • "¿Cuándo alcanzamos el pico histórico de generación renovable?"

Claude usa automáticamente las herramientas correctas, obtiene los datos y los presenta en contexto con análisis detallado.

🎓 Aprende a Construir Proyectos como Este

Este proyecto fue creado por Javi Santos, Especialista en IA y Robótica con investigación publicada en:

  • 🔬 Detección de gasas quirúrgicas usando Redes Neuronales Convolucionales

  • 🧠 Interpretabilidad de Modelos de Lenguaje en escenarios de conocimiento diverso

📚 La Escuela de IA

¿Quieres aprender IA sin humo y construir proyectos como este?

Únete a La Escuela de IA - la comunidad española de aprendizaje de IA donde encontrarás:

  • 🎯 Práctica real - Construye proyectos reales de IA, no ejemplos de juguete

  • 🇪🇸 Contenido en español - Por fin, educación en IA en tu idioma

  • 🛠️ Recursos prácticos - Código, tutoriales y ejemplos hands-on

  • 👥 Comunidad activa - Aprende con otros entusiastas de la IA hispanohablantes

👉 Únete a La Escuela de IA

📺 Canal de YouTube

Suscríbete a JavadexAI para:

  • 🎥 Tutoriales de IA y recorridos de proyectos

  • 💡 Aplicaciones de LLMs y servidores MCP

  • 🚀 Estrategias de implementación de IA en el mundo real

🤝 Conecta

🔥 Características Técnicas

✅ Listo para Producción

  • Reintentos automáticos con backoff exponencial

  • Manejo exhaustivo de errores y validación

  • Async/await para rendimiento óptimo

  • 96 tests exhaustivos con 90% cobertura

🏗️ Arquitectura Robusta

  • Domain-Driven Design - Lógica de negocio pura

  • Clean Architecture - Separación clara de responsabilidades

  • Principios SOLID - Código mantenible y extensible

  • Type Safety - 100% tipado con mypy modo estricto

📊 Datos Completos

  • Acceso a 1.967+ indicadores de REE

  • Datos cada 5 minutos en tiempo real

  • Histórico completo disponible

  • 14 herramientas MCP especializadas

🤝 Contribuir

¡Las contribuciones son bienvenidas! Ver CLAUDE.md para guía detallada de desarrolladores.

Este código sigue principios arquitectónicos estrictos:

  • Domain-Driven Design

  • Clean Architecture

  • Principios SOLID

  • Testing exhaustivo

💬 Soporte y Recursos

Problemas y Preguntas

Aprende Más

Recursos

📄 Licencia

MIT License con Descargo de Responsabilidad - Ver archivo LICENSE para detalles completos.

⚠️ Proyecto Educativo: Este software se proporciona "tal cual" sin garantías. Úsalo bajo tu propio riesgo.

Construido con ❤️ usando Domain-Driven Design y mejores prácticas modernas de Python

⭐ ¡Dale una estrella al repo si te resulta útil!

Available Tools

18 tools
analyze_demand_volatilityA

Analyze demand volatility patterns over a period.

Calculates daily demand swings, load factors, and volatility levels to identify high-variability days and overall stability patterns.

Args: start_date: Start date in YYYY-MM-DD format end_date: End date in YYYY-MM-DD format

Returns: JSON string with volatility analysis and stability assessment.

Examples: Analyze volatility for a week: >>> await analyze_demand_volatility("2025-10-01", "2025-10-07")

Analyze volatility for a month:
>>> await analyze_demand_volatility("2025-10-01", "2025-10-31")

Inputs: start_date (required), end_date (required). Returns: result

compare_forecast_actualA

Compare forecasted vs actual electricity demand.

Calculates forecast accuracy metrics (error, MAE, RMSE) for demand predictions.

Args: date: Date in YYYY-MM-DD format

Returns: JSON string with forecast comparison and accuracy metrics.

Examples: Compare forecast accuracy for Oct 8: >>> await compare_forecast_actual("2025-10-08")

Inputs: date (required). Returns: result

get_carbon_intensityA

Get carbon intensity over time (gCO2/kWh).

Calculates CO2 emissions per unit of electricity generated. Lower values indicate cleaner energy mix.

Args: start_date: Start datetime in ISO format (YYYY-MM-DDTHH:MM) end_date: End datetime in ISO format (YYYY-MM-DDTHH:MM) time_granularity: Time aggregation (raw, hour, day, fifteen_minutes)

Returns: JSON string with carbon intensity time series and statistics.

Examples: Get hourly carbon intensity for a day: >>> await get_carbon_intensity("2025-10-08T00:00", "2025-10-08T23:59", "hour")

Get daily carbon intensity for a week:
>>> await get_carbon_intensity("2025-10-01T00:00", "2025-10-07T23:59", "day")

Inputs: start_date (required), end_date (required), time_granularity. Returns: result

get_daily_demand_statisticsA

Get daily demand statistics for a period.

Provides comprehensive daily demand analysis including maximum, minimum, and sum of generation values for each day in the specified period.

Args: start_date: Start date in YYYY-MM-DD format end_date: End date in YYYY-MM-DD format

Returns: JSON string with daily statistics and overall summary.

Examples: Get statistics for a week: >>> await get_daily_demand_statistics("2025-10-01", "2025-10-07")

Get statistics for a month:
>>> await get_daily_demand_statistics("2025-10-01", "2025-10-31")

Inputs: start_date (required), end_date (required). Returns: result

get_demand_summaryA

Get a summary of electricity demand for a specific date.

Convenience tool that fetches key demand indicators (real demand, forecast, max/min) for a given date.

Args: date: Date in YYYY-MM-DD format (default: 2025-10-08)

Returns: JSON string with demand summary.

Examples: Get today's demand summary: >>> await get_demand_summary("2025-10-11")

Inputs: date. Returns: result

get_generation_mixA

Get the electricity generation mix at a specific time.

Returns the power generation breakdown by source (nuclear, wind, solar, etc.) for a specific hour.

Args: date: Date in YYYY-MM-DD format hour: Hour in HH format (00-23, default: 12)

Returns: JSON string with generation mix by source.

Examples: Get generation mix at noon on Oct 8: >>> await get_generation_mix("2025-10-08", "12")

Get overnight generation mix:
>>> await get_generation_mix("2025-10-08", "02")

Inputs: date (required), hour. Returns: result

get_generation_mix_timelineA

Get generation mix over time for a full day or period.

Returns generation breakdown by source across multiple time points, useful for visualizing energy transition patterns.

Args: date: Date in YYYY-MM-DD format time_granularity: Time aggregation (hour or day, default: hour)

Returns: JSON string with generation mix timeline.

Examples: Get hourly generation mix for a day: >>> await get_generation_mix_timeline("2025-10-08", "hour")

Get daily generation mix for a month:
>>> await get_generation_mix_timeline("2025-10-01", "day")

Inputs: date (required), time_granularity. Returns: result

get_grid_stabilityA

Get grid stability metrics at a specific time.

Analyzes synchronous generation (provides inertia) vs variable renewables (no inertia) to assess grid stability risk.

Args: date: Date in YYYY-MM-DD format hour: Hour in HH format (00-23, default: 12)

Returns: JSON string with grid stability analysis.

Examples: Get grid stability at noon: >>> await get_grid_stability("2025-10-08", "12")

Check overnight stability:
>>> await get_grid_stability("2025-10-08", "02")

Inputs: date (required), hour. Returns: result

get_indicator_dataA

Get time-series data for a specific electricity indicator.

Retrieves historical data for any REE indicator (demand, generation, prices, etc.) for a specified date range. Returns the data with statistical summary.

Args: indicator_id: The indicator ID (e.g., 1293 for real demand, 549 for nuclear) start_date: Start datetime in ISO format (YYYY-MM-DDTHH:MM) end_date: End datetime in ISO format (YYYY-MM-DDTHH:MM) time_granularity: Time aggregation level (raw, hour, day, fifteen_minutes)

Returns: JSON string with indicator metadata, time-series values, and statistics.

Examples: Get hourly real demand for Oct 8, 2025: >>> await get_indicator_data(1293, "2025-10-08T00:00", "2025-10-08T23:59", "hour")

Get 5-minute wind generation data:
>>> await get_indicator_data(2038, "2025-10-08T00:00", "2025-10-08T03:00", "raw")

Inputs: indicator_id (required), start_date (required), end_date (required), time_granularity. Returns: result

get_international_exchangesA

Get international electricity exchanges at a specific time.

Returns import/export data by country (Andorra, Morocco, Portugal, France) with net balance calculations.

Args: date: Date in YYYY-MM-DD format hour: Hour in HH format (00-23, default: 12)

Returns: JSON string with imports, exports, and net balance by country.

Examples: Get exchanges at noon on Oct 8: >>> await get_international_exchanges("2025-10-08", "12")

Get overnight exchanges:
>>> await get_international_exchanges("2025-10-08", "02")

Inputs: date (required), hour. Returns: result

get_peak_analysisB

Get peak demand analysis over a period.

Analyzes daily maximum and minimum demand to identify patterns and calculate load factors.

Args: start_date: Start date in YYYY-MM-DD format end_date: End date in YYYY-MM-DD format

Returns: JSON string with peak demand analysis.

Examples: Get peak analysis for a week: >>> await get_peak_analysis("2025-10-01", "2025-10-07")

Get peak analysis for a month:
>>> await get_peak_analysis("2025-10-01", "2025-10-31")

Inputs: start_date (required), end_date (required). Returns: result

get_price_analysisA

Get electricity price analysis over time.

Analyzes SPOT market prices with statistics and multi-country comparison. Note: SPOT price indicator returns data for multiple European countries. Use geo_filter to focus on a specific market.

Args: start_date: Start datetime in ISO format (YYYY-MM-DDTHH:MM) end_date: End datetime in ISO format (YYYY-MM-DDTHH:MM) geo_filter: Optional geographic filter (e.g., "Península", "Portugal", "France") If not specified, returns all countries

Returns: JSON string with price data and analysis.

Examples: Get Spanish hourly prices for a day: >>> await get_price_analysis("2025-10-08T00:00", "2025-10-08T23:59", "Península")

Get all countries' prices for comparison:
>>> await get_price_analysis("2025-10-08T00:00", "2025-10-08T23:59")

Inputs: start_date (required), end_date (required), geo_filter. Returns: result

get_pvpc_rateA

Get the PVPC regulated electricity rate at a specific time.

Returns the PVPC (Precio Voluntario para el Pequeño Consumidor) rate, which is the regulated retail electricity price for consumers in Spain.

Args: date: Date in YYYY-MM-DD format hour: Hour in HH format (00-23, default: 12)

Returns: JSON string with PVPC rate data.

Examples: Get PVPC rate at noon on Oct 8: >>> await get_pvpc_rate("2025-10-08", "12")

Get PVPC rate at midnight:
>>> await get_pvpc_rate("2025-10-08", "00")

Inputs: date (required), hour. Returns: result

get_renewable_summaryA

Get renewable energy generation summary at a specific time.

Aggregates wind, solar PV, solar thermal, and hydro generation with renewable percentage calculations.

Args: date: Date in YYYY-MM-DD format hour: Hour in HH format (00-23, default: 12)

Returns: JSON string with renewable generation breakdown and percentages.

Examples: Get renewable summary at noon: >>> await get_renewable_summary("2025-10-08", "12")

Get overnight renewable summary:
>>> await get_renewable_summary("2025-10-08", "02")

Inputs: date (required), hour. Returns: result

get_spain_hourly_pricesA

Get Spanish hourly electricity prices (SPOT market) for a specific day.

Returns the 24 hourly prices for the Spanish Peninsular market (OMIE/MIBEL). This is the simplified version focused only on Spain, perfect for checking daily electricity costs.

Args: date: Date in YYYY-MM-DD format

Returns: JSON string with hourly prices, min/max/average, and the cheapest/most expensive hours.

Examples: Get today's hourly prices: >>> await get_spain_hourly_prices("2025-10-19")

Inputs: date (required). Returns: result

get_storage_operationsA

Get pumped storage operations for a day.

Shows pumping consumption (storing energy) and turbining (releasing energy) to identify arbitrage opportunities and storage efficiency.

Args: date: Date in YYYY-MM-DD format

Returns: JSON string with storage operations and efficiency metrics.

Examples: Get storage operations for Oct 8: >>> await get_storage_operations("2025-10-08")

Inputs: date (required). Returns: result

list_indicatorsA

List all available electricity indicators from REE.

Returns metadata for all 1,967+ available indicators including their IDs, names, units, frequencies, and geographic scopes.

Args: limit: Maximum number of indicators to return (default: all) offset: Number of indicators to skip for pagination (default: 0)

Returns: JSON string with list of indicator metadata.

Examples: Get first 50 indicators: >>> await list_indicators(limit=50, offset=0)

Get all indicators:
>>> await list_indicators()

Inputs: limit, offset. Returns: result

search_indicatorsA

Search for indicators by keyword in their names.

Searches through all available indicators and returns those matching the keyword in their name or short name.

Args: keyword: Keyword to search for (e.g., "demanda", "precio", "solar") limit: Maximum number of results (default: 20)

Returns: JSON string with matching indicator metadata.

Examples: Find all demand-related indicators: >>> await search_indicators("demanda", limit=10)

Find price indicators:
>>> await search_indicators("precio")

Find solar generation indicators:
>>> await search_indicators("solar")

Inputs: keyword (required), limit. Returns: result

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    Deploy Server
    One endpoint for every MCP toolRayrun runs every MCP server behind one URL and holds the credentials. Each call is decided per client, tool, and argument, then recorded.ray.runAd

    TDQS

    A4/5.0

    Scored across 18 tools

    Disambiguation4/5

    Most tools have clearly distinct purposes (demand, generation, prices, etc.), but get_indicator_data is a generic tool that can retrieve many of the same data types as dedicated tools, potentially causing confusion about which to use.

    Naming Consistency5/5

    All tool names follow a consistent verb_noun snake_case pattern (e.g., get_carbon_intensity, list_indicators), making the set predictable and easy to navigate.

    Tool Count5/5

    With 18 tools covering various aspects of electricity grid data (demand, generation, prices, storage, etc.), the count is well-scoped and each tool serves a specific role.

    Completeness5/5

    The tool surface covers major domain operations: demand, generation mix, carbon intensity, prices, storage, international exchanges, and indicator discovery. The generic get_indicator_data fills any gaps.

    Maintenance

    ActivityInactive
    ResponsivenessNo recent community issues

    Resources

    Related MCP Connectors

    Related MCP Servers

    • Energy Prediction MCP Server

      Davad122
      F
      license
      Not graded
      quality
      D
      maintenance
      Enables AI-powered analysis and prediction of household energy consumption through machine learning models, providing historical consumption breakdowns, price queries from Spanish electricity markets, and personalized energy optimization recommendations.
      -

    • fronius-mcp

      flowiesner
      A
      license
      A
      quality
      D
      maintenance
      Enables real-time solar data from Fronius inverters via Claude, allowing natural language queries about solar production, battery, and grid exchange.
      5
      1
      Apache 2.0

    • US ISO Grid MCP

      pipeworx-io
      A
      license
      Not graded
      quality
      C
      maintenance
      Enables real-time access to US electricity generation, fuel mix, and demand data through natural language queries.
      268 npm
      MIT

    • DC Hub Intelligence (Claude

      azmartone67
      A
      license
      Not graded
      quality
      B
      maintenance
      DC Hub is the live data layer for data-center siting that agents can query and cite. Its Data Center Power Index (DCPI) scores where data centers can get grid power across 300+ markets daily. Also 330,000+ mapped power, grid, gas and fiber assets. 94 MCP tools at https://dchub.cloud/mcp plus a REST API at https://dchub.cloud/api/v1. Free tier needs no key; paid plans: dchub.cloud/pricing.
      MIT