编者按：
本文来自国家电投集团青海光伏产业创新中心有限公司副总经理、青海黄河智慧能源科技有限公司副总经理李江在 2026 时序数据技术创新大会上的报告。
在光伏与储能行业，一座实证基地每天会产生多少数据？
来自组件、逆变器、支架、储能系统和气象传感器的数据持续汇入平台。当多个基地横跨不同气候区域，设备来自不同厂商，数据结构和采样频率各不相同时，挑战便不只是“把数据存下来”，而是如何让这些数据长期可追溯、能够快速查询，并进一步服务科研分析与智能应用。
本文以国家光储实证实验平台为背景，分享大数据平台的架构演进，以及 IoTDB 在时序数据存储、查询、降采样和实时分析中的实践。
一、多基地、多设备、多时间尺度：实证数据的复杂性从何而来
据演讲介绍，光储实证实验平台（以下简称“平台”）目前已建成大庆、共和、甘孜三个基地，另有一个基地正在筹建。
不同基地覆盖不同气候区域，也承载着不同阶段的光伏和储能产品。平台采集的数据来自组件、支架、逆变器、储能系统以及辐照、风速、温度、倾角等传感器。由于设备厂商和产品类型较多，数据定义、测点结构和采样频率并不完全一致，新的设备与试验方案也在持续接入。
这使平台的数据同时具备来源多、结构复杂、时间跨度长、采样频率高，使用方式多样等特点。平台既要保留秒级原始数据，又要形成分钟级、小时级业务指标；既要支持单设备查询，也要满足跨设备、跨年度的数据分析。
李江在演讲中提到，四大实证基地部署超 2500 套高精度传感设备，平台测点规模约 60 万，每日入库数据超过 100 亿条，当前库存数据约 280 TB。李江认为，对国家级实证平台而言，秒级数据是否应该长期保存，是一个不能只看当下应用的问题。当前很多分析可能以分钟级数据为主，但随着时序模型和工业 AI 的发展，秒级原始数据可能产生新的研究价值。因此，平台需要同时保留可追溯的原始数据和不同粒度的业务指标。因此，他将时序数据库底座的核心要求概括为四个方面：存得下、查得快、算得动、用得好。
而团队之所以选用 IoTDB，一个重要原因是平台的数据以秒级时序数据为主，而 IoTDB 在长期存储和查询等时序场景进行了优化。在实际测试和使用过程中，团队重点关注了 IoTDB 的压缩比、跨年度查询、大批量数据抽取以及降采样等能力，并认为 IoTDB 这些能力与光储实证平台的使用需求都很匹配。
二、架构演进的关键，不是简单更换数据库
平台的数据架构并非一步到位。
早期方案采用分布式关系数据库与多种大数据组件组合。随着数据持续增长，原有架构逐渐暴露出稳定性、查询效率、压缩存储和运维复杂度等方面的挑战。随后，团队又引入商业化大数据体系，但在跨年度查询、大批量数据抽取和长期存储方面，仍需要进一步优化。
这段实践让团队逐渐形成一个判断：面对复杂工业数据，不必要求单一数据库承担全部任务，而应根据数据和查询特点进行专业分工。
在当前实践中，平台以 IoTDB 承担时序数据存储、查询和降采样，以 Doris 等分析数据库支撑复杂关联分析。目前，平台已将分钟级数据迁移至 IoTDB，并持续运行半年以上，随着方案的进一步验证，团队计划逐步将更多秒级数据纳入 IoTDB，形成以 IoTDB 为主要时序数据底座的数据架构。
三、一年多数据、近 2000 台设备：平台测试看到了什么？
为了验证新架构在真实数据下的表现，团队将平台数据导入后开展了多组测试。据李江介绍，测试使用了约一年的完整数据，覆盖近 2000 台设备，涉及设备维度明细查询、批量数据抽取、最新值查询、翻页及不同粒度的降采样等任务。其中，部分基准测试采用 200 台设备抽样，扩展测试则进一步覆盖全部设备，以比较不同数据库在实际业务负载下的表现。
测试结果显示，IoTDB 在多类数据访问任务中表现出明显优势。在单设备明细查询、最新值查询和降采样等典型场景下，多项任务的响应时间达到亚秒级；在50台设备、3小时明细查询测试中，IoTDB用时约0.30秒，比原有时序库快51倍。
在大批量明细数据读取方面，IoTDB 的测试吞吐率达到约 15.5 万点/秒，与原有时序库约 600 点/秒的性能相比，性能差距超过两个数量级。测试还覆盖了正向明细查询、倒序翻页和任意粒度降采样等不同访问方式。李江特别提到，并非所有数据库都能够直接支持灵活的降采样，而这项能力对于长时间范围的数据查看和在线曲线分析十分重要。
除了查询和降采样，IoTDB 还支持缺失值填补（FILL）等时序处理能力，可在查询过程中对缺失数据进行填补，为数据治理和后续分析提供支持。
四、树模型的价值，在于贴合工业设备的真实结构
在数据库选型中，查询和存储性能固然重要，但数据模型是否符合业务结构，同样会影响平台的长期使用成本。
在演讲中，李江还重点分享了平台在数据模型方面的考虑。
过去，平台需要在其他系统中维护设备关系，再为设备生成内部编码，将编码与时序数据进行关联。这种方式能够工作，却增加了模型维护以及内码、外码转换的复杂度。
结合实际使用体会，李江认为，IoTDB 的树模型对工业设备数据采集和管理非常友好。平台可以按照“基地—区域—设备—测点”等层级组织数据，这种结构与光伏、储能实证场景中的设备关系较为接近。而面对不同厂商的设备和持续增加的测点问题，树模型也能够根据业务需要扩展节点，并支持不同采样频率的数据管理。
在他看来，树模型的价值不只在于数据“怎么存”，也在于减少额外的数据关系维护，让数据组织方式更贴近设备现场。对于设备结构会持续变化的工业场景，这种灵活性能够降低数据接入和管理的复杂度。
李江同时提到，数据模型与数据库选型仍然需要结合行业特点和实际业务需求。在光伏、储能等工业现场，设备厂商众多、测点结构复杂且持续变化，IoTDB 树模型能够提供更加灵活的数据组织方式。而对于复杂多表关联分析、全场聚合统计等任务，Doris、StarRocks 等分析型数据库也有各自的优势。平台最终采用的不是非此即彼的选择，而是让不同系统承担各自擅长的任务。
五、从历史查询到在线实时分析
基于新的数据底座，团队构建了一套高性能在线实时分析系统，李江形象地称其为“高速示波器”。
高速示波器真实界面：DWD 层·周档
（含 3 条逆变器有功曲线）
在这一系统中，用户可以从复杂的设备目录中定位设备和测点，选择不同时间范围和采样粒度，查看多条数据曲线。演讲中提到，系统可以在约 50 万测点中进行检索和选择，并支持从分钟级数据切换到年度范围的数据展示；在同时加载约 30 条曲线的情况下，仍可实现秒级加载。
李江提到，平台对数据库的关注不只是写入速度，也包括数据访问和降采样效率。对于科研和运维人员来说，能否快速获得合适粒度的数据，直接影响分析效率。基于 IoTDB 的查询和降采样能力，使平台可以减少对固定粒度中间数据的依赖，并重新评估数仓中部分数据加工层的必要性。
高速示波器真实界面：D 库·月档
（含 3 条逆变器有功曲线）
在李江看来，这项应用对两类性能提出了直接要求：一是数据访问速度，二是降采样速度。代码优化和并发处理固然重要，但 IoTDB 对降采样的支持，是这套“高速示波器”能够落地的重要基础。
从实际使用体验看，同一台设备、同一时间窗口下，IoTDB 的加载速度约为 Doris 的 2～3 倍，窗口放大到年度后差距更明显：首次打开年度窗口，IoTDB 约 0.6～0.8 秒出图，Doris 约需 2 秒；若该测点此前从未被访问过（两侧缓存均为空），Doris 需要 7～8 秒，差距可拉大到 10 倍左右。这也说明时序场景下“按设备路径直达序列”的访问方式，比宽表按时间切片更省一次定位成本。
这并不意味着传统数据仓库分层失去价值，而是说明当底层数据能够按需查询和处理时，数据链路可以根据真实业务需求进一步简化，减少不必要的数据复制和加工。
六、高质量时序数据，为工业 AI 提供真实基础
在完成存储与查询架构优化后，平台也开始探索数据的进一步应用。
一方面，团队尝试使用无监督学习方法对波形进行分类，辅助识别不同天气或运行状态下的数据特征；另一方面，平台建设了实时数据质量监控能力，对设备接入、数据入库和异常状态进行持续观察。此外，团队还在探索利用神经网络分析气象数据与设备出力之间的关系。
这些探索说明，工业 AI 的起点并不只是模型。模型能否发挥价值，很大程度上取决于底层数据是否连续、可追溯，能否高效提取，以及数据质量问题能否被及时发现。
对光储实证平台而言，从秒级原始数据到分钟级、小时级指标，从长期存储到实时分析，再到预测和智能应用，这些任务需要的是一条完整的数据链路。
七、让数据底座适应持续演进的业务
随着实证基地继续建设，设备类型、测点规模和历史数据还会持续增长。平台下一阶段的重点，是让 IoTDB 从当前的分钟级数据处理进一步向秒级数据扩展，并继续优化与分析数据库之间的协同方式。
演讲中，李江还特别提到了TsFile这一开放时序数据文件格式。在实际测试中，团队对 TsFile 的高压缩比印象深刻。对于需要长期保存海量历史数据的实证平台而言，更高的存储效率意味着更低的长期数据管理成本。
此外，李江尤其看重 TsFile 带来的数据开放性与迁移便利性。由于 TsFile 采用开放的文件格式，并支持通过独立接口访问数据，历史数据不必完全依赖特定数据库系统才能读取。这种文件格式与数据库系统之间的相对独立性，也为后续数据迁移、架构调整和长期数据管理提供了更多选择。
从这次实践可以看到，工业数据平台的优化不是简单追求某项性能指标，而是要同时考虑数据规模、设备结构、查询方式、长期运维和未来应用。只有让数据真正做到存得下、查得快、算得动、用得好，持续积累的时序数据才能从历史记录转化为科研、运行和智能决策的基础。
