小T导读：上海电气集团股份有限公司是世界级的综合性高端装备制造企业，聚焦智慧能源、智能制造、智能基础设施三大业务领域，为客户提供工业级的绿色智能系统解决方案。业务遍及全球，主要包括新能源、综合能源、环保、医疗器械及工业自动化等。
公司围绕“一芯 3S”核心产品链，构建储能核心竞争力。作为其中关键组成部分的“SmartOPS 储能智慧运维系统”，基于物联网、大数据、机器学习等技术，打通储能系统从信息采集到云端接入，再到数据存储、数据分析的完整技术链条，构建智慧储能管控体系平台，实现全面监测、预测性维护、热管理分析等高级应用，帮助客户实现储能设备的最优配置和高效利用。
一、应用背景
SmartOPS 支持云端部署和本地部署两种方式。
云端部署基于上海电气集团当前统一的架构，利用云端时序数据库（Time-Series Database），可扩展、可灵活配置的各类资源，可轻松满足使用要求，高效且流畅。
但是在本地部署中，需要重点考虑本地硬件资源的限制，如站端系统的内存、CPU 以及读写性能等。目前站端系统的配置下图所示。
所以我们需要考虑适合在站端系统中部署的时序数据库，也就有了接下来的技术选型。
二、技术选型
整体选型考虑会涉及很多维度，具体包括读写性能、压缩率、行业认可度、产品活力、服务支持、安全性、兼容性、可维护性、可扩展性、功能性、可靠性、易用性等属性。
我们团队着重评估了以下几款 Database：
- OpenTSDB：以 HBase 为底层存储，向上封装了自己的逻辑层和对外接口层。这种架构可以充分利用 HBase 的特性，实现数据的高可用和较好的写入性能。但相比原生时序数据库，OpenTSDB 数据栈较长，在读写性能和数据压缩方面都还有进一步优化的空间。
- InfluxDB：目前流行度最高的时序数据库，数据按列存储，能够高效地对时序数据进行处理、存储、查询，并提供了功能丰富的 Web 平台，可以对数据进行可视化展示和交互式分析。
- Apache IoTDB：专为物联网打造的分布式时序数据库，数据按列存储，具有优秀的写入性能和丰富的数据分析功能，能够有效地处理乱序数据。
- TDengine：专为物联网场景设计和优化的分布式时序数据库，数据按列存储，具有极致的写入性能和丰富的查询功能，同时提供缓存、流处理、消息队列等大数据平台常用功能。其官网提到的不到10MB 的安装包以及 10 倍的性能提升，确实非常吸引人。
- ClickHouse：性能强劲的 OLAP 数据库，数据按列存储，数据压缩比极高，具有很高的写入吞吐和极致的查询性能，同时提供了丰富的数据处理函数，便于对数据进行各种分析。
基于站端本地化部署需要轻量级资源占用出发，我们首先排除了 OpenTSDB 和 Apache IoTDB，OpenTSDB 基于 HBase，比较重，而 Apache IoTDB 在资源占用方面对边缘轻量级设备也不算友好；ClickHouse 优势是单表快，其他方面偏弱，包括 join、管理运维都比较复杂，也放弃了。
研发团队最终圈定在 InfluxDB 和 TDengine 中测试选择。
三、初步对比测试
技术团队实际对比测试了 InfluxDB 和 TDengine。
先来看 InfluxDB 的测试情况。
InfluxDB 的安装包大小为 60.2 MB，运行之后资源占用如下图所示：
开启测试场站数据接入，当前时刻，每分钟写入字段数小于 3000，此时资源消耗情况如下图所示，当前 InfluxDB 消耗 CPU 有所上升，内存资源变化不大。
通过如下命令测试查询功能：
资源消耗情况如下图所示：
同时，当前查询会被卡住，所以没有结果。可见，在当前资源配置条件下，InfluxDB 私有化部署资源消耗较高，若同时启用本地应用服务（SmartOPS），则无法提供所需功能。
再来看 TDengine 的测试情况。
我们使用的是 TDengine 2.1.6.0 版本。查看安装包 TDengine-server-2.1.6.0-beta-Linux-x64.rpm 的大小，发现只有 9.42 MB。后端开发人员将其部署到了测试节点上。
刚部署时的资源消耗如下：
模拟某场站数据接入时，资源消耗如下：
然后测试查询功能，在同样条件下，TDengine 出现 CPU 上的短时小幅上升，同时毫秒级获取到了查询返回结果。
从上述的初步测试中可以发现，在本地化部署服务器资源受限的情况下，相比于 InfluxDB，TDengine 在站端系统的应用上，性能具有明显的优势。TDengine 能较好地应对场站端低配服务器的资源限制问题。对于大批量应用的储能场景，提供了高性价比的解决方案。
TDengine 针对物联网应用的场景特点，比如数据极少有更新或删除操作，无需传统数据库的事务处理，相对互联网应用写多读少等，又通过“一个数据采集点一张表”和“超级表”的概念，简化了数据存储结构，这些优化确实非常适合我们的方案。另外通过一些预计算功能，提高了聚合查询效率，完全满足我们站端资源有限情况下储能场景的需求。
于是我们就尝试在系统中落地了 TDengine。
四、TDengine 数据模型设计
储能场站设备返回的数据格式基本固定，一个时间戳一个值。所以我们为一个场站构建了一张超级表。子表是根据点位的信息，一个点位一张子表，用于区分不同的设备采集的信息。结合业务需求，标签定为 5 个：点的标识，场站 id，子站 id，单元 id 和设备 id。
超级表建表语句为：
create table ops (ts TIMESTAMP,value FLOAT) TAGS (name NCHAR(10),sid NCHAR(20),sub NCHAR(10),unit NCHAR(10),dev NCHAR(20))子表建表语句为：
CREATE TABLE escngxsh02_g01_e03h01_c1 USING ops TAGS ("C1","ESCNGXSH02","G01","E03","E03H01")在使用 InfluxDB 一周以后，使用 SQL 语句
select * from ops WHERE ts>1629450000000 and ts<1629463600000 limit 2;
来执行查询，内存使用率达到了 80%，并且过了十分钟也没出来结果，所以已经完全不适合业务使用。 而在使用了 TDengine 近1个月后，使用相同的 SQL 语句，查询只需要 0.2 秒。表现非常优异。
五、TDengine 的使用情况
目前技术团队已采用 TDengine 作为 SCU（Station Control Unit） 架构的核心时序数据库，实现储能系统综合信息感知、就地运行控制与协调保护功能；同时支持储能电站及设备的远程运维，实现高级数据分析与运行优化，全方面守护储能电站的安全。
TDengine 高性能的写入和聚合查询功能，能够毫秒级响应电站运行信息监视。
在压缩方面，TDengine 也表现得很优秀。在采集点数量相同的情况下，在使用 TDengine 之前，我们使用的是 InfluxDB，1 天的数据量大概是 200 多 MB，而使用了 TDengine 后，1 天的数据居然不到 70 MB，是 InfluxDB 的 1/3。
我们还将在后续项目中，继续拓展其分布式集群应用，构建储能电站运行情况的数字化档案，结合开发的分析算法、预测算法、数据挖掘技术，实现电站稳定性分析、效率和损耗分析、故障预测、寿命预测、性能短板定位以及热管理分析等高级分析和诊断功能。
