一、客户背景
国家光伏储能实证实验基地由国家电投集团光伏产业创新中心建设运营，依托共和、大庆、甘孜、平顶山四大实证基地，搭建起覆盖高寒、高温、高原等条件的全气候光储实证矩阵。平台接入 2500 台套各类光伏储能设备，总测点规模约 60 万，积累超过 10 年、280TB 国家级多模态时序数据资产，涵盖组件、支架、逆变器、储能电池等全产业链设备运行数据，形成 7 大类、19 种测试数据源。
基地面向政府机构、发电集团、制造企业、科研院所提供实证数据服务，承担设备全生命周期实证、产品性能对标、光储模型训练、行业标准输出等重要任务。业务需要处理秒级高频采集原始数据，同时产出分钟、小时粒度业务指标，既要保障原始数据可追溯，又要支撑监控预警、故障复盘、AI 模型训练、产业数据服务等多元化业务，对时序数据底座提出存得下、查得快、算得动、用得好四大核心诉求。
二、面临挑战
平台早期采用 “现有时序库 + Doris” 的架构，Kafka 将分钟级数据写入时序库，测点同表存储，单日数据量高达 7.34 亿行，Doris 承担报表与全场聚合分析工作。随着业务不断深化，原有架构逐渐暴露出性能与能力短板，制约业务开展：
设备维度查询延迟高、波动大：单设备明细提取、批量曲线读取延迟达到秒级；科研、运维场景频繁回看数年单设备历史曲线，交互体验差，无法满足实时监控与故障复盘的亚秒级响应要求。
原生时序能力缺失：原有数据库不支持原生缺失值补值、时间窗口降采样、设备最新值查询能力，缺值填补、时间降采样等逻辑全部需要业务代码层补偿，开发工作量大，逻辑复杂，稳定性差；Doris 查询单设备长窗口数据需要扫描全部分区，效率低下。
批量吞吐能力不足：批量明细读取吞吐仅约 600 点每秒，在多设备批量导出、模型训练大规模样本取样场景，取数耗时久，难以支撑 AI 大模型训练高效取样需求。
架构负载错配：全部时序读写、全场聚合、报表统计混杂在两套引擎，没有按照业务场景做分层分工，交互查询与大批量分析任务互相干扰，平台整体稳定性与扩展性遇到瓶颈，难以支撑未来数据量向 500TB 规模演进的目标。
三、IoTDB 解决方案
项目采用三引擎分层互补的混合架构，引入 Apache IoTDB 作为平台主时序数据库，和原有系统协同分工，重新划分各组件职责，平台层统一查询路由分发，实现不同业务场景匹配最优计算引擎。
方案充分发挥 IoTDB 树形路径模型优势，按照设备层级组织时序数据，依托 TsFile 实现从边缘采集端到中台统一数据格式，原生支持GROUP BY TIME时间窗口、FILL缺值补全、LAST最新值查询、路径通配设备群组过滤等时序语义，降低上层业务开发负担；利用高压缩编码、冷热分层存储能力承载海量秒级时序数据；平台统一查询入口做智能分发：设备交互、历史回查请求交由 IoTDB 处理，复杂全场聚合分析交给 Doris 执行，保留原有系统资产的同时补齐时序能力短板。
四、方案带来的效果与效益
1、查询性能实现数倍至数十倍提升
实测对比基准窗口 335 天、1886 台设备数据集，IoTDB 各项设备维度查询性能全面领先原有数据库：单设备单日明细查询提升 17.8 倍；降采样 + 缺值补值场景性能提升 40 倍；50 台设备 3 小时批量明细读取性能提升 51 倍；批量明细读取吞吐达到15.5 万点 / 秒，相比原有方案提升 250 倍；明细、降采样、最新值等高频交互操作稳定维持 0.2 秒级亚秒响应，彻底解决设备历史曲线查看卡顿问题。同时补齐原生缺值填补、设备群组过滤、全体设备最新值查询等原有系统不具备的时序能力，大量逻辑从业务代码下沉数据库引擎，简化上层应用开发。
2、业务场景能力全面落地，形成数据闭环
实时监控与质量闭环：IoTDB 存储秒级原始曲线，支撑异常实时识别；Doris 计算全场采集率、异常率指标；出现故障后快速回溯设备时序明细，形成 “监控预警分析定位消缺复核” 完整闭环，平台实现 6000 + 台设备运行状态实时监控、异常告警溯源。
赋能光储时序 AI 模型训练：依托 IoTDB 高效长窗口样本抽取、任意粒度降采样、缺值填补能力，快速输出高质量训练样本；Doris 辅助特征统计、模型效果评估。平台已完成 5 项光储 AI 模型，模型 MAE 误差≤0.009，R² 分数≥0.99，支撑光储功率趋势预测业务。
产业数据服务能力升级：高效的数据底座支撑面向多类客户的数据服务，服务 50 家制造企业用于产品迭代，支撑 164 座场站提质增效，实现系统效率提升 5.74%，预计发电增益 7.7 亿元；支撑 500 余项科研对比成果，为政府政策制定提供权威实证依据。
