TDengine 在新能源领域的最佳实践

TDengine 在新能源领域的最佳实践

概述

新能源领域，特别是分布式光伏和储能系统，面临着海量测点、高频采集、实时监控等数据处理挑战。本文档将详细介绍如何使用 TDengine 构建高效的新能源数据管理系统，涵盖数据建模、高效写入和查询优化等核心内容。

业务场景分析

典型数据特征

测点规模：分布式光伏电站和储能系统的测点数量从数十万到数千万不等
采集频率：1 分钟级、15 分钟级的高频数据采集
数据类型：电流、电压、温度、功率、功率因数等多维度指标
层级关系：光伏电站 → 配电变压器 → 馈线 → 主网变压器的多层级结构

核心业务需求

海量测点数据的实时采集与存储
设备最新状态的快速查询
多维度的聚合分析（按地区、变压器、馈线等）
实时数据分发至各地市调度中心
历史数据的长期保存与分析

数据建模最佳实践

1. 超级表设计

1.1 分布式光伏电站功率表

sql 复制代码

-- 创建数据库
CREATE DATABASE IF NOT EXISTS energy_db 
    VGROUPS 16 
    BUFFER 256 
    PAGES 128 
    PAGESIZE 4 
    KEEP 3650 
    DURATION 1d;

-- 分布式光伏电站瞬时功率超级表
CREATE STABLE IF NOT EXISTS energy_db.dpv_power (
    ts TIMESTAMP,                    -- 采集时间
    active_power FLOAT,              -- 有功功率 (kW)
    reactive_power FLOAT,            -- 无功功率 (kVar)
    voltage_a FLOAT,                 -- A相电压 (V)
    voltage_b FLOAT,                 -- B相电压 (V)
    voltage_c FLOAT,                 -- C相电压 (V)
    current_a FLOAT,                 -- A相电流 (A)
    current_b FLOAT,                 -- B相电流 (A)
    current_c FLOAT,                 -- C相电流 (A)
    power_factor FLOAT,              -- 功率因数
    frequency FLOAT                  -- 频率 (Hz)
) TAGS (
    station_id VARCHAR(64),          -- 电站ID
    station_name NCHAR(128),         -- 电站名称
    region VARCHAR(64),              -- 所属地区
    city VARCHAR(64),                -- 所属城市
    dtr_id VARCHAR(64),              -- 所属配电变压器ID
    feeder_id VARCHAR(64),           -- 所属馈线ID
    line_10kv_id VARCHAR(64),        -- 所属10kV线端ID
    transformer_110kv_id VARCHAR(64),-- 所属110kV主网变压器ID
    capacity FLOAT,                  -- 装机容量 (kW)
    install_date TIMESTAMP,          -- 安装日期
    longitude DOUBLE,                -- 经度
    latitude DOUBLE                  -- 纬度
);

1.2 储能系统电芯监测表

sql 复制代码

-- 储能电芯实时监测超级表
CREATE STABLE IF NOT EXISTS energy_db.battery_cell (
    ts TIMESTAMP,                    -- 采集时间
    voltage FLOAT,                   -- 电压 (V)
    current FLOAT,                   -- 电流 (A)
    temperature FLOAT,               -- 温度 (℃)
    soc FLOAT,                       -- 荷电状态 (%)
    soh FLOAT,                       -- 健康状态 (%)
    internal_resistance FLOAT,       -- 内阻 (mΩ)
    charge_cycles INT                -- 充放电循环次数
) TAGS (
    cell_id VARCHAR(64),             -- 电芯ID
    pack_id VARCHAR(64),             -- 电池包ID
    rack_id VARCHAR(64),             -- 电池簇ID
    station_id VARCHAR(64),          -- 储能站ID
    station_name NCHAR(128),         -- 储能站名称
    region VARCHAR(64),              -- 所属地区
    manufacturer NCHAR(64),          -- 制造商
    model NCHAR(64),                 -- 型号
    rated_capacity FLOAT,            -- 额定容量 (Ah)
    install_date TIMESTAMP           -- 安装日期
);

1.3 配电变压器监测表

sql 复制代码

-- 配电变压器超级表
CREATE STABLE IF NOT EXISTS energy_db.transformer (
    ts TIMESTAMP,                    -- 采集时间
    load_rate FLOAT,                 -- 负载率 (%)
    high_voltage_a FLOAT,            -- 高压侧A相电压 (kV)
    high_voltage_b FLOAT,            -- 高压侧B相电压 (kV)
    high_voltage_c FLOAT,            -- 高压侧C相电压 (kV)
    low_voltage_a FLOAT,             -- 低压侧A相电压 (V)
    low_voltage_b FLOAT,             -- 低压侧B相电压 (V)
    low_voltage_c FLOAT,             -- 低压侧C相电压 (V)
    current_a FLOAT,                 -- 电流A相 (A)
    current_b FLOAT,                 -- 电流B相 (A)
    current_c FLOAT,                 -- 电流C相 (A)
    oil_temperature FLOAT,           -- 油温 (℃)
    winding_temperature FLOAT        -- 绕组温度 (℃)
) TAGS (
    dtr_id VARCHAR(64),              -- 变压器ID
    dtr_name NCHAR(128),             -- 变压器名称
    region VARCHAR(64),              -- 所属地区
    feeder_id VARCHAR(64),           -- 所属馈线ID
    rated_capacity FLOAT,            -- 额定容量 (kVA)
    voltage_level VARCHAR(32),       -- 电压等级
    install_date TIMESTAMP           -- 安装日期
);

2. 子表创建策略

2.1 自动建表

使用自动建表功能可以简化开发，提高写入效率：

sql 复制代码

-- 写入时自动创建子表
INSERT INTO energy_db.dpv_power_station001 
    USING energy_db.dpv_power 
    TAGS (
        'station001', 
        '某市工业园光伏电站', 
        'region01', 
        'city01',
        'dtr001', 
        'feeder001', 
        'line10kv001', 
        'trans110kv001',
        500.0,
        '2023-01-15 00:00:00',
        118.78,
        32.05
    ) 
VALUES (
    now, 
    450.5, 
    120.3, 
    220.5, 
    221.0, 
    219.8,
    682.1, 
    680.5, 
    681.8,
    0.95, 
    50.0
);

2.2 批量预创建

对于已知的设备清单，建议预先批量创建子表：

sql 复制代码

-- 批量创建光伏电站子表
CREATE TABLE IF NOT EXISTS energy_db.dpv_power_station001 
    USING energy_db.dpv_power 
    TAGS ('station001', '电站1', 'region01', 'city01', 'dtr001', 'feeder001', 'line10kv001', 'trans110kv001', 500.0, '2023-01-15 00:00:00', 118.78, 32.05);

CREATE TABLE IF NOT EXISTS energy_db.dpv_power_station002 
    USING energy_db.dpv_power 
    TAGS ('station002', '电站2', 'region01', 'city01', 'dtr002', 'feeder001', 'line10kv001', 'trans110kv001', 600.0, '2023-02-20 00:00:00', 118.79, 32.06);

-- ... 更多子表

3. 数据库参数优化

sql 复制代码

-- 针对新能源场景的数据库参数配置
CREATE DATABASE energy_db 
    VGROUPS 16                -- 根据CPU核心数调整，建议设置为CPU核心数的1-1.5倍
    BUFFER 256                -- 写缓存大小(MB)，根据内存情况调整
    PAGES 128                 -- 每个vnode的元数据缓存页数
    PAGESIZE 4                -- 元数据页大小(KB)
    KEEP 3650                 -- 数据保留天数，3650天=10年
    DURATION 1d               -- 数据文件存储时长，1天一个文件
    PRECISION 'ms'            -- 时间精度为毫秒
    REPLICA 1                 -- 副本数，生产环境建议设置为3
    STRICT 'off'              -- 允许超级表和子表的列数不一致
    CACHEMODEL 'last_row'     -- 缓存每张表的最新一行数据
    CACHESIZE 16;             -- 缓存大小(MB)

高效写入最佳实践

1. 批量写入

1.1 使用参数绑定批量写入（推荐）

使用 Stmt（参数绑定）接口可以显著提升写入性能：

python 复制代码

import taos
from datetime import datetime

# 连接数据库
conn = taos.connect(host="localhost", user="root", password="taosdata", database="energy_db")

# 创建 Stmt 对象
stmt = conn.statement("INSERT INTO ? USING dpv_power TAGS (?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?) VALUES (?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?)")

# 准备批量数据
batch_size = 1000
tags_list = []
data_list = []

for i in range(batch_size):
    # 表名
    table_name = f"dpv_power_station{i:06d}"
    
    # 标签数据
    tags = [
        f"station{i:06d}",           # station_id
        f"光伏电站{i}",               # station_name
        f"region{i % 10}",           # region
        f"city{i % 5}",              # city
        f"dtr{i % 100}",             # dtr_id
        f"feeder{i % 50}",           # feeder_id
        f"line10kv{i % 20}",         # line_10kv_id
        f"trans110kv{i % 10}",       # transformer_110kv_id
        500.0 + i,                   # capacity
        datetime(2023, 1, 1),        # install_date
        118.0 + i * 0.001,           # longitude
        32.0 + i * 0.001             # latitude
    ]
    
    # 时序数据
    data = [
        datetime.now(),              # ts
        450.0 + i * 0.1,            # active_power
        120.0 + i * 0.05,           # reactive_power
        220.0 + i * 0.01,           # voltage_a
        221.0 + i * 0.01,           # voltage_b
        219.0 + i * 0.01,           # voltage_c
        680.0 + i * 0.1,            # current_a
        681.0 + i * 0.1,            # current_b
        679.0 + i * 0.1,            # current_c
        0.95,                        # power_factor
        50.0                         # frequency
    ]
    
    stmt.set_tbname_tags(table_name, tags)
    stmt.bind_param(data)

# 批量执行
stmt.execute()
stmt.close()
conn.close()

1.2 SQL 批量写入

对于中小规模数据，可以使用 SQL 批量插入：

sql 复制代码

-- 单条 SQL 插入多个表的多行数据
INSERT INTO 
    dpv_power_station001 VALUES 
        ('2024-01-01 00:00:00', 450.5, 120.3, 220.5, 221.0, 219.8, 682.1, 680.5, 681.8, 0.95, 50.0)
        ('2024-01-01 00:01:00', 451.2, 120.5, 220.6, 221.1, 219.9, 682.3, 680.7, 682.0, 0.95, 50.0)
        ('2024-01-01 00:02:00', 452.0, 120.8, 220.7, 221.2, 220.0, 682.5, 680.9, 682.2, 0.96, 50.0)
    dpv_power_station002 VALUES
        ('2024-01-01 00:00:00', 550.5, 130.3, 220.5, 221.0, 219.8, 782.1, 780.5, 781.8, 0.95, 50.0)
        ('2024-01-01 00:01:00', 551.2, 130.5, 220.6, 221.1, 219.9, 782.3, 780.7, 782.0, 0.95, 50.0);

2. 多线程并发写入

利用多线程并发写入可以充分利用系统资源：

python 复制代码

import taos
import threading
from queue import Queue
from datetime import datetime
import time

class WriterThread(threading.Thread):
    def __init__(self, thread_id, data_queue):
        threading.Thread.__init__(self)
        self.thread_id = thread_id
        self.data_queue = data_queue
        self.conn = taos.connect(host="localhost", user="root", password="taosdata", database="energy_db")
        
    def run(self):
        while True:
            batch_data = self.data_queue.get()
            if batch_data is None:  # 结束信号
                break
                
            stmt = self.conn.statement("INSERT INTO ? VALUES (?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?)")
            
            for table_name, values in batch_data:
                stmt.set_tbname(table_name)
                stmt.bind_param(values)
            
            stmt.execute()
            stmt.close()
            self.data_queue.task_done()
        
        self.conn.close()

# 使用示例
def parallel_write_example():
    num_threads = 8
    data_queue = Queue(maxsize=100)
    
    # 创建并启动写入线程
    threads = []
    for i in range(num_threads):
        thread = WriterThread(i, data_queue)
        thread.start()
        threads.append(thread)
    
    # 生产数据
    for batch in range(1000):
        batch_data = []
        for i in range(100):
            table_name = f"dpv_power_station{batch * 100 + i:06d}"
            values = [
                datetime.now(),
                450.0 + i,
                120.0 + i,
                220.0,
                221.0,
                219.0,
                680.0,
                681.0,
                679.0,
                0.95,
                50.0
            ]
            batch_data.append((table_name, values))
        
        data_queue.put(batch_data)
    
    # 等待所有任务完成
    data_queue.join()
    
    # 发送结束信号
    for _ in range(num_threads):
        data_queue.put(None)
    
    # 等待所有线程结束
    for thread in threads:
        thread.join()

if __name__ == "__main__":
    parallel_write_example()

3. 数据接入 - taosX 使用

对于从 Kafka 等外部系统接入数据的场景，使用 taosX 可以零代码快速接入：

json 复制代码

{
  "name": "kafka-dpv-power",
  "type": "kafka",
  "config": {
    "bootstrap.servers": "localhost:9092",
    "group.id": "taosX-dpv-consumer",
    "topics": ["dpv-power-data"],
    "value.deserializer": "json"
  },
  "transform": {
    "filter": "payload.station_id != null",
    "mapping": {
      "table": "dpv_power_${payload.station_id}",
      "supertable": "dpv_power",
      "timestamp": "${payload.timestamp}",
      "columns": {
        "active_power": "${payload.active_power}",
        "reactive_power": "${payload.reactive_power}",
        "voltage_a": "${payload.voltage_a}",
        "voltage_b": "${payload.voltage_b}",
        "voltage_c": "${payload.voltage_c}",
        "current_a": "${payload.current_a}",
        "current_b": "${payload.current_b}",
        "current_c": "${payload.current_c}",
        "power_factor": "${payload.power_factor}",
        "frequency": "${payload.frequency}"
      },
      "tags": {
        "station_id": "${payload.station_id}",
        "station_name": "${payload.station_name}",
        "region": "${payload.region}",
        "city": "${payload.city}",
        "dtr_id": "${payload.dtr_id}",
        "feeder_id": "${payload.feeder_id}",
        "line_10kv_id": "${payload.line_10kv_id}",
        "transformer_110kv_id": "${payload.transformer_110kv_id}",
        "capacity": "${payload.capacity}",
        "install_date": "${payload.install_date}",
        "longitude": "${payload.longitude}",
        "latitude": "${payload.latitude}"
      }
    }
  },
  "target": {
    "database": "energy_db"
  }
}

高效查询最佳实践

1. 最新状态查询

1.1 查询单个设备最新状态

sql 复制代码

-- 查询指定光伏电站的最新数据
SELECT LAST(*) FROM energy_db.dpv_power WHERE station_id = 'station001';

-- 或者直接查询子表
SELECT LAST(*) FROM energy_db.dpv_power_station001;

1.2 查询多个设备最新状态

sql 复制代码

-- 查询某个地区所有光伏电站的最新功率
SELECT 
    station_id,
    station_name,
    LAST(ts) as last_time,
    LAST(active_power) as current_power,
    LAST(power_factor) as current_pf
FROM energy_db.dpv_power 
WHERE region = 'region01'
GROUP BY station_id, station_name;

1.3 利用缓存加速最新值查询

配置 CACHEMODEL 'last_row' 后，最新值查询将直接从内存缓存返回，性能极高：

sql 复制代码

-- 查询所有电站的最新状态（从缓存读取，毫秒级响应）
SELECT 
    tbname,
    LAST(active_power) as power,
    LAST(ts) as update_time
FROM energy_db.dpv_power
GROUP BY tbname;

2. 聚合分析查询

2.1 按配电变压器聚合光伏功率

sql 复制代码

-- 查询每个配电变压器下所有光伏电站的总功率
SELECT 
    dtr_id,
    SUM(LAST(active_power)) as total_power,
    COUNT(*) as station_count
FROM energy_db.dpv_power
GROUP BY dtr_id
ORDER BY total_power DESC;

2.2 按地区、馈线等多维度聚合

sql 复制代码

-- 查询各地区各馈线的光伏发电情况
SELECT 
    region,
    feeder_id,
    SUM(LAST(active_power)) as total_power,
    AVG(LAST(power_factor)) as avg_pf,
    COUNT(*) as station_count
FROM energy_db.dpv_power
WHERE ts > NOW - 5m
GROUP BY region, feeder_id
ORDER BY region, total_power DESC;

2.3 110kV 主网变压器下辖光伏功率汇总

sql 复制代码

-- 查询特定主网变压器下的所有光伏电站实时功率
SELECT 
    transformer_110kv_id,
    SUM(LAST(active_power)) as total_active_power,
    SUM(LAST(reactive_power)) as total_reactive_power,
    COUNT(*) as station_count
FROM energy_db.dpv_power
WHERE transformer_110kv_id = 'trans110kv001'
GROUP BY transformer_110kv_id;

3. 时序统计分析

3.1 时间窗口聚合

sql 复制代码

-- 查询最近24小时每小时的平均发电功率
SELECT 
    _wstart as time_window,
    AVG(active_power) as avg_power,
    MAX(active_power) as max_power,
    MIN(active_power) as min_power
FROM energy_db.dpv_power_station001
WHERE ts > NOW - 24h
INTERVAL(1h);

3.2 降采样查询

sql 复制代码

-- 对1分钟数据进行15分钟降采样
SELECT 
    _wstart,
    station_id,
    AVG(active_power) as avg_power,
    FIRST(voltage_a) as first_voltage_a,
    LAST(temperature) as last_temp
FROM energy_db.dpv_power
WHERE ts BETWEEN '2024-01-01 00:00:00' AND '2024-01-01 23:59:59'
PARTITION BY station_id
INTERVAL(15m);

3.3 填充缺失数据

sql 复制代码

-- 使用 FILL 处理数据缺失
SELECT 
    _wstart,
    AVG(active_power) as avg_power
FROM energy_db.dpv_power_station001
WHERE ts > NOW - 24h
INTERVAL(5m) 
FILL(PREV);  -- 使用前一个值填充

-- 或使用线性插值
FILL(LINEAR);

-- 或使用固定值填充
FILL(VALUE, 0);

4. 电池健康状态监控

4.1 查询异常电芯

sql 复制代码

-- 查询温度异常的电芯
SELECT 
    cell_id,
    pack_id,
    station_name,
    LAST(temperature) as current_temp,
    LAST(voltage) as current_voltage,
    LAST(ts) as last_update
FROM energy_db.battery_cell
WHERE LAST(temperature) > 45 OR LAST(temperature) < -10
GROUP BY cell_id, pack_id, station_name;

-- 查询SOC异常的电芯
SELECT 
    cell_id,
    pack_id,
    LAST(soc) as current_soc,
    LAST(soh) as current_soh
FROM energy_db.battery_cell
WHERE LAST(soc) < 10 OR LAST(soc) > 95
GROUP BY cell_id, pack_id;

4.2 电芯一致性分析

sql 复制代码

-- 分析同一电池包内电芯的电压一致性
SELECT 
    pack_id,
    MAX(LAST(voltage)) - MIN(LAST(voltage)) as voltage_diff,
    STDDEV(LAST(voltage)) as voltage_stddev,
    COUNT(*) as cell_count
FROM energy_db.battery_cell
GROUP BY pack_id
HAVING voltage_diff > 0.05  -- 压差超过50mV
ORDER BY voltage_diff DESC;

5. 负载分析

5.1 变压器负载率统计

sql 复制代码

-- 查询负载率超过80%的变压器
SELECT 
    dtr_id,
    dtr_name,
    LAST(load_rate) as current_load_rate,
    LAST(oil_temperature) as current_oil_temp
FROM energy_db.transformer
WHERE LAST(load_rate) > 80
GROUP BY dtr_id, dtr_name
ORDER BY current_load_rate DESC;

5.2 负载曲线分析

sql 复制代码

-- 查询变压器的日负载曲线
SELECT 
    _wstart,
    AVG(load_rate) as avg_load,
    MAX(load_rate) as peak_load,
    AVG(oil_temperature) as avg_temp
FROM energy_db.transformer
WHERE dtr_id = 'dtr001' AND ts > NOW - 1d
INTERVAL(15m);

数据分发最佳实践

1. 使用 TMQ 订阅实时数据

python 复制代码

from taos.tmq import Consumer

# 创建消费者
consumer = Consumer({
    "group.id": "city_dispatch_center_01",
    "td.connect.host": "localhost",
    "td.connect.port": "6030",
    "td.connect.user": "root",
    "td.connect.pass": "taosdata",
    "auto.offset.reset": "latest"
})

# 订阅主题（超级表或数据库）
consumer.subscribe(["energy_db.dpv_power"])

# 消费数据
while True:
    records = consumer.poll(timeout=1.0)
    if records:
        for record in records:
            # 处理数据
            print(f"Table: {record.table_name()}, Data: {record.value()}")
            
            # 将数据写入本地TDengine
            # ...

consumer.close()

2. 创建订阅主题

sql 复制代码

-- 创建特定地区的数据订阅主题
CREATE TOPIC city01_dpv_power AS 
SELECT * FROM energy_db.dpv_power WHERE city = 'city01';

-- 创建所有光伏数据的订阅主题
CREATE TOPIC all_dpv_power AS 
SELECT * FROM energy_db.dpv_power;

性能优化建议

1. 硬件配置建议

CPU: 16核心或更高，支持并发写入和查询
内存: 64GB或更高，用于缓存和查询
磁盘: SSD，建议 NVMe，提供高IOPS
网络: 万兆网卡，降低网络延迟

2. 系统参数调优

bash 复制代码

# /etc/taos/taos.cfg

# 最大并发连接数
maxConnections 50000

# 查询线程数（建议设置为CPU核心数）
queryThreadNum 16

# 写入线程池大小
numOfThreadsPerCore 2.0

# WAL相关参数
walLevel 1
walFsyncPeriod 1000

# 查询缓存配置
querySmaOptimize 1
queryBufferSize 1024

# 压缩配置
compression 2
compressMsgSize 1024

# 调试和日志
logKeepDays 10
asyncLog 1

3. 查询优化技巧

3.1 使用标签过滤

标签过滤比数据列过滤快得多：

sql 复制代码

-- 推荐：使用标签过滤
SELECT * FROM energy_db.dpv_power WHERE region = 'region01';

-- 不推荐：使用数据列过滤（需要扫描所有数据）
SELECT * FROM energy_db.dpv_power WHERE active_power > 400;

3.2 合理使用时间范围

始终指定时间范围，避免全表扫描：

sql 复制代码

-- 推荐：指定时间范围
SELECT * FROM energy_db.dpv_power 
WHERE ts > NOW - 1h AND region = 'region01';

-- 不推荐：不指定时间范围
SELECT * FROM energy_db.dpv_power WHERE region = 'region01';

3.3 使用子查询优化复杂查询

sql 复制代码

-- 先筛选后聚合，性能更好
SELECT 
    region,
    SUM(power) as total_power
FROM (
    SELECT 
        region,
        LAST(active_power) as power
    FROM energy_db.dpv_power
    WHERE ts > NOW - 5m
    GROUP BY station_id, region
)
GROUP BY region;

运维监控最佳实践

1. 监控关键指标

sql 复制代码

-- 查看数据库状态
SHOW DATABASES;

-- 查看vnode分布
SHOW VGROUPS;

-- 查看表数量
SELECT COUNT(*) FROM information_schema.ins_tables 
WHERE db_name = 'energy_db';

-- 查看磁盘使用情况
SHOW energy_db.VGROUPS;

2. 数据维护

创建数据库时指定的 KEEP 参数，过期数据会自动清理，无需手动清理。

可定期执行 compact 操作（碎片整理），对乱序数据重新整理。

3. 告警规则示例

sql 复制代码

-- 创建流式计算监控电站异常
CREATE STREAM dpv_alert_stream 
INTO alert_table 
AS 
SELECT 
    _wstart,
    station_id,
    AVG(active_power) as avg_power,
    MAX(active_power) as max_power
FROM energy_db.dpv_power
WHERE active_power > capacity * 1.1  -- 超过额定容量110%
INTERVAL(1m);

总结

本最佳实践文档涵盖了新能源领域使用 TDengine 的核心场景：

数据建模：通过超级表+子表的设计，利用标签进行多维度分类
高效写入：批量写入、参数绑定、多线程并发、taosX 数据接入
高效查询：最新值缓存、标签过滤、时间窗口聚合、流式计算
数据分发：TMQ 消息队列实现实时数据分发
性能优化：硬件配置、系统参数调优、查询优化

通过遵循这些最佳实践，可以构建高性能、高可靠的新能源数据管理系统，满足海量测点、高频采集、实时监控等业务需求。

关于 TDengine

TDengine 专为物联网IoT平台、工业大数据平台设计。其中，TDengine TSDB 是一款高性能、分布式的时序数据库（Time Series Database），同时它还带有内建的缓存、流式计算、数据订阅等系统功能；TDengine IDMP 是一款AI原生工业数据管理平台，它通过树状层次结构建立数据目录，对数据进行标准化、情景化，并通过 AI 提供实时分析、可视化、事件管理与报警等功能。