TDengine：2026智慧燃气行业白皮书

TDengne高性能、分布式的物联网、工业大数据平台高性能、分布式的物联网、工业大数据平台点燃数据新动能TDengine构建智慧燃气行业新基座版权申明本白皮书内容受版权法保护，未经公司或其许可人的书面许可，任何人不得将白皮书中的任何内容以任何方式进行复制、经销、翻印、以超级链路连接或传送、存储于信息检索系统或者其他任何商业目的的使用。变中求进01燃气行业数智化的机遇和挑战从国家能源局发布的《中国天然气发展报告（2024）》中可知：天然气在我国一次能源消费总量中占比8.5%。这一数字远低于全球24%的平均水平，未来增量空间巨大。据中研产业研究院《2024-2029年城市燃气产业现状及未来发展趋势分析报告》分析：随着居民生活水平的提高和工业化进程的加速，天然气作为清洁能源的需求将持续增长。特别是在城市燃气领域，随着城市化进程的推进和居民生活条件的改善，天然气需求将不断增加。同时，随着国家对环保要求的提高，天然气在发电、化工等领域的应用也将进一步扩大。随着物联网、大数据和人工智能等技术的应用，城市燃气产业将实现智能化管理，提高运营效率，降低运营成本。智能燃气表、远程监控系统和预测性维护等技术将成为行业的新常态。1.2转型创新中的数据挑战随着市场准入门槛的降低和新兴企业的涌入，城市燃气行业的竞争将更加激烈。传统燃气公司需要不断创新和转型以应对市场竞争，而新兴企业则凭借技术创新和差异化服务寻求突破。第29届世界燃气大会（WGC2025）的与会专家们认为：人工智能正在重塑城燃行业价值逻辑，但需从深化技术、完善数据治理、优化人才结构三个维度应对Al落地的挑战。在数据方面：海量的物联采集挑战：当前，众多城燃企业已在燃气管网的关键部位部署了各类先进的传感器设备，实现了对管网压力、流量、温度、泄漏情况等关键参数的实时监测与数据采集。在智能燃气表方面，有些地区的智能燃气表覆盖率已超过90%，全国智能燃气表年需求量已超过5000万台。如何应对这些海量物联设备的数据接入，是燃气供应商和运营商首先要解决的问题。以国内某清洁能源供应商为例，在全国21个省市及自治区运营261个城市燃气项目，为3138万个住宅用户和超27万家工商业用户提供燃气服务；旗下企业应用物联网、大数据与人工智能等技术打造的能碳产业智能平台，服务于5000多家客户，每个客户有约50台设备，每台设备每分钟采集10到20个数据点，每秒的数据处理量(TPS)达到9万左右。02更高的数据质量要求：燃气行业正加速迈向智能化转型，也对燃气行业的数据质量提出了更高的要求。燃气企业需要通过精准的数据采集策略，从源头获取真实、全面的原始数据，需要面对数据来源的多样性、数据质量的参差不齐等问题。燃气企业还需解决多个数据源、多种数据类型融合对齐的问题，充分发挥各类数据源的优势，弥补单一数据类型的不足；燃气企业需整合IT系统、OT系统以及客户行为数据，形成企业级数据资产，才能支撑AI模型的精准训练。高级时序分析的门槛：安全是燃气行业的生命线，燃气安全曾是纯靠“人盯脚量”的苦活累活，传统模式下，安检员需手持检测仪穿梭于大街小巷，面对复杂密布的地下管网，漏检、误判风险始终存在。而AI的介入正将这一模式推向实时感知、智能分析与主动防控的新阶段。数据分析与预测技术也广泛应用于燃气智能供应，通过对大量燃气设施运行数据和用气数据的挖掘、分析与预测，燃气公司能够更加准确地了解市场需求，优化供气方案，实现用气异常预警，提高运营效率和降低成本。然而，业务人员使用这些复杂算法时，仍面临很高的应用门槛。以AI计量分析为例，需基于海量物联网计量数据，使用深度学习等技术，通过诊断设备健康情况、用气异常行为、输出分析报告等数智手段，减少计量偏差及气量损失。从集成系统采集时序数据，到模型的最终落地应用，道阻且长。1.3行业呼唤高效可靠的数据新生态物联网与AI技术正在重塑燃气行业的运营范式；然而，企业在转型过程中面临着“海量数据接入”、“数据资产化”、“AI应用门槛”等挑战。燃气行业迫切期待通过新一代时序数据平台实现数据新生态：防控从“人防”到“技防”数据从“负担”到“资产”应用从“复杂”到“敏捷”燃气行业的未来属于以数据为核心、以安全为底线、以AI为引擎的新范式。而这一切的基石，是能够驯服海量时序数据的新一代数字底座。03时序困局02传统数据处理方案的局限性燃气行业的时序数据广泛应用于能源生产、运输、加工和销售等环节，大量设备、传感器和监控系统持续生成时时序数据，用于支撑生产监控、调度优化和故障预警。随着业务数据量快速增长，时序数据记录条数巨大，数据的实时写入成为瓶颈，查询分析极为缓慢，构成了新的技术挑战。传统的关系型数据库、工业实时库、NoSQL数据库、流式计算引擎以及其他数据基础设施由于没有充分利用时序数据的特点，性能提升极为有限，只能依靠简单地堆叠硬件，投入更多的计算资源和存储资源来应对。而且，由于组件繁多，整个系统的复杂度大幅提高，导致企业的研发、运营、维护成本急剧上升。海量时序数据读写性能低海量时序数据读写性能低分布式支持差数据量越大，查询越慢时序数据特有分析需要应用来开发典型场景：低频监控场景、业务管理数据组件多而杂，架构臃肿支持分布式但单节点效率低硬件、人力维护成本非常高典型场景：舆情大数据分析、电商大数据架构陈旧无分布式方案，无法水平扩展依赖windows等环境分析能力弱，而且往往是封闭系统无法云化部署典型场景：SCADA系统、生产监控系统计算实时性差，查询慢计算内存、CPU开销巨大无时序针对性优化典型场景：非结构化数据管理、爬虫数据关系型数据库大数据平台传统工业实时库数据库以下列举几个使用过传统数据处理方案的真实案例，说明企业在应用过程中面临的实际困难。某物联网产品及解决方案提供商在智慧燃气领域深耕多年，构建了覆盖数万家庭及工商业场景的燃气监控系统，采用NB-IoT通信技术(正向4G平滑过渡)实现实时数据采集与报警联动。随着设备规模接近十万量级，原有MySQL存储方案在时序数据高频写入和查询性能04上逐渐暴露瓶颈，分库分表的复杂度也带来了额外的运维负担。MySQL存储了大量数据后，写入和查询效率大幅衰减，特别是在复杂查询和聚合大数据集时性能下降更为明显；数据压缩比低，占用了大量的磁盘空间；多用户或者应用访问时，会出现并发访问和锁的问题；数据分区和归档非常麻烦，系统异常后，数据恢复周期太长；数据协同效率太低，无法做到秒级数据同步。2.2传统工业实时库方案某大型油田公司是国内最大的天然气生产基地，开发油田35个，年生产能力2500万吨以上；开发气田13个，年生产能力500亿方。公司使用“SCADA系统+工业实时库”的方式，采集生产时序数据。存在工控系统满负荷、数据链路复杂等问题，在从SCADA系统向工业互联网平台过渡的过程遇到阻碍：数据接口不开放，难以兼容：多个作业区/厂区使用孤立的(实时、历史)数据库，互不兼容；处理效率低：随着业务快速发展，测点规模倍增，不能满足高吞吐量插入和高并发查询要求；运维复杂：数据库操作复杂、数据通过多个产品被动复制同步，排查问题非常困难；数据分析能力偏弱：无法快速响应上层业务的大数据分析及创新应用；边云协同困难：作业区和厂级中心区数据协同非常困难，后续数据治理难度非常大，无法真正挖掘数据价值。2.3Hadoop分布式文件系统或NoSQL数据库方案国内某较大的清洁能源分销商，旗下企业通过信息化手段对能源站、燃气管网、燃气表等进行设备网联，实现高效管理和监测。日均处理数十亿条测点数据，依靠数千万台在线设备进行业务运营。为了满足不断增长的业务需求，企业曾采用OpenTSDB作为核心存储系统。OpenTSDB是基于HBase开发的；而HBase是一款NoSQL数据库，它构筑在Hadoop分布式文件系统(HDFS)之上。然而随着应用场景的增多、联网设备的指数级增长，该方案的局限性日益凸显：05写入查询缓慢：企业在进行整体物联网数据处理平台搭建和升级的过程中，逐渐发现了OpenTSDB写入性能和并发查询能力的不足，系统每秒只能处理2.5万到8万条数据，已难以匹配业务扩展的速度；存储成本高企：数据存储成本大幅度提升，存储资源的成本逐渐超出预期。运维压力巨大：重度依赖HBase，数据量持续累积带来了巨大的运维压力，整体平台运维非常沉重。业务延时严重：数据从边缘侧采集到应用层展示有显著延时；报表计算也无法在限定时间内完成，严重影响了业务的时效性。06破局之道03TDengine全栈时序数据处理平台在燃气企业，物联网技术与大数据分析相结合，正逐渐展现出其巨大潜力，帮助燃气企业优化运营决策，提高资源利用效率和经济效益。城市燃气企业利用智能燃气表具和物联网平台实时采集用户用能数据，并通过大数据分析平台进行智能分析统计，使得企业能够更详细地了解客户的用气行为、消费能源的习惯以及用能设备的情况，为客户提供更精准、更多样化的能源服务。然而，在构建“数据-资产-生产力”的转化路径中，仍是崎岖不平。涛思数据团队创新性地推出一套新的产品解决方案——TDengine：一款高性能、分布式的物联网、工业大数据平台，其核心是一高性能、可水平扩展的时序数据库。TDengine既不依赖任何第三方软件，也不是优化或包装了一个开源的数据库或流式计算产品，而是基于涛思数据团队对众多传统关系型数据库、NoSQL数据库、流式计算引擎、消息队列等软件的深入吸收和自主创新。TDengine具备时序数据汇聚、存储、分析与分发的功能，并拥有独特的技术优势。在燃气行业的时序数据处理方面，涛思数据团队提出“四位一体”的解决方案：数据应用智慧燃气监测数据应用智慧燃气监测管道泄露监测智能巡检与运维生产调度与优化用户服务和管理安全监控与管理......异构数据源AEP平台表厂平台抄表系统城市门站储配站输配管线/调压站智能表计/阀门......数据汇聚taosX-agent>taosX-agenttaosX-agent数据预处理核心引擎数据汇聚taosX-agent>taosX-agenttaosX-agent数据预处理核心引擎数据服务数据订阅边云协同数据分析>TDengine07TDengine将来自燃气供应和储配现场的各种类型数据源(SCADA系统、DCS系统、PLC系统、设备传感器、工业实时库系统、关系型数据库、文件存储等)的工业数据汇聚到一起，支持各类数据源和协议：支持各类数据源和协议：工业协议：OPCUA，OPCDA，MQTT消息队列：Kafka工业实时库：PISystem，AvevaHistorian时序数据库：TDengine，InfluxDB，OpenTSDB关系型数据库：Oracle，MySQL，SQLServer，PostgreSQLNoSQL数据库：mongoDB文本文件：CSV数据预处理：对入库前的数据进行清洗、加工、转换工作，以保证入库数据的质量，便于集中监测、进行总体数据分析。并且，利用TDengine零代码数据写入的能力，只需很少的配置，即可实现工业数据源的ETL(提取、转换和加载)流程。TDengine使用创新的存储结构，实现高10倍以上的读写性能。TDengine将汇聚的数据进行高效存储，通过列式存储、两级压缩以及针对不同数据类型的不同压缩算法等技术手段，实现了比通用数据库高十倍以上的压缩率。同时，通过按时间段分区、按设备分片、存算分离等技术，TDengine提供了强大的水平扩展能力。TDengine对外提供标准的SQL查询，提供流计算功能，提供标准的JDBC、ODBC接口以与众多的可视化、BI、AI/ML工具无缝集成，提供支持AI的高级数据分析。TDengine提供数据订阅功能，允许将处理后的数据实时分发给第三方应用。使用TDengine可以轻松构建起“边云协同”的级联解决方案。083.2化繁为简，TDengine完美匹配行业需求的底层架构TDengine采用“四位一体”地解决方案，能完美地满足燃气企业对海量时序数据进行高质量处理和智能应用的期待。这得益于TDengine作为全栈时序数据处理平台的优势。极简平台：典型的时序数据处理不仅仅需要一个时序数据库，还需要有消息队列、缓存和流式计算等组件的支持。为了简化系统设计和降低运行成本，TDengine充分利用时间序列数据的特点，内置了自己的缓存、流计算和数据订阅功能。这为时间序列数据处理提供了一个全栈的技术解决方案，使得TDengine成为一个极简的时序数据处理平台。详见：极简的解决方案与传统架构对比：在时序数据处理平台的通用设计中，数据被采集并写入消息队列，然后通过消费，进入ETL进行数据清洗转换，随后写入数据库(如HBase、MongoDB或MySQL)做持久化存储。同时，平台还会将最新数据缓存在Redis中，并将数据送入Spark或Flink等流式计算工具做实时分析，分析结果同样也会存储在数据库中。应用需要与Redis、Database以及Spark这些工具集成。TDengine通过内置缓存、流处理和数据订阅功能，为时间序列数据处理提供了一个极简的解决方案。它使得时序数据的处理不再需要Kafka、Redis、Spark、Flink、ETL或其他类似工具，从而大幅简化了系统设计，降低了系统的复杂度和运维成本。两者逻辑结构对比图如下：TDengineTDengineAppDatabaseAppKafkaETLDataSourceDataSourceSparkRedis09创新突围TDengine破解行业难题04通过创新的方式，TDengine解决燃气行业时序数据处理的3大难题：4.1极高性能，破解海量数据读写难题高性能：TDengine每秒能够处理数以万计的写入请求，插入数百万个数据点，读出一千万以上数据点，其读写速度比现有的通用数据库快十倍以上。这一卓越的性能归功于其3大创新：数据模型：一个数据采集点一张表；超级表：多个数据采集点的高效聚合；虚拟表：多个数据采集点的关联。TDengine充分利用时序大数据的特点，设计了新颖的存储引擎，大幅提升了数据的写入和查询速度，同时也大幅提高了数据压缩率。相对通用数据库，读、写、数据压缩性能至少高十倍以上；TSBS基准测试结果显示，相对于TimescaleDB、InfluxDB，性能也是远超。详见：高性能QUERYPERFORMANCE(3)燃气行业物联网采集的数据量庞大，单日即可产生GB级甚至TB级的数据，因此，高效的存储变得至关重要。TDengine采用了一系列的技术手段，在确保性能的同时，最大幅度低降低存储成本。高压缩率：TDengine高压缩率：TDengine提供多种压缩算法，压缩比业界领先，能将数据集压缩至原始大小的1/10。详见：高压缩率DISKSPACEUSAGE多级存储：TDengine提供了数据分级存储、S3存储等功能，将不同时间段的数据存储在挂载的不同介质上的目录里，从而实现不同“热度”的数据存储在不同的存储介质上，充分利用压缩、存储，节约成本。详见：多级存储HotHotDataWarmDataCRAMSSDHDDS3(Cache)(Tier0)(Tier1)(Tier2)LasthourLast10daysLast6monthsLast3years4.2严进严出，零代码提高数据质量燃气行业的AI落地，离不开高质量数据集的支持。然而在真实的物联网、工业互联网场景中，设备种类繁多，同一企业往往在多个地点运营着多个场站。由于建设时间的先后不一，各地的软件系统可能存在差异。因此，将不同地点的数据汇集并进行标准化处理变得至关重要。TDengine攻克了这个看似简单，实则操作极其复杂的问题。支持多种数据源：TDengine配备了一个强大的可视化数据管理工具taosExplorer。借助taosExplorer，用户只需在浏览器中简单配置，就能轻松地向TDengine提交任务，实现以零代码方式将来自不同数据源的数据无缝导入TDengine。在导入过程中，TDengine会对数据进行自动提取、过滤和转换，以确保导入的数据质量。用户无需部署额外的ETL工具，从而大大简化了整体架构的设计，提高了数据处理效率。下图展示了零代码接入平台的系统架构。deployeddeployedincloudorcentrallocationTDengineSystemSystemOPCMQTTOPCwarePISystemMQTT目前，TDengine支持包括MQTT、OPC-UA、OPC-DA、Kafka、CSV，传统实时数据库PISystem、Wonderware，关系型数据库MySQL、PostgreSQL、Oracle，时序数据库InfluxDB、OpenTSDB等的多种数据源。此外，TDengine还支持各种数据采集器如Telegraf、Collectd、Prometheus等，今后将支持更多。ETL:由于数据源可能来自多个不同的系统，每个数据源的物理单位、命名规则和时区都可能有所差异。为解决这一问题，TDengine内置ETL功能，可以从各个数据源的数据包中解析、提取需要的数据，并进行过滤和转换，以确保写入数据的质量，同时提供统一的命名空间。具体的功能如下：解析：使用JSONPath或正则表达式，从原始消息中解析字段。·从列中提取或拆分：使用split或正则表达式，从一个原始字段中提取多个字段。·过滤：只有表达式的值为true时，消息才会被写入TDengine。转换：建立解析后的字段和TDengine超级表字段之间的转换与映射关系。边云协同：TDengine允许一个实例从另外一个TDengine实例里订阅数据，构建起一个级联解决方案。在边缘侧，采集的数据可以保存在本地的TDengine，位于云端的TDengine实例可以通过订阅机制，实时汇聚来自一个或多个边缘侧的TDengine实例的数据。此外，TDengine还解决了断点续传、防火墙穿透和数据回填等技术问题。通过简单的配置，整个系统即可具备边云协同的能力，大幅降低了系统的复杂度和运维成本。4.3AI智能体，打通从数据到决策的最后一公里燃气行业的高级分析和AI应用场景非常广泛，涉及燃气设施、燃气管网、燃气终端等各个环节，研究人员提出和开发了各式各样不同技术特点的算法模型；这些算法和模型怎么样才能更快地在资产化的数据基础上进行验证，已经成为制约AI落地的重要因素。TDengine支持AI的高级数据分析，可助您一臂之力。高级数据分析：TDengine为工业数据提供了一个开放的解决方案，支持公有云和私有化部署，具备更为开放、低成本、并具水平扩展能力的实时分析。通过SOL和时序数据扩展，提供内建的分析能力，支持实时流式计算，能与众多第三方批分析、实时分析、报表工具、AIML工具、可视化工具无缝集成，如Grafana、帆软、永洪、PowerBl等。详见：高级数据分析时序数据分析AI智能体：TDgpt是TDengine内置的时序数据分析AI智能体，具备时序数据预测、异常检测、补齐和分类功能。支持多种模型算法动态切换，用户通过单条SQL即可调用。开放的SDK允许开发者集成自定义的AI算法或模型，并为TDengine全行业用户所使用。详见：访问TDgpttraining&uploadmodelstraining&uploadmodelsRequestWrapper/PromptRequestAdapterMerlionKatsend-to-endMLFrameworkDeepSeekLlaMaLargeLanguageModelsTime-MoETDtsfmTimeSeriesModelsAnalyticsLibraryStatsModelspyculiaritytaosdTDgptMnodeVnode1Vnoden1register2req3rsptorchkeras2req3rsp2req3rsppmdarima实践案例05TDengine助推智慧燃气落地TDengine在燃气行业有丰富的实践案例，更多详情可以参考官网信息。本文列举其中几个典型场景。5.1泛能网能碳产业智能平台：基于TDengine的底座升级新奥集团是国内较大的清洁能源分销商。旗下的新奥数能，基于集团过去30多年在燃气行业的经验积累，以及10多年来对泛能理念的深刻理解，结合物联网、大数据和人工智能技术，打造了一个智能能碳产业平台“泛能网”。泛能网的建设理念是从底层物联设备中采集客户需要解决的关键设备数据，汇总到平台，经过大规模的数据处理后，生成监控和运维的指标。接着，通过智能算法和仿真能力，为客户提供包括实时监控、运营管理，甚至未来的碳交易等一系列应用产品。自2018年平台建设启动以来，遇到了一些行业内普遍存在的痛点：海量物联设备的数据采集问题。举一个简单的例子：服务于5000多家客户，每个客户有约50台设备，每台设备每分钟采集10到20个数据点，那么每秒的数据处理量(TPS)就达到9万左右。如果涉及到电力等领域，数据采集的频率还可能更高，达到秒级甚至毫秒级，数据量会成倍增加。数据查询的多维度要求。客户可能基于时间维度，需要查看最大值、最小值、平均值，甚至差值分析。同时，他们对查询结果的响应速度有很高的要求。·存储成本压力。数据的长期存储也是一大挑战。有些客户希望保留5年甚至10年的数据，这对存储空间和查询索引带来了不小的压力。指标计算不准确。典型问题是日数据、月数据和年数据无法互相验证。在日数据与月数据比较中，用电数据差异约7%，用水及蒸汽数据差异约18%，用燃气数据差异超过31%；在月数据与年数据比较中，总体差异超过50%。这是一个长期存在的系统性问题。指标计算不及时。这主要源于过去采用的计算方式依赖于任务调度和公式计算。这种方式不可避免地会导致计算延迟，因为调度过程本身就存在一定的延时，尤其是当涉及大量历史数据计算时，频繁的调度会造成更显著的延时。此外，某些数据测点如果出现断数或数据丢失，也会进一步影响数据的及时性。泛能网曾基于OpenTSDB的存储方式，结合任务调度来完成数据处理。这种方式的核心问题是任务调度的不及时性和频率不一致，导致了数据加工的延迟和不准确。此外，数据采集和处理共用同一套存储资源，造成了资源瓶颈。TDengine解决方案：泛能网在基础设施选型方面，从几个技术维度进行深入考虑，包括技术的适配性、国产化程度、成熟度、社区活跃度以及商业化支持等。经过对TDengine、OpenTSDB、InfluxDB、Kdb+、TimescaleDB等多种方案的对比，综合分析发现，TDengine在满足这些维度需求上具有明显优势，在各方面的表现十分适合业务需求。确定底层架构后，泛能网对技术架构进行了相应的调整。首先，将任务调度模式升级为流式计算模式。流式计算在互联网应用中已十分普遍，但在工业互联网中仍较少应用。通过引入流式计算，能够将原有的任务调度方式转变为实时流式处理，这有效解决了任务调度中的延迟问题。同时，还将数据采集与计算分离，构建了“采算分离”架构：即通过物联网平台实现数据采集，再使用流式处理对采集到的测点数据进行实时加工与计算，进一步提升了数据处理的实时性与准确性。在具体落地应用方面，以针对空压机的能耗监测和运行状态管理场景为例，空压机系统内可能包含多个空压机组，同时配备电能表或流量计作为测点设备，需要对这些测点的数据进行一级和二级的指标处理。在TDengine中，充分利用了超级表和子表的功能，将不同类型的测点归类为超级表，每台设备的实例对应子表。每个子表中的行记录对应设备的数据点，列则代表具体的测点。这一模型提供了高效的测点数据存储方式。在指标计算方面，常见的指标计算中会涉及不同的时间维度，如时、分、秒、日、月、年等。大部分应用场景要求在界面上展示某一分钟的指标曲线或某个时间段的指标趋势。因此，基于时间维度构建超级表，不同的时间类型作为分类维度，每个子指标作为子表，记录具体的指标值。这样一来，就完成了数据采集和指标计算的存储模型定义。通过这次平台升级，取得非常显著的效果：及时性得到了大幅提升。对比以往，计算频率最少提高了4倍，最高的时候，例如从年指标计算频率两天一次提高到每分钟一次，时效性提高了100倍。计算时长方面，最少也提高了两倍，最高提升了8倍。计算准确度有了很大提升。通过流式处理和层级加工的方式，指标数据能够前后一致地匹配，解决了无序数据带来的准确性问题。同时，延迟数据的处理也更加智能化，可以自动计算延迟测点的数据，并递归修正受影响的所有指标。对于日、月、年指标计算频率不一致的问题，也做了统一处理，现在所有计算频率统一为15分钟，并使用统一的时间窗口进行计算，确保数据的准确性。最终，客户投诉率几乎降为0。5.2智慧燃气监控中心：毫秒级报警+存储减半明厦科技在智慧燃气领域深耕多年，构建了覆盖数万家庭及工商业场景的燃气监控系统，采用NB-loT通信技术(正向4G平滑过渡)实现实时数据采集与报警联动。当室内燃气值超标时，报警感应(快速检测反应，反应时间小于5秒)将第一时间获取信息并启动相关关联器防护措施，并通过NB-lOT模块传输信号，实时上报智慧燃气监控中心。这个远程的智慧燃气“指挥官”能对烟雾、天然气、高温、湿度等四项隐患及时感应，并提供一步到位的人员上门维修服务。随着设备规模接近十万量级，原有MySQL存储方案在时序数据高频写入和查询性能上逐渐暴露瓶颈，分库分表的复杂度也带来了额外的运维负担：MySQL存储了大量数据后，写入和查询效率大幅衰减，特别是在复杂查询和聚合大数据集时性能下降更为明显；数据压缩比低，占用了大量的磁盘空间；多用户或者应用访问时，会出现并发访问和锁的问题；数据分区和归档非常麻烦，系统异常后，数据恢复周期太长；数据协同效率太低，无法做到秒级数据同步。TDengine解决方案：明厦科技决定升级核心存储架构，引入TDengine，利用其原生时序数据模型与“超级表”机制，优化数据管理和查询性能，同时降低系统运维成本。经过架构升级，燃气监控系统的存储效率与稳定性大幅提升。TDengine的列式存储压缩显著减少了存储占用，使单台服务器即可支撑全量业务，降低硬件投入。设备数据实现自动分片管理，彻底摆脱传统分库分表的复杂性，提高运维与开发效率。同时，毫秒级报警响应确保燃气泄漏信息快速推送至用户端，进一步优化应急管理流程。TDengine具备的高可用性和横向扩展能力，也为未来的设备监测、区域安全分析等增值服务奠定坚实的技术基础。从MySQL迁移至TDengine后，设备数据自动分片，运维更简单。列式存储可减少50%的存储占用，单服务器即可支撑全量业务。毫秒级漏气报警响应时间控制在500ms以内，提升应急管理效率。新架构支持未来业务扩展，如设备监测、区域安全分析。5.3城燃公司物联网平台：支撑数百万智能终端的接入某燃气公司拟建设一套物联网智能设备平台来满足各类物联网设备接入以及数据的采集、存储、分析、展示等各类需求，项目需包括数据采集模块、数据分析模块、监控告警模块、预付费实时结算模块