3 节点集群支撑千万级数据流，时序数据库 TDengine 助力极企科技稳跑智慧办公场景
小T导读：作为国内领先的智能办公整体方案提供商，成都极企科技有限公司已为全球上万家企业提供智能化建设方案，覆盖办公楼宇与园区面积已超百万平米。为应对日益增长的物联网数据接入需求，极企科技引入 TDengine TSDB 时序数据库，实现海量设备数据的实时采集、高效存储与智能分析，显著提升了设备监控系统的响应速度与数据处理能力。本文将分享这一智慧楼宇解决方案基于 TDengine的应用经验与实践成果。 我们的智慧楼宇解决方案主要面向集团总部、新建办公大楼、政府园区等行业头部客户。这类客户普遍具备完善的 IT 基础与多年的办公系统建设经验，正处于从传统办公向智能化、数字化升级的关键阶段。在这一过程中，他们对智能化办公、物联网和数字化管理有较高的认知与明确的建设需求，期望通过新一代技术手段实现办公环境的智能协同与运营效率的全面提升。 在某大厦智能化项目中，共有 30 层楼宇，部署近万台传感器设备，涵盖人体感应、空气质量、厕位、烟雾、电量、水浸等多种类型。所有传感器均以秒级频率上报数据，日均数据量高达数千万条，对系统的数据采集与处理能力提出了极高要求。 该项目面临设备数据高频采集、多维度实时分析（设备状态、能耗、故障预测）以及历史数据长期存储三大挑战。传统关系型数据库在此类场景中存在明显不足，如写入性能瓶颈、查询延迟高、存储成本激增等问题。以 MySQL 和 PostgreSQL 为例，在存储设备时序数据时，由于缺乏原生的时间分区支持，当单表数据量超过千万级后，查询性能会出现断崖式下降，需人工分表分库，运维复杂度激增。同时，未压缩的原始数据占用空间庞大，存储成本高昂。 在智慧楼宇项目的建设过程中，数据接入规模大、处理链路复杂、系统稳定性要求高，对底层数据库的性能与可靠性提出了极高要求。经过多方技术选型与验证，我们最终选择了 TDengine TSDB 作为核心时序数据库，主要基于以下考虑： 系统采用 Node-Red 作为数据流控制与可视化管理核心，实现全链路的数据采集、处理与展示。整体架构如下： 项目初期采用 3 节点集群架构，数据库配置为 3 副本模式，以实现系统高可用与数据冗余，具体配置如下： 系统上线后该集群运行稳定，能够高效处理全部传感器采集数据，全面满足项目预定的各项指标。在确认技术架构稳定可靠后，我们将订阅模式变更为永久模式，将长期使用以 TDengine TSDB 为核心的技术架构。 流计算 在使用过程中，我们发现某会议室的人体传感器流计算结果存在异常，最近一分钟的数据未被正常计算。经排查，原因是服务器时间未与时间服务器同步。安装并配置 NTP 服务完成时间同步后，流计算功能恢复正常。 powersensor\_loop 表结构如下图所示： 经分析发现，上述嵌套查询语句只在外层添加了时间范围条件，而内层查询未作限制，导致内层查询需读取全量数据，执行耗时长且占用大量临时空间。优化后，我们将时间范围条件前移至内层查询，使其仅在指定时间范围内读取数据，从而显著减少数据扫描量并提升执行效率。 当前系统使用的版本为 TDengine TSDB 3.3.6，因流计算暂不支持 成都极企科技有限公司成立于 2014 年，注册资本 392 万元，专注于智能化办公解决方案的研发与落地。公司具备自主软硬件研发能力，已取得多项国家专利及资质认证，为全球上万家企业提供智能化解决方案，累计完成超过百万平方米的办公楼宇与园区智能化建设。客户涵盖美团、爱奇艺、腾讯、阿里、联想、华为、富力、金地等行业头部企业，形成了从硬件设计、软件开发到工程实施的一体化核心竞争力。 何铮，公司创始人兼项目带头人，毕业于电子科技大学，国家特聘专家。拥有二十年办公领域产品开发经验，带领企业完成三轮千万级融资。背景和痛点
为什么选择 TDengine TSDB
TDengine TSDB 落地实践
架构描述
智能应用场景示例
数据库建模
CREATE STABLE IF NOT EXISTS airsensor (
ts timestamp, 时间
pm25 int, PM2.5
pm10 int, PM1.0
tvoc int, TVOC
co2 int, 二氧化碳
formaldehyde float, 甲醛
noise float, 噪音
temperature float, 温度
humidity float, 湿度
light int, 光照
h2s int, 硫化氢
ch4 int, 甲烷
co int, 一氧化碳
no2 float, 二氧化氮
h2 int, 氢气
odor float 异味
) TAGS (
position NCHAR(200),
space NCHAR(20),
floor_area NCHAR(20),
floor NCHAR(20),
area NCHAR(20),
device_code NCHAR(20),
device_id int,
factory NCHAR(50),
model NCHAR(50)
);create stream if not exists mroom_stream trigger at_once into mroom_stream_status (ts,status) tags(
space,
floor_area,
floor,
area
) subtable(
cast(
concat('mss_', space, '_', floor_area, '_', floor, '_', area) as varchar
)
) as
SELECT
_wstart as ts,
case
when sum(status) > 0 then 1
else 0
end as status
FROM
bxserver.humensensor partition by space,
floor_area,
floor,
area interval(1m) fill(value,-1);select _wstart as ts, max(total_kwh)-min(total_kwh) as used from bxserver.powersensor partition by tbname interval(1d);
落地效果
TDengine 应用经验分享
powersensor_loop 表按行记录传感器的瞬时实测值。为计算当天的用电量，需要对相邻两行取差值后再用 SUM 求和。最初我们采用的是如下嵌套子查询方案，不仅执行时间长，而且占用较大的临时空间：select TO_CHAR(_wstart, 'YYYY/MM/DD HH24:MI:00') as ts, TO_CHAR(_wstart, 'HH24') as hour, sum(kwh) as kwh, space,floor_area,floor,type from (select _rowts as ts, diff(kwh) as kwh, space, floor_area, floor, area, device_id, loop, type frombxserver.powersensor_loop partition by space, floor_area, floor, area, device_id, loop, type) where ts >= TO_UNIXTIMESTAMP('2025-08-28 00:00:00') and ts <= TO_UNIXTIMESTAMP('2025-08-28 23:59:59') partition by space, floor_area, floor, type interval(1d) order by floor asc; 
select TO_CHAR(_wstart, 'YYYY/MM/DD HH24:MI:00') as ts, TO_CHAR(_wstart, 'HH24') as hour, sum(kwh) as kwh, space,floor_area,floor,type from (select _rowts as ts, diff(kwh) as kwh, space, floor_area, floor, area, device_id, loop, type frombxserver.powersensor_loop where ts >= TO_UNIXTIMESTAMP('2025-08-28 00:00:00') and ts <= TO_UNIXTIMESTAMP('2025-08-28 23:59:59') partition by space, floor_area, floor, area, device_id, loop, type) partition by space, floor_area, floor, type interval(1d) order by floor asc;
未来规划
diff 函数，无法直接计算相邻数据差值。后续我们计划升级至最新版本 3.3.8，新版本已支持 diff 函数，可将每日电量数据的差值计算结果直接写入流计算结果表，进一步简化后续的查询与汇总分析流程。关于成都极企科技
关于作者
