4. SCADA实时数据库选型与集成
SCADA系统采集的遥测数据具有典型的时序特征：按固定周期产生、带时间戳、写多读少、按时间范围聚合查询。传统关系库在每秒数万点写入时很快遇到瓶颈，因此本项目在采集层与业务层之间引入时序数据库（TSDB）作为实时/历史数据存储。本节围绕InfluxDB与TDengine两条主流路线，讲清选型依据、部署方式、数据模型设计，以及源码中写入与查询接口的实现。
一、选型：InfluxDB 与 TDengine 的取舍
两者都能满足SCADA场景，但定位不同。InfluxDB 2.x 采用 measurement + tag + field 模型，生态成熟、Flux/InfluxQL 查询灵活、Grafana 原生支持好，适合测点种类多、标签维度丰富的项目；其单机写入能力约数十万点/秒，集群版为商业授权。TDengine 采用“一个设备一张表”的模型，超级表（STable）定义schema，子表按设备自动扩展，内置降采样、流式计算和缓存，压缩率高、单机写入可达百万点/秒，且开源版即可用集群，适合测点数量大、以设备为单位的电力/能源监控。
本项目的选型判断可归纳为：若现场设备数在千级以内、需要复杂标签过滤与灵活聚合，选 InfluxDB；若设备数上万、以“设备+测点”固定结构为主、追求写入吞吐与存储成本，选 TDengine。示例项目默认采用 TDengine 3.x，同时保留 InfluxDB 适配层，通过统一接口屏蔽差异。
二、部署：单机起步，容器化落地
示例项目采用 Docker Compose 部署，便于开发与现场一致。TDengine 3.x 单机部署命令如下，映射 6030（原生连接）与 6041（REST/taosAdapter）端口：
docker run -d --name tdengine \
-p 6030:6030 -p 6041:6041 \
-v /data/taos:/var/lib/taos \
-e TAOS_FQDN=tdengine \
tdengine/tdengine:3.2.0.0InfluxDB 2.x 则需初始化组织、bucket 与 token：
docker run -d --name influxdb \
-p 8086:8086 \
-v /data/influx:/var/lib/influxdb2 \
-e DOCKER_INFLUXDB_INIT_MODE=setup \
-e DOCKER_INFLUXDB_INIT_USERNAME=scada \
-e DOCKER_INFLUXDB_INIT_PASSWORD=Scada@2024 \
-e DOCKER_INFLUXDB_INIT_ORG=energy \
-e DOCKER_INFLUXDB_INIT_BUCKET=scada_raw \
influxdb:2.7部署后需验证：TDengine 用 taos -h tdengine -s "show databases;" 确认连通；InfluxDB 用 curl http://localhost:8086/health 返回 {"status":"pass"}。生产环境还应配置数据目录独立磁盘、开启 WAL、设置合理的 maxRows 与缓存参数。
三、数据模型设计
SCADA点位可抽象为“设备—测点—时间—值—质量码”。TDengine 中，用超级表定义一类设备的公共schema，子表按设备实例创建。示例：
CREATE DATABASE scada KEEP 90d PRECISION 'ms';
USE scada;
CREATE STABLE meters (
ts TIMESTAMP,
value DOUBLE,
quality TINYINT
) TAGS (
station BINARY(32),
device BINARY(32),
point BINARY(32),
unit BINARY(16)
);
CREATE TABLE dev_001 USING meters
TAGS ('变电站A', 'METER_001', 'Ua', 'V');InfluxDB 对应模型为 measurement=meter，tag 为 station/device/point/unit，field 为 value/quality。两者共同原则：标签（tag）用于过滤，字段（field）用于计算；时间戳统一毫秒精度、UTC 存储；质量码 0=正常、1=可疑、2=无效，便于查询时过滤坏点。
四、源码中的写入接口
写入适配层定义统一接口，屏蔽底层差异。以 Go 为例：
type Point struct {
Ts int64 // 毫秒时间戳
Device string
Point string
Value float64
Quality int8
}
type TSDBWriter interface {
WriteBatch(ctx context.Context, pts []Point) error
Close() error
}TDengine 实现使用参数绑定与批量插入，避免SQL拼接注入并提升性能：
func (w *TaosWriter) WriteBatch(ctx context.Context, pts []Point) error {
tx, err := w.db.Begin()
if err != nil { return err }
stmt, _ := tx.Prepare("INSERT INTO ? USING meters TAGS(?,?,?,?) VALUES(?,?,?)")
for _, p := range pts {
stmt.SetTableName("dev_" + p.Device)
stmt.SetTags("变电站A", p.Device, p.Point, "V")
stmt.SetTimestamp(0, time.UnixMilli(p.Ts))
stmt.SetFloat(1, p.Value)
stmt.SetInt8(2, p.Quality)
if _, err := stmt.Exec(); err != nil { return err }
}
return tx.Commit()
}InfluxDB 实现使用 Line Protocol 批量写入：
func (w *InfluxWriter) WriteBatch(ctx context.Context, pts []Point) error {
var buf bytes.Buffer
for _, p := range pts {
fmt.Fprintf(&buf, "meter,station=变电站A,device=%s,point=%s value=%f,quality=%di %d\n",
p.Device, p.Point, p.Value, p.Quality, p.Ts*1e6)
}
_, err := w.api.WriteWithResponse(ctx, w.org, w.bucket, buf.String())
return err
}写入策略上，采集服务将点位放入环形缓冲，每 500 点或每 200ms 触发一次批量写入；失败时指数退避重试，超过阈值写入本地磁盘队列，恢复后补传，保证断网不丢数据。
五、查询接口与结果判读
查询接口需支持三类典型需求：最新值（实时画面）、时间范围原始值（趋势）、降采样聚合（报表）。TDengine 示例：
-- 最新值
SELECT LAST_ROW(value) FROM meters WHERE device='METER_001' AND point='Ua';
-- 5分钟平均，过滤坏点
SELECT _wstart, AVG(value) FROM meters
WHERE point='Ua' AND quality=0 AND ts >= NOW-1h
INTERVAL(5m);InfluxDB 对应 Flux 查询：
from(bucket:"scada_raw")
|> range(start: -1h)
|> filter(fn:(r) => r._measurement=="meter" and r.point=="Ua" and r.quality==0)
|> aggregateWindow(every: 5m, fn: mean)结果判读要点：若最新值查询返回空，先确认设备是否在写、时间戳是否落在保留期内；若聚合曲线出现断点，检查 quality 过滤是否过严或采集是否丢点；若查询延迟高，应确认是否命中时间索引、是否对 tag 做了高基数设计。建议在接口层统一返回 {ts, value, quality} 数组，前端不感知底层库差异。