TDengine 流计算实践指南：从平均风速到复杂流计算解析

在新能源行业中，多采用数据中台来管理业务数据，使用时序数据库（Time Series Database）来管理时序数据，他们的数据都来自数采网关。以风力发电场景为例，需要实时计算风机的各种 KPI 指标，往往通过数据中台的定时任务来完成这些计算。目前，现有的方案存在几个方面的问题：首先，由于是定时任务，KPI 计算的实时性无法保证，特别是在 KPI 的计算需要多个步骤才能完成的情况下，延迟可能会长达几分钟甚至十几分钟。其次，由于数据中台基于 Hadoop 生态，架构臃肿、组件繁多，需要大量服务器，不仅导致业务应用开发成本高昂、同时也导致系统的运维成本居高不下。

因此，为了提高业务响应速度和实时性，客户希望将 KPI 计算任务卸载到 TDengine。希望借助 TDengine 的流计算功能，大幅度提升 KPI 计算的效率和实时性。采用 TDengine 流计算后，简单的 SQL 即可实现 KPI 计算需求，将业务响应时间（流计算的开发时长）从数周缩短一两天甚至数小时，极大地提高了业务响应能力，显著地提高了企业的竞争力。

此外，引入 TDengine 流计算后，KPI 计算的延迟从几分钟甚至十几分钟缩短到秒级甚至毫秒级，大幅度地提升了实时性。从基于 Hadoop 生态的批任务到基于 SQL 的流式计算，不仅降低了开发复杂度和开发测试成本，还减少了数据中台的服务器集群规模，显著降低了成本和运维复杂度，实现了降本增效的目标。

本文将从“实时计算 95 个风机的平均风速”到“复杂 KPI 的流计算”两大场景进行阐述，从代码层面为你解读 TDengine 流计算的强大功能，助力新能源行业的应用。

实时计算 95 个风机的平均风速为尽可能还原真实业务场景，我们模拟 95 个风机，1 秒钟上报 1 条数据的场景。

创建数据库

创建超级表

创建子表

注意：流计算会考虑过期数据以及乱序数据，如果原来的表中已经有数据，新写入的数据时间若早于已有数据，有可能因为数据过期被丢弃。如果数据被丢弃，有可能无法生成新的流计算结果。

模拟 95 个风机，1 秒钟上报 1 条数据的场景：

其中，insert_1s1row.json 是 taosBenchmark 的配置文件，配置方法请参考：taosBenchmark 插入场景 JSON 配置文件示例 。其中关键参数如下：

创建流计算

查询流计算结果

复杂流计算场景该场景的 KPI 计算规则复杂，并且数据模拟的难度非常大，因此，本演示只展示复杂 KPI 计算逻辑，不展示流计算实时计算的过程。

业务需求该 KPI 的计算公式，如下：

其中：

n 为该日的样本总数，15 分钟一个点记作 i；pmi 为 i 时刻的实际功率；ppi 为 i 时刻的短期预测功率；

若 pmi = 0，则 i 时刻的预测值直接 = 0；

若 ppi > 2 * pmi，则 i 时刻的结果直接 = 1；

否则，预测值按照上面的公式计算。

创建超级表

创建一阶段流计算

创建二阶段流计算

向源表写入数据

查询计算结果

写在最后通过本文的介绍和示例，我们可以清晰地看到 TDengine 在处理大规模时序数据和实时流计算方面的强大功能。它不仅显著提高了业务响应速度和实时性，还大幅降低了系统的开发和运维成本。在新能源领域 KPI 计算的实际应用中，TDengine 成功地解决了定时任务的延迟问题，实现了秒级甚至毫秒级的实时计算。

未来，随着业务需求的不断增长和复杂性提升，TDengine 的流计算能力将为更多场景提供高效、可靠的解决方案。希望本文的分析和实操示例能为广大用户带来启发和帮助，让大家在实际项目中充分发挥 TDengine 的优势，实现更高效的业务管理和数据处理。

关于 TDengine 流计算的更详细信息可查阅官方文档：https://docs.taosdata.com/develop/stream/

————————————————