组串级监测的数据规模
光伏电站的数据采集粒度在过去几年经历了从整机聚合到组串级下沉的转变。早期SCADA系统以逆变器为最小采集单元，每台组串式逆变器上报直流侧总功率、交流侧三相电压电流、日/累计发电量等十余个指标。一台组串式逆变器内部包含6-12路MPPT（最大功率点跟踪）通道，每路MPPT挂载1-4个组串，但这些通道级数据在传统架构中并不上报。
组串级监测将采集粒度下沉至每一路MPPT。一台100kW组串式逆变器典型配置8路MPPT，每路上报电压、电流、功率、发电量四类指标。一个100MW电站约配置1000台组串式逆变器，直流侧MPPT级测点约8000个；若进一步下沉到单个组串，测点数量再翻倍。叠加汇流箱、升压站、气象站测点，全站测点规模通常在2万至5万之间。
测点膨胀带来的直接后果是写入量的非线性增长。以分钟级采集估算，5万测点每天产生7200万条记录；若故障诊断相关的关键测点提升到秒级，写入量再提升一个数量级。传统基于关系型数据库的SCADA架构在这个量级下很快触及写入吞吐与存储成本的双重上限，而基于标签索引的监控系统又会因高基数标签导致内存膨胀。选型需要在设备基数、采样频率、保留周期三个维度上做权衡。
采样频率的分层设计
光伏电站的数据类型差异大，单一采样频率无法同时满足成本与精度要求。合理的架构是按数据用途分层设定采集频率，这要求时序数据库的写入路径支持多频率混合写入。
发电量统计类数据采用分钟级采集。逆变器上报功率、发电量的周期通常为1-5分钟，这类数据用于PR（性能比）计算、日/月/年报表、发电量考核，分钟级精度足够，数据量可控。
故障录波类数据需要毫秒至秒级采集。组串级直流侧的电弧检测（AFCI）要求在毫秒级捕捉电流高频分量；逆变器故障瞬间的电压跌落、功率振荡、MPPT失配需要秒级连续采样才能还原波形。这类数据采用触发式采集——平时仅常规采样，检测到异常信号时启动高频录波，录波窗口通常为故障前后各数秒。
气象数据独立于电气采集体系。总辐照度、直射辐照度、散射辐照度、组件背板温度、环境温度、风速风向，辐照度采样一般为1秒一次。辐照度是发电量理论值计算的关键变量，其采样精度直接影响PR计算与功率预测的准确性。
数据类别 | 采样频率 | 典型测点规模 | 数据特征 | 保留策略 |
功率/发电量 | 1-5分钟 | 万级 | 平滑、周期性强 | 3-5年全量 |
故障录波 | 毫秒-秒 | 千级 | 突发、高频 | 按事件保留 |
辐照度/气象 | 1-10秒 | 十级 | 连续、缓变 | 长期全量 |
状态/告警 | 事件驱动 | 万级 | 离散、稀疏 | 长期全量 |
辐照度-功率关联与发电量损失定位
发电量损失的定位依赖多变量关联分析。核心变量包括辐照度、组件温度、MPPT级直流功率。理论功率由辐照度经温度系数修正后计算得出，实际功率与理论功率的偏差即性能损失。
辐照度对功率的映射是分析的基础。晶体硅组件在标准测试条件（1000W/m²、25℃、AM1.5）下达到额定功率，辐照度与功率呈近似线性关系，但随辐照度降低，组件效率下降（低辐照效率损失）。组件温度的修正系数通常为-0.3%/℃至-0.45%/℃，即温度每升高1℃，输出功率下降0.3%-0.45%。
组串级对比是损失定位的关键手段。同一台逆变器下的不同MPPT通道、同一MPPT下的不同组串，在相同辐照度与温度条件下理论上应输出相近功率。若某组串功率持续低于相邻组串5%以上，且排除朝向、遮挡等结构性因素，则指向组件衰减、热斑、隐裂或连接故障。
遮蔽损失需要区分静态与动态。组件清洗周期内的积灰造成缓慢累积的功率衰减，清洗后功率跳变恢复；鸟粪、落叶等局部遮挡造成单组串的阶跃式下降，且随日照角度变化。通过分析功率曲线形态，可以区分两类损失并触发针对性的运维工单。
损失类型 | 数据特征 | 诊断依据 | 处理方式 |
积灰遮挡 | 缓慢累积衰减 | 清洗前后功率阶跃 | 定期清洗 |
局部遮挡 | 阶跃式下降 | 随日照角度波动 | 定点清除 |
热斑 | 单点温度异常 | 红外/背板温度 | 组件更换 |
隐裂/衰减 | 组串持续偏低 | 跨组串对比 | 组件更换 |
MPPT失配 | 通道间差异 | MPPT级功率对比 | 组串重接线 |
数据模型的层级适配
光伏电站的数据层级天然是树状的：电站→升压单元→逆变器→MPPT/组串。这一层级关系适合用时序数据库的标签（Tag）模型表达，而非为每个设备建立独立的表结构。
以设备层级作为标签维度，测点作为列，时间作为主键。逆变器表以电站ID、逆变器ID为标签，组串表以电站ID、逆变器ID、组串ID为标签。查询某电站全部逆变器的发电量，通过标签过滤一次性定位；查询单个组串的历史曲线，通过标签精确命中。相比关系型数据库的JOIN查询，标签过滤配合时间分区在数据量增长时保持相对稳定的性能。
标签基数需要控制。电站、逆变器、组串三级标签组合后的基数等于组串总数，一个100MW电站约数万个组串，标签维度基数适中。真正需要避免的是把动态变化的业务属性（如运维人员、工单编号）作为标签，这类高基数标签会显著膨胀索引。TDengine的标签模型将标签与被采集数据分离存储，配合标签索引，在数万设备的场景下仍能保持较低的元数据开销。
时间分区与设备分区可以叠加使用。按天或按周做时间分区，按电站或逆变器做设备分区，使”最近一周某电站的组串对比”这类查询只需扫描少量分区。分区粒度的选择需要在分区数量与单分区扫描量之间平衡——分区过细导致元数据开销上升，分区过粗导致单分区扫描量过大。
结语
组串级监测的价值不在数据量的堆砌，而在于能否把海量测点转化为可定位、可行动的运维决策。从架构角度看，光伏电站的数据平台正在从”采集-存储”两段式向”采集-实时分析-长期存储-离线挖掘”四段式演进，时序数据库既是长期数据底座，也逐步承担实时计算的职责。TDengine的标签模型、列式压缩与流式计算能力，为这一演进提供了可落地的技术路径。当电站规模从百MW走向GW级、测点从万级走向十万级时，数据平台的架构选择将不再是成本项，而是决定运维效率的技术前提。
