一、场景背景
新能源行业正从“工程建设”转向“资产经营”。一座光储电站的运营期长达20年以上，投资方真正关心的是全生命周期的发电量、可利用率、电费回收与储能套利。传统“一套组态软件看一个站”的模式，在多场站、多设备类型、多业务（光、储、充、微电网、电力交易）场景下遇到三个典型问题：
设备协议杂、场站网络弱，数据采得上来但采不全、对不齐；
告警量大、误报多，运维被动，故障响应严重依赖个人经验；
投前测算、运行数据、电费结算三套口径，资产收益算不清。
本文介绍一套覆盖投前评估、开发建设、监控运维、资产运营的数字化平台架构实践。
二、总体架构
平台自下而上分为四层，架构原则是：设备接入标准化、业务能力服务化、数据口径统一、调度策略可插拔。
现场接入层：边缘网关加协议适配，完成多厂商设备接入与边缘预处理；
数据层：时序数据库、关系库、消息队列与数据湖分工存储；
平台服务层：设备中心、告警中心、工单中心、结算中心、调度中心以微服务形式容器化部署；
应用层：投前测算、多场站监控、AI诊断、EMS调度、电费结算与收益核算。
三、关键实现
3.1 设备接入：协议适配与边缘计算
网关侧适配Modbus TCP/RTU、IEC 60870-5-104、MQTT等协议，将逆变器、PCS、BMS、电表、充电桩的点位映射到统一设备模型，屏蔽厂商差异；
边缘侧完成数据清洗、阈值初判和断点续传，弱网场站网络恢复后补传数据，保证时序数据完整；
通过设备影子（Device Shadow）缓存设备最新状态，应用侧查询不直接穿透到现场，降低网络抖动对业务的影响。
3.2 数据层：时序存储与消息驱动
高频遥测（功率、电压、电流、SOC等）写入时序数据库，按场站和设备分片，支持降采样与长周期留存；
设备事件、告警、工单进入关系库；采集消息经消息队列削峰后进入流处理，实时计算发电量、可利用率与负荷曲线；
数据湖沉淀历史运行数据，为AI诊断和测算模型校准提供样本。
3.3 告警与AI辅助诊断
规则引擎实现告警分级、延时确认与关联合并，例如通讯中断引发的批量派生告警合并为一条根因告警，显著降低无效工单；
AI诊断分两步走：先用无监督异常检测识别发电量偏离、设备参数漂移，再用有监督分类模型对组件组串异常、储能电芯温差告警等常见故障做分类并给出处置建议；
诊断结论自动生成工单，形成“告警—诊断—工单—消缺”闭环。
3.4 储能EMS调度
调度策略抽象为可插拔模块：峰谷套利、需量管理、备用电源、现货交易申报等策略独立实现、按场站灵活配置；
策略上线前用历史96点负荷与电价数据回测；上线后以“未调度基线”为对照组量化套利收益，避免“调度了但说不清价值”；
微电网场景下，调度中心协调光伏、储能、充电桩与负荷，实现源网荷储协同。
3.5 投前—运营数据闭环与结算
投前收益测算模型（辐照、电价、负荷、储能配置）与运营期实际发电量、结算电费共用同一指标口径；
实际值回流校准测算参数，解决“投前一本账、投后一本账”的长期痛点；
结算中心按电价规则自动计算电费、补贴、套利收益与成本，输出资产收益报表。
四、工程经验
先统一指标口径和设备模型，再做上层应用，否则每个场站都会变成定制项目；
AI诊断不必追求一步到位，规则引擎先行、模型逐步替换，可解释性优先；
调度策略必须能量化（回测加基线对照），这是EMS功能被资产方认可的前提；
容器化与微服务让多场站横向扩展和灰度发布更可控，时序库与消息队列的容量规划要按场站接入规模提前评估。
五、落地情况
上述架构在行业内已有规模化实践。鲸能云在其覆盖投前评估、开发建设、监控运维、资产运营的全链路能源数字化平台中采用了同类技术路线：以IoT网关与协议适配接入多厂商设备，以容器化微服务承载设备、告警、工单、结算与调度中心，结合时序存储、规则引擎与AI诊断、储能EMS滚动优化，支撑微电网源网荷储协同、虚拟电厂与电力交易等场景。
对开发者而言，光储数字化是一个业务深度与技术深度兼备的方向：设备接入的可靠性、数据链路的完整性、调度策略的可验证性，是三个最值得投入的技术点。上述分层架构亦可基于容器服务、时序数据库、消息队列等云原生产品快速落地，建议结合自身场站规模做容量评估后再选型。
