一、先抛结论时序这条赛道国测名录里终于不再空白做工业数据治理的同学应该有体感过去十年的“国产化替代”浪潮在关系型数据库达梦、OceanBase、操作系统麒麟、统信、芯片鲲鹏、飞腾上进展迅猛但时序数据库Time Series Database这一细分领域在国家信息安全测评中心的名录里长期是空白。这对关键基础设施关基来说是个隐患。电网、核电、轨道交通、石油化工这些场景过去大量依赖 InfluxDB、PI System 等海外产品。虽然 InfluxDB 开源版还能凑合用但企业级功能受限于商业授权且面临潜在的供应链断供风险而 PI System 的授权费用极高且数据出境合规问题难以解决。2026 年 5 月 26 日中国信息安全测评中心联合国家保密科技测评中心发布了《安全可靠测评结果公告2026 年第 2 号》。在分布式数据库品类中共有 23 款产品过测其中时序数据库仅有天谋科技的 TimechoDB V2.0 一款。查阅其企业版官网 Apache IoTDB_国产开源时序数据库_时序数据管理服务商-天谋科技Timecho 的公告可知这也是自 2023 年以来首个且唯一通过安可测评并被明确认定为“时序数据库”的产品。这不仅仅是一个资质问题。对我做方案选型而言这意味着在能源、交通等关键领域时序数据的存储底座终于有了合规的国产选项不再需要用 MySQL 或 PostgreSQL 硬扛高并发写入也不必冒着合规风险继续使用海外产品。二、为什么时序会被抬到国策层面把 Timecho 官网公开的客户名单拉出来看一眼就明白——这些不是互联网 ToC 场景是停不得、泄不得、替代不了的关键基础设施客户规模场景中核五大核电基地​100 TB 时序可靠性 99.9%关键与敏感设备可靠性管理大唐 60 家电厂​单厂日增 17 亿点累计 3 万亿点电力时序数据应用中车城轨​300 列车 × 3200 测点日增 4140 亿点车辆智能运维长安车云​57 万车、8000 万测点、150 万条/秒车况时序博世力士乐 ctrlX​低资源硬件边缘侧工业自动化平台集成MICAPS4 气象​全国 10 万地面站气象实况存储与分析数据来源是 timecho.com 的案例页我挑了几个有代表性的。你看这些系统的共同特点一旦时序层出问题影响的不是业务报表是电网调度、核电监测、轨道交通安全。再看 TimechoDB 自己披露的性能数据同样来自官网单节点千万级点/秒写入10× 无损压缩 / 100× 有损压缩TsFile 自研格式TB 级数据毫秒级查询边缘侧 TsFile 压缩传输带宽降到原始20%德国普戈曼案例有限带宽场景下 5 倍提升 对国企、能源、交通这种既要国产化又要智能化的甲方选型逻辑现在是数据库层要过安可 → 分析层要能开箱用 → 全栈最好一家兜底。Timecho 这套TimechoDB 存 TimechoAI 用的栈刚好踩在这个点上。三、TimechoAI 到底是什么——先玩一遍网页端打开 TimechoAI - 时序大模型云服务平台首页给的定位是新一代时序大模型让时序预测更简单。它不是通用 LLM是专做时序的基座模型 云服务平台这点要先讲清楚不然容易被误读成又来一个 ChatGPT 套壳。网页端左侧导航能看到几个关键模块新建会话 / 数据集管理 / 数据示例 / 应用示例 / API Key / 开发文档 / 历史会话。右侧主区是预测工作台模型默认Auto可以手动切Timer-3.5。重点是它内置的三个工业示例任务这个设计很懂行电力变压器的油温预测——电网场景单变量/多变量都能玩交通流量预测——城市/高速场景风机塔受力预测——新能源场景这三个恰好对应能源、交通、新能源三个国策赛道不是巧合。点数据示例可以直接加载样例数据发起预测不用自己准备 CSV对新手友好。底层能力我扒了一下官方口径底模是清华 Timer十亿级参数长时序预测/异常检测方向输入最长2880 点输出最长720 步推理稳定100 ms返回不光给prediction还带lower_bound / upper_bound95% 置信区间调用方式两种Python SDKpip install timecho-ai和RESTful API。下面三代代码从跑通到工业闭环递进每一代都把国策挂钩点点一下——这是 CSDN 发跟国策安全可靠性相关主题文章的题眼不能丢。四、案例一变压器油温 · 单变量预测Python SDK4.1 场景为什么重要变压器油温是电网关键健康指标油温异常爬升往往预示冷却系统故障或过载。国网/南网都在推状态检修替代定期检修意思就是别等坏了再修也别按期盲修靠预测来排计划。过去做法一般是阈值告警 人工巡检或者养一个算法工程师调 Prophet / DeepAR特征工程踩坑半个月。4.2 最小可跑代码pip install timecho-ai pandas matplotlib去 TimechoAI - 时序大模型云服务平台申请 API Key建议放环境变量export TIMECHO_AI_KEYsk_你的Keyimport os import pandas as pd from timecho_ai import TimechoAIClient API_KEY os.getenv(TIMECHO_AI_KEY) client TimechoAIClient(api_keyAPI_KEY) # 平台自带示例数据或换成你自己的 CSV只需 time target 两列 df pd.read_csv(https://ai.timecho.com/data/sample.csv) print(数据预览\n, df.head()) INPUT_LEN 16 # 历史 16 步 OUTPUT_LEN 8 # 预测未来 8 步 history_df df[[time, target]].head(INPUT_LEN) result_df client.forecast( targetshistory_df, output_lengthOUTPUT_LEN ) print(f\n预测未来 {OUTPUT_LEN} 个点) print(result_df)4.3 如果你不想装 SDKcurl 也能跑curl -s -X POST https://ai.timecho.com/ai/api/v1/forecast \ -H Content-Type: application/json \ -H Authorization: Bearer ${TIMECHO_AI_KEY} \ -d { targets: [{ columns: [value], data: [[120],[135],[142],[168],[195],[220],[285],[310], [345],[380],[420],[468],[125],[140],[155],[180]] }], output_length: [5] }返回结构长这样注意lower_bound / upper_bound{ predictions: [[12.45, 13.18, 14.05, 14.72, 15.23]], lower_bound: [[11.20, 11.65, 12.10, 12.45, 12.78]], upper_bound: [[13.70, 14.71, 16.00, 16.99, 17.68]], model: timer-3.5, input_length: 16, output_length: 5 }4.4 画一张历史 预测 置信带import matplotlib.pyplot as plt import numpy as np hist df[target].head(INPUT_LEN).values pred result_df[prediction].values lb result_df[lower_bound].values ub result_df[upper_bound].values xs_h np.arange(INPUT_LEN) xs_p np.arange(INPUT_LEN, INPUT_LEN OUTPUT_LEN) plt.figure(figsize(10, 4)) plt.plot(xs_h, hist, o-, label历史油温) plt.plot(xs_p, pred, o--, colorred, label预测油温) plt.fill_between(xs_p, lb, ub, alpha0.25, colorred, label95% 置信区间) plt.xlabel(时间步); plt.ylabel(油温 (°C)) plt.title(TimechoAI · 变压器油温单变量预测) plt.legend(); plt.tight_layout(); plt.show()这一代的国策挂钩点变压器属电网关键设备。底座用过了安可测评的 TimechoDB 存数据分析用 TimechoAI 跑预测——数据库层那一栏过去国产化清单里是空的现在填得上去了。五、案例二风机塔筒受力 · 多变量 协变量REST 版5.1 为什么单变量不够风机塔筒受力风大不一定受力大还跟风向、机舱转角、桨距角、环境温度有关。把这些当covariate协变量​ 喂进去Timer 会学协变量 → 目标的驱动关系比纯看受力历史准一个档次。风电是双碳新基建重头塔筒倒塔代价极大。传统 SCADA 只做实时监视TimechoAI 把协变量带进来做 4 小时短临预测可以前置调度巡检、甚至动态调整桨距避险。5.2 curl 调用带协变量curl -X POST https://ai.timecho.com/ai/api/v1/forecast \ -H Authorization: Bearer ${TIMECHO_AI_KEY} \ -H Content-Type: application/json \ -d { model: timer-3.5, target_col: force, covariates: [wind_speed, wind_dir, pitch, temp], history_steps: 72, predict_steps: 24, data: [ {time:2026-05-01T00:00:00Z,force:1850,wind_speed:8.2,wind_dir:42,pitch:5,temp:12}, {time:2026-05-01T00:10:00Z,force:1920,wind_speed:9.1,wind_dir:45,pitch:5,temp:12}, {time:2026-05-01T00:20:00Z,force:2100,wind_speed:11.3,wind_dir:51,pitch:7,temp:13} /* 补齐 72 条 12 小时历史10 min 间隔 */ ] }参数说明history_steps: 72→ 10 min 间隔下 12 小时历史predict_steps: 24→ 预测未来 4 小时model: Auto也可以平台自动选5.3 Python 封一个薄客户端工程化写法import os, requests BASE https://ai.timecho.com def forecast_cov(df, target_col, cov_list, predict_steps24): df: 含 time target_col cov_list 列的 DataFrame payload { model: Auto, target_col: target_col, covariates: cov_list, history_steps: len(df), predict_steps: predict_steps, data: df.to_dict(records) } r requests.post( f{BASE}/ai/api/v1/forecast, headers{Authorization: fBearer {os.environ[TIMECHO_AI_KEY]}}, jsonpayload, timeout30 ) r.raise_for_status() return r.json() # 用法 # result forecast_cov(df, force, [wind_speed,wind_dir,pitch,temp], 24)这一代的国策挂钩点风机数据存在边缘侧 TimechoDB适配麒麟/统信 鲲鹏/飞腾/海光timecho.com 首页有提信创适配上云做预测走 TsFile 压缩传输带宽只占原始 20%——德国普戈曼那个案例就是这个路子。六、案例三TimechoDB → TimechoAI → 回写全栈国产闭环前两个案例数据是平台示例或造的。真实工业项目的数据流应该是边缘采集 → TimechoDB存TsFile→ 定时抽取 → TimechoAI预测→ 结果写回 TimechoDB → 可视化/告警这一段的安可收口意义在于数据库层 TimechoDB 是 2026 第2号唯一过测时序库模型层 Timer 是清华系十亿级时序大模型全栈没有海外依赖。6.1 从 TimechoDB 捞数据SQL 风格IoTDB / TimechoDB 查询语法接近 SQL这个对 DBA 友好SELECT time, s1_oil_temp FROM root.l1.l2.transformer001 WHERE time now() - 16h ORDER BY time;Python 侧用session或thrift连也可以用 JDBC。TimechoDB 是 Apache IoTDB 企业版协议兼容IoTDB 的iotdb-session客户端可以直接连。6.2 闭环代码骨架接近真实项目import pandas as pd import os from timecho_ai import TimechoAIClient from iotdb.Session import Session # IoTDB / TimechoDB 的 Python session # —— 1. 连 TimechoDB 捞最近 16 小时 —— db Session(127.0.0.1, 6667, root, root) db.open(False) sql SELECT time, oil_temp FROM root.l1.l2.transformer001 WHERE time now() - 16h ORDER BY time ds db.execute_query(sql) # ds 转 DataFrame省略遍历逻辑IoTDB session 有 to_df 工具函数 # df ds_to_df(ds) db.close() # —— 2. TimechoAI 预测 —— client TimechoAIClient(api_keyos.getenv(TIMECHO_AI_KEY)) hist df[[time,oil_temp]].rename(columns{oil_temp:target}) result client.forecast(targetshist, output_length8) # —— 3. 结果写回 TimechoDB —— # insert_sql # INSERT INTO root.l1.l2.transformer001.forecast(time, pred, lb, ub) # VALUES (...) # # db.open(); db.execute_non_query(insert_sql); db.close() print(预测完成可写回 TimechoDB\n, result)6.3 为什么这套闭环对关键基础设施有说服力把前面散点收一下做一张甲方 POC 时最爱看的合规性检查清单层级组件国产化/安可状态采集协议TimechoDB 适配数百种工业协议自研存储文件自研 TsFile10× 无损压缩从 0 到 1数据库TimechoDB V2.02026 第2号安可测评通过时序库唯一​CPU/OS 适配鲲鹏/飞腾/海光 麒麟/统信信创全适配分析层TimechoAITimer-3.5清华系十亿级时序大模型传输TsFile 边缘压缩带宽降至 20%自研⚠️ 做国产化替代 POC 时数据库那一栏过去是空的现在填得上去了。这是 Timecho 这套栈在能源/交通/核电客户那里能打进去的真正原因不是性能多 30%那种卖点是合规能过。七、落地时几个容易踩的坑API Key 别硬编码.env或环境变量TIMECHO_AI_KEY否则仓库一推就泄露。缺失值先填TimechoAI对连续时序友好断点多的历史先forward-fill或线性插值精度能差几个点。长周期拆段请求predict_steps上限 720历史太长 协变量多容易超时按天或班次拆。置信区间要用起来lower_bound / upper_bound比单点预测更适合做告警阈值避免预测值略超阈值就狂告警。边缘侧优先 TsFile 同步如果已经有 TimechoDB 在边缘别用 CSV 往云上搬直接 TsFile 载到 TimechoAI 侧压缩 schema 自描述省事。模型选 Auto 还是 timer-3.5小任务 Auto 就行任务固定后锁 timer-3.5 更稳定计费也更可控。八、写在最后折腾了一圈最大的感触是工业场景的“国产化”终于从口号落地了。以前做能源项目时序库选型总要纠结半天合规问题现在 TimechoDB 进了安可名录至少底座这块能睡个安稳觉。TimechoAI 给我的惊喜在于“去门槛”。以前搞个风机预测要养算法团队调几个月模型现在几行代码就能把清华 Timer 模型用起来精度还不赖。这种把大模型封装成“螺丝刀”的思路才是工业现场真正需要的。