能源管理系统是制造业尤其是高耗能工业进行能源管理,生产监测的重要工具,为企业制定节能减排措施提供了理论和数据支撑。能源数据的采集频率决定着能源管理系统进行数据分析的精细粒度,高效的查询分析速度可以帮助企业管理人员及时发现能耗异常的出现,并采取相应的应对措施。而传统单点关系型数据库,在实际应用中表现出了明显的性能不足,将大数据技术与能源管理系统相结合是必然的趋势。本文就佛山某铝业在能源管理系统使用过程中遇到高频采集入库困难,历史能源数据查询分析响应过慢两个问题,提出相应的大数据解决方案,具体研究工作如下:1)研究能源管理系统的总体架构及逻辑,根据佛山某铝业当前使用的SqlServer数据库中表结构以及字段,对能耗数据进行特征分析;并根据数据库中当前数据量,预估高频采集之后的数据量大小。2)针对高频采集能源数据入库阻塞丢失的问题,设计一套异构数据库存储方案。原有的SqlServer数据库用来存储基础数据,高频采集,急速增长的能源数据,采用分布式存储系统来存储。并通过对比分析,选取了基于Hbase集群的时间序列数据库OpenTSDB,利用OpenTSDB高吞吐量,支持多TSD节点并行写入的特点,充分利用集群的处理能力,获取高速的写入能力,支持能源数据秒级采集入库,有效解决佛山某铝业能源数据存储问题。3)针对能源数据查询分析缓慢,采用Spark并行计算框架,来处理集群中存储的海量能源数据。为了提高Spark计算效率,使用一致性哈希算法对能源数据进行节点间的负载均衡,并使用Compressed Bloom Filter算法对无关数据进行过滤,减少节点之间网络传输代价,从而提升关联join操作的速度,能源数据查询分析速度得到数十倍提升。综合以上研究,从能源数据的高频采集存储到从海量能源数据快速查询分析,将大数据并行计算思想,融入了能源管理系统当中。并在最后进行了实验对比测试,较现有存储查询方案,性能提升明显,可以满足佛山某铝业高频秒级采集能源数据,以及查询分析快速响应的需求。