重离子加速器包含众多大功率和非线性的负荷,其工作过程中会对配电网的运行稳定性产生较大影响,新一代强流重离子加速器装置（High Intensity Heavy-ion Accelerator Facility,HIAF）是 国家“十二五”建设重点项 目之一,其配 电网存在冲击性负荷、过电压、三相不平衡和大电感负载等问题。如何实现长期、平稳和高效地运行是强流重离子加速器装置建设的难点,这对加速器配电网的可靠性和稳定性提出了更高的要求。在加速器配电网中开展大数据技术的研究和应用,可为配电网的信息化和智能化建设提供一种先进的技术手段,这对于强流重离子加速器装置的稳定运行具有重要意义。首先,本课题基于Cloudera发行版Hadoop设计并搭建了加速器配电网的大数据平台,并在此基础上部署了大数据分析与AI应用平台---Analytics Zoo,便于在AI应用的分布式训练及线上部署过程中直接对接大数据平台中的海量数据。其次,基于Hadoop体系中的组件,设计并实现了配电网监测数据的分布式实时ETL（抽取Extract、转换Transform、加载Load）系统和离线ETL系统。实时ETL系统通过数据采集工具Flume实时获取监测数据,一方面将其送入分布式数据库HBase进行可靠存储,另一方面将其送入发布订阅消息系统Kafka,为平台后续应用开发提供实时数据流。离线ETL系统将加速器配电站服务器中Archiver Appliance的归档数据迁移至分布式数据库HBase。两种ETL系统相结合,为加速器配电网的大数据分析和预测提供了海量的实时数据和历史数据。再次,基于该平台利用生成式对抗网络进行加速器配电网缺失数据的重建,解决了数据收集过程中的随机缺失问题。最后,基于长短时记忆网络实现了加速器配电网的状态监测,验证了平台的有效性。本课题依托于兰州重离子加速器（Heavy-ion Research Facility in Lanzhou,HIRFL）开展。经验证,该课题达到了设计目标,平台中的实时ETL系统和离线ETL系统具备良好的吞吐性能和横向拓展能力,利用此平台成功实现了模型的分布式训练。本课题的工作为新一代强流重离子加速器配电网的信息化和智能化建设奠定了平台基础和数据基础。