量测数据的采集、传输、转换各个环节都有可能发生故障或受到干扰,导致数据出现缺失。传统重建方法仅考虑单一数据分布规律,忽略了电力系统中量测点、采集变量之间的相关性及历史的负荷变化规律,重建精度低。该文提出了基于改进生成式对抗网络(wassersteingenerative adversarial networks,WGAN)的量测缺失值重建方法,并设计了适用于该问题的WGAN网络结构。通过WGAN的无监督训练,神经网络将自动学习到量测之间相关性、负荷波动规律等难以显式建模的复杂时空关系。利用真实性约束及上下文相似性约束优化隐变量,使得训练后的生成器将能够生成高精度的重建数据。文中方法完全依靠数据驱动,不涉及显式建模步骤,在大量量测出现缺失的情况下仍具有较高的重建精度。算例中分析了量测缺失数量与重建误差之间的关系,证明了文中方法性能稳定。对于算例中长期缺失的特定量测,文中方法所重建的数据能够体现量测真实的时序特性。