随着智能电网的快速发展以及传感器等终端设备的大规模应用,电力系统中时刻都在产生海量的量测数据。电能质量是评价配用电系统供电质量、运行稳定性的关键指标。对电能质量数据分析可有效发现潜在故障点,并可进行负荷辨识、无功源调节和谐波治理等。然而,电能质量数据常常会在采集、传输、转换等各个环节中受到干扰而导致数据缺失,影响上述高级应用。而数据的连续缺失较随机缺失损失更多的信息要素,有更大的修复难度。因此,对缺失电能质量数据进行修复,提高数据的质量,成为亟待解决的问题。本文根据采集传感器设备故障以及通信信道故障两方面,分析了电能质量量测数据的缺失机理。针对现有修复策略仅考虑一维量测数据横向分布规律,造成修复效果不理想的问题,本文提出一种基于改进生成对抗网络融合模糊自组织神经网络的电能质量数据分层修复新方法。在数据预处理阶段,将电能质量信号一维分量映射为二维灰度图像,充分利用了数据缺失点的邻域数据以及量测数据的周期性变化规律,即充分利用了数据间的时-空相关性。考虑到电能质量采集数据连续缺失造成的数据间关联性减弱,并且存在实际电网运行的复杂噪声影响,若直接进行数据修复则修复效果欠佳,为此本文引入改进生成对抗网络（Improved Generative Adversarial Network,I-GAN）对缺失电能质量量测数据进行预填补,以弥补由于缺失对原始数列特征值识别的干扰,提升修复准确性。在缺失电能质量量测数据修复方面,为达到较优的修复效果,对预填补的二维灰度矩阵依8类特征值进行模糊SOM（Fuzzy SOM,FSOM）的分层聚类,从而定位采集数据点的层级,实现缺失值准确的分层修复。最后,本文以Cádiz大学提供的电能质量实测数据为基础实验验证所提算法性能。选取电压谐波、电压暂升暂降、电压谐波与暂升暂降复合扰动的三类实验场景,以及随机缺失和连续缺失两种缺失模式进行缺失数据修复实验。实验结果表明,无论是在数据低丢失率还是高丢失率的连续缺失场景下,本文所提出的修复算法较现有算法都有更低的修复误差和更高的修复精度。同时,算法也能实现对数据随机缺失情况的有效修复。