1.一种考虑数据丢失的微电网动态状态估计方法，其特征在于：包括以下步骤：步骤S1：建立微电网模型和Gilbert‑Elliott模型，并将两者进行结合，其中，所述微电网模型用于模拟微电网的动态行为，所述Gilbert‑Elliott模型用于描述通信网络中的数据丢失行为；

步骤S2：从微电网的传感器和数据中心获取微电网的历史测量数据，并利用Gilbert‑Elliott模型对微电网的历史测量数据进行模拟和补充，以得到包含历史测量数据和丢包数据的数据集；

步骤S3：对包含历史测量数据和丢包数据的数据集中的数据进行预处理，得到预处理后的数据集；

步骤S4：构建LSTM‑FNN模型；

步骤S5：使用预处理后的数据集对LSTM‑FNN模型进行训练，得到训练后的LSTM‑FNN模型；

步骤S6：将微电网的传感器实时采集到的数据输入训练后的LSTM‑FNN模型进行因数据丢失导致的缺失状态的估计，输出微电网的缺失状态的估计值。

2.根据权利要求1所述的一种考虑数据丢失的微电网动态状态估计方法，其特征在于：在步骤S1中，所述Gilbert‑Elliott模型通过马尔可夫链状态转移矩阵来描述系统状态之间的转移概率，以模拟数据丢失的过程，其中，马尔可夫链状态转移矩阵的数学表达式如下：其中，A表示马尔可夫链状态转移矩阵；Pr(γk+1＝0|γk＝0)表示从系统状态为γk＝0转移到系统状态为γk+1＝0的概率；p＝Pr(γk+1＝1|γk＝0)表示从系统状态为γk＝0转移到系统状态为γk+1＝1的概率；q＝Pr(γk+1＝0|γk＝1)表示从系统状态为γk＝1转移到系统状态为γk+1＝0的概率；Pr(γk+1＝1|γk＝1)表示从系统状态为γk＝1转移到系统状态为γk+1＝1的概率。

3.根据权利要求1所述的一种考虑数据丢失的微电网动态状态估计方法，其特征在于：在步骤S3中，具体包括以下子步骤：

步骤S31：删除包含历史测量数据和丢包数据的数据集中的重复值和异常值，以及填充包含历史测量数据和丢包数据的数据集中的缺失值，得到删除和填充后的数据集；

步骤S32：对删除和填充后的数据集中的数据进行归一化处理，得到预处理后的数据集。

4.根据权利要求1所述的一种考虑数据丢失的微电网动态状态估计方法，其特征在于：在步骤S5中，具体包括以下子步骤：

步骤S51：使用预处理后的数据集依次对LSTM‑FNN模型中的LSTM1、FNN1和FNN2进行训练，以完成第一阶段的训练，其中，LSTM1表示长短期记忆网络1，用于在无数据丢失的情况下提取出时间特征；FNN1表示前馈神经网络1，用于对LSTM1提取出的时间特征进行更深层次的信息加工；FNN2表示前馈神经网络2，用于从FNN1的输出中提取特征；

步骤S52：对经过第一阶段训练完成的LSTM1、FNN1和FNN2的参数保持不变，并使用预处理后的数据集依次对LSTM‑FNN模型中的LSTM2、FNN3和FNN4进行训练，以完成第二阶段的训练，其中，LSTM2表示长短期记忆网络2，用于在数据丢失的情况下提取出时间特征；FNN3表示前馈神经网络3，用于对LSTM2提取出的时间特征进行更深层次的信息加工；FNN4表示前馈神经网络4，用于从FNN3的输出中提取特征；

步骤S53：对经过第二阶段训练完成的LSTM2、FNN3和FNN4的参数保持不变，并在FNN4的输出端构建随机森林回归器，并通过FNN4的输出对随机森林回归器进行训练，并使用RandomizedSearchCV和GridSearchCV优化随机森林回归器的参数，以完成第三阶段的训练。

5.根据权利要求1所述的一种考虑数据丢失的微电网动态状态估计方法，其特征在于：还包括以下步骤：

通过调整训练后的LSTM‑FNN模型的参数θ来寻找其最优参数集θM，使得训练后的LSTM‑FNN模型的预测值与实际值之间的误差最小，其中，训练后的LSTM‑FNN模型的最优参数集θM具体的数学公式如下：u v

其中，θM表示训练后的LSTM‑FNN模型的最优参数集；fnn(y，y)表示训练后的LSTM‑FNNm模型的输出值，即预测值；y表示希望训练后的LSTM‑FNN模型预测的目标值，即实际值。

6.一种考虑数据丢失的微电网动态状态估计系统，使用如权利要求1‑5任意一项所述考虑数据丢失的微电网动态状态估计方法，其特征在于：所述系统包括：第一建立模块，用于建立微电网模型，其中，所述微电网模型用于模拟微电网的动态行为；

第二建立模块，用于建立Gilbert‑Elliott模型，其中，所述Gilbert‑Elliott模型用于描述通信网络中的数据丢失行为；

结合模块，用于将微电网模型和Gilbert‑Elliott模型进行结合；

获取模块，用于从微电网的传感器和数据中心获取微电网的历史测量数据；

模拟和补充模块，用于利用Gilbert‑Elliott模型对微电网的历史测量数据进行模拟和补充，以得到包含历史测量数据和丢包数据的数据集；

预处理模块，用于对包含历史测量数据和丢包数据的数据集中的数据进行预处理，得到预处理后的数据集；

构建模块，用于构建LSTM‑FNN模型；

模型训练模块，用于使用预处理后的数据集对LSTM‑FNN模型进行训练，得到训练后的LSTM‑FNN模型；

输入模块，用于将微电网的传感器实时采集到的数据输入训练后的LSTM‑FNN模型进行因数据丢失导致的缺失状态的估计；

输出模块，用于输出微电网的缺失状态的估计值。

7.根据权利要求6所述的一种考虑数据丢失的微电网动态状态估计系统，其特征在于：在所述第二建立模块中，所述Gilbert‑Elliott模型通过马尔可夫链状态转移矩阵来描述系统状态之间的转移概率，以模拟数据丢失的过程，其中，马尔可夫链状态转移矩阵的数学表达式如下：其中，A表示马尔可夫链状态转移矩阵；Pr(γk+1＝0|γk＝0)表示从系统状态为γk＝0转移到系统状态为γk+1＝0的概率；p＝Pr(γk+1＝1|γk＝0)表示从系统状态为γk＝0转移到系统状态为γk+1＝1的概率；q＝Pr(γk+1＝0|γk＝1)表示从系统状态为γk＝1转移到系统状态为γk+1＝0的概率；Pr(γk+1＝1|γk＝1)表示从系统状态为γk＝1转移到系统状态为γk+1＝1的概率。

8.根据权利要求6所述的一种考虑数据丢失的微电网动态状态估计系统，其特征在于：所述预处理模块包括：

数据删除子模块，用于删除包含历史测量数据和丢包数据的数据集中的重复值和异常值；

数据填充子模块，用于填充包含历史测量数据和丢包数据的数据集中的缺失值；

数据归一化子模块，用于对删除和填充后的数据集中的数据进行归一化处理，得到预处理后的数据集。

9.根据权利要求6所述的一种考虑数据丢失的微电网动态状态估计系统，其特征在于：所述模型训练模块包括：

第一训练子模块，用于使用预处理后的数据集依次对LSTM‑FNN模型中的LSTM1、FNN1和FNN2进行训练，以完成第一阶段的训练，其中，LSTM1表示长短期记忆网络1，用于在无数据丢失的情况下提取出时间特征；FNN1表示前馈神经网络1，用于对LSTM1提取出的时间特征进行更深层次的信息加工；FNN2表示前馈神经网络2，用于从FNN1的输出中提取特征；

第一参数设置子模块，用于对经过第一阶段训练完成的LSTM1、FNN1和FNN2的参数保持不变；

第二训练子模块，用于使用预处理后的数据集依次对LSTM‑FNN模型中的LSTM2、FNN3和FNN4进行训练，以完成第二阶段的训练，其中，LSTM2表示长短期记忆网络2，用于在数据丢失的情况下提取出时间特征；FNN3表示前馈神经网络3，用于对LSTM2提取出的时间特征进行更深层次的信息加工；FNN4表示前馈神经网络4，用于从FNN3的输出中提取特征；

第二参数设置子模块，对经过第二阶段训练完成的LSTM2、FNN3和FNN4的参数保持不变；

构建子模块，用于在FNN4的输出端构建随机森林回归器；

第三训练子模块，用于通过FNN4的输出对随机森林回归器进行训练；

参数优化子模块，用于使用RandomizedSearchCV和GridSearchCV优化随机森林回归器的参数。

10.根据权利要求6所述的一种考虑数据丢失的微电网动态状态估计系统，其特征在于：还包括模型参数优化模块，所述模型参数优化模块用于通过调整训练后的LSTM‑FNN模型的参数θ来寻找其最优参数集θM，使得训练后的LSTM‑FNN模型的预测值与实际值之间的误差最小，其中，训练后的LSTM‑FNN模型的最优参数集θM具体的数学公式如下：u v

其中，θM表示训练后的LSTM‑FNN模型的最优参数集；fnn(y，y)表示训练后的LSTM‑FNNm模型的输出值，即预测值；y表示希望训练后的LSTM‑FNN模型预测的目标值，即实际值。