随着分布式能源的大规模接入,传统配电网的运行特性发生显著变化,导致负荷分散、实时可观性差和数据不完整等问题,严重影响了配电网的状态监测和运行优化。对此,提出了一种基于不完全实时量测数据的贝叶斯优化卷积神经网络(convolutional neural networks,CNN)与长短期记忆网络(long short-term memory,LSTM)结合的配电网状态估计方法。该方法分为离线学习和在线状态估计2个阶段。离线学习部分,利用生成对抗网络生成所需样本,以训练CNN-LSTM模型,并采用贝叶斯优化算法调整超参数,从而提升算法的准确性。在线状态估计部分,基于不完全的配电网实时数据和训练完成的CNN-LSTM模型进行在线状态估计。最后,算例基于IEEE 33和IEEE 123网络进行仿真分析,验证了所提状态估计方法的有效性和准确性。