La adquisición precisa y confiable de información de medición es muy importante para la operación estable de los sistemas de energía, especialmente la información del estado de operación de las estaciones de energía nueva. Con el aumento de la proporción de estaciones de energía nueva en los sistemas de energía, los problemas de calidad de los datos de estas estaciones, causados por congestión de comunicación, interferencia y ataques de red, se vuelven más pronunciados. En este documento, para abordar el problema de baja precisión y bajo rendimiento de la restauración de datos defectuosos en las estaciones de energía nueva, se propone un enfoque novedoso de aprendizaje profundo mediante la combinación de la red neuronal de memoria a corto y largo plazo (LSTM) modificada y la red generativa adversaria de Wasserstein con penalización de gradiente (WGAN-GP). El método propuesto puede implementarse de forma paralela en un conjunto. Primero, se utiliza el conjunto de datos normales adquirido de múltiples secciones de las estaciones de energía nueva para entrenar el modelo LSTM modificado y WGAN-GP. En segundo lugar, de acuerdo con las características de los datos y las reglas capturadas por cada modelo, los dos modelos se integran sistemáticamente y se construye el conjunto de modelos de reparación de datos defectuosos. Posteriormente, los resultados de la reparación del modelo se filtran y se fusionan dos veces mediante el marco de integración paralela para obtener el resultado final de la reparación. Finalmente, se realizan experimentos extensos para verificar el método propuesto. Los resultados simulados de las estaciones de energía en una red eléctrica provincial real demuestran que el método propuesto puede reparar eficazmente los datos defectuosos, mejorando así la calidad de los datos de las estaciones de energía nueva.