Con la expansión de las instalaciones de infraestructura de medición avanzada (AMI), han surgido varios servicios adicionales que utilizan datos de AMI. Sin embargo, algunos datos se pierden en el proceso de comunicación de la recolección de datos. Por lo tanto, para abordar este desafío, se requiere la estimación de los datos faltantes. Para estimar los valores faltantes en los datos de series temporales generados por medidores inteligentes, investigamos cuatro métodos, que van desde un método convencional hasta un método de estimación que aplica memoria a largo y corto plazo (LSTM), que exhibe un excelente rendimiento en el campo de las series temporales, y proporcionamos los datos de comparación de rendimiento. Además, dado que los usos de energía representan estimaciones de datos que faltan algunos valores en el medio, en lugar de datos de estimación de series temporales regulares, la estimación simple puede llevar a un error donde el uso de energía acumulado estimado en los datos faltantes es mayor que el uso de energía acumulado real que aparece en los datos después del final del intervalo de datos faltantes. Por lo tanto, este estudio propone un método híbrido que combina las ventajas del método de interpolación lineal y el método de compensación basado en estimación LSTM, en lugar de los métodos convencionales adoptados en el campo de las series temporales. El rendimiento del método propuesto es más estable y mejor que el de otros métodos.