现代电力系统正向智能化、灵活化和网络化的方向发展,呈现出与以往不同的多元、灵活、关联的复杂形态。负荷预测对于电网调度运行的安全性和在线分析决策的准确性具有重要的意义,其结果可应用于电网电压稳定性等问题的分析以及为调度部门制定合理的电源侧出力计划提供参考依据。相较于系统负荷,母线负荷、公共充电站充电负荷基数小。加之受天气因素、用户行为等影响,其波动性较大、随机性强、变化的趋势不明显,导致难以精准预测。为提高母线负荷、公共充电站充电负荷预测精度,本文提出基于门控图神经网络的母线负荷时-空预测方法以及基于自适应图神经网络的公共充电站时-空预测方法。在负荷间时-空相关性分析以及多节点特征集构建方面,利用快速最大信息系数（Rapid Maximal Information Coefficient,Rapid-MIC）分析负荷间的耦合关联,量化负荷间时-空相关性,为后续在预测中考虑负荷间耦合关联提供依据。为降低预测模型时-空复杂度,对负荷与自然气象因素之间的相关性进行定量分析,确定其与不同的气象因素之间的复杂、非线性耦合关系,以此为依据,构建含复杂气象特征及历史负荷序列的多节点特征集。在母线负荷预测方面,为解决以往欧式数据对广域空间下多母线负荷存在于非欧几里得空间内的时-空耦合关联刻画受限的难题,构建以母线间负荷相似性为边特征的相似权时-空图,实现脱离地理分布、网架结构约束的非物理邻接母线负荷间空间耦合关系重构。以此为基础,构建了基于门控图神经网络的负荷时-空预测模型。算例结果表明,所提出方法可兼顾母线负荷间的耦合特性,具有更良好的鲁棒性、抗噪能力与泛化能力。在公共充电站充电负荷预测方面,由于其服务对象不固定、随机性强,公共充电站间的耦合关联难以预先确定,且难以实现精准充电负荷预测。为此,提出一种基于自适应图生成的多公共充电站充电负荷时-空短期预测方法。算例结果表明,新方法具有更高的预测精度与效率,有效降低最劣评价指标。本研究解决了现有负荷预测研究中受限于欧式空间下数据的顺序输入,导致对负荷数据间的时-空关联性挖掘不够充分的问题,提出基于门控图神经网络的母线负荷时-空预测方法以及基于自适应图神经网络的公共充电站时-空预测方法,实现了多母线负荷、公共充电站充电负荷的时-空预测。相比于其他方法,本文所提出的方法具有更高的预测精度,同时,可以有效降低对电网调度影响最大的最劣评价指标。