随着以新能源为主体的新型电力系统的构建,发电侧出力的不确定性增强和用户侧负荷的快速增长,使得电力供需关系日趋紧张,电力系统的规划与运行面临着新的挑战。用户侧灵活可控的资源可以通过需求侧响应项目与电网双向互动,然而海量分散的用户负荷的响应潜力亟待挖掘。在此背景下,本研究站在电网公司的立场,面向需求侧响应实施过程中对隐私关注程度不同的典型用户,应用图神经网络技术,在三种情境中分别基于可获得的负荷数据实现空调负荷状态辨识及功率估计,并在15分钟/次采样频率的真实数据集上验证了算法的有效性,最后根据算例结果提出相关建议。本研究的主要内容总结如下:第二章面向保守型用户,电网公司只能定期获得间断性的空调真实负荷数据,据此情景提出一种基于谱域图卷积神经网络分析时序电力数据的算法框架。应用可视图法转换时序电力数据,通过切比雪夫图卷积神经网络辨识用户空调功率占家庭总负荷功率的长期状态。结果表明,每次购买连续7天的负荷标签可以达到最佳辨识精度,电网公司可综合数据购买成本等因素酌情考虑购买数据标签的间隔。第三章面向友好型用户,电网公司可以从用户处获得全部历史用电数据,考虑空调负荷数据采集和传输的延迟性,提出一种基于空域图神经网络处理实时数据流的算法框架。使用可视图法构建动态图拓扑,使用带有记忆和注意力机制的空域图神经网络完成预训练后,实时估计空调负荷功率,延迟传达的标签被用于模型的动态更新。算例结果表明,模型在多数时刻可实现空调负荷功率的精准估计,且对负荷标签延迟的宽容度较高。第四章面向对抗型用户,电网公司无法从用户处获得家庭内部负荷数据,在此情景下考虑地区负荷的集群效应,提出一种基于时空图神经网络的半监督直推式算法框架。以用户总用电行为之间的相似性构建图拓扑,构造半监督式损失函数,应用时空图神经网络同时估测多个对抗型用户的空调负荷功率。算例结果表明,以相近数量的友好型用户数和对抗型用户数构建图拓扑,模型综合表现效果最佳。