随着国内经济水平的快速发展,人民的生活水平不断上升,各类企业的生产规模不断扩大,社会各处对电能的需求量也越来越大,同时电力系统的管理与调度也面临新的挑战。负荷预测是实现电力系统的管理与调度的基础性工作,潮流优化也是其中的重要一环。因此实现对未来负荷分布和大小的准确预测与实现潮流的最优化对电力系统的管理与调度具有重要意义。为了实现准确的时空负荷预测,提出了一种基于图神经网络与循环神经网络的时空负荷预测模型。该模型通过图神经网络捕获电网的空间结构,通过循环神经网络捕获负荷数据的时间依赖,从两方面提取负荷的内在信息。为了更好的学习每一个时刻负荷信息的重要性,提出将注意力机制结合到预测任务中,把握负荷数据的全局变化趋势。在得到负荷预测的结果之后,为了更有效的进行电力系统调度,满足用电需求,提出了一种基于图神经网络的潮流优化模型,对潮流优化任务进行端到端的快速求解。考虑到潮流优化需要扩展到大型电网,并且电力系统节点重要性不同,为了更好的建模节点重要性,添加了注意力机制,形成图注意力网络,以此来建模节点的重要程度。提出的时空负荷预测模型考虑了负荷信息的时空特征,在不同电网节点个数与不同待预测序列长度的实验中表现均最优,准确率均可达到86%以上。提出的潮流优化模型克服了传统潮流优化算法的局限性,考虑了电网的状态以及电网的拓扑结构,实验结果表明,提出的模型比其他基线模型误差低,并且对单个样本的预测时间比基础的最优化求解算法快1000倍以上。