随着现代电力系统的发展和分布式新能源的普遍接入,电力电子装置的使用范围也愈来愈广泛。但是,电力电子装置是非线性时变负载在发挥相应作用和功能的同时,不可避免的会产生非正弦波形,从而产生大量谐波电流直接注入电力系统影响电气环境。产生了严重的谐波污染问题,影响电力系统运行的安全性,对其运行造成严重威胁。本文通过谐波状态估计的方法对谐波源定位问题展开了探究,在工程上具有很好的应用场景。谐波状态估计在谐波源定位问题上实用性强。传统的谐波状态估计方法存在估算精度低、系统参数难以获取、缺乏系统性等弊端。深度学习技术有强大的数据特征学习能力,基于数据驱动探索系统节点间的耦合关系,可弥补传统方法的不足。本文提出将可提取空间结构信息的GCN和可提取时间信息的GRU融合,通过构建时空图卷积网络完成谐波状态估计,提高了估计的精度。基于估计的结果采用皮尔逊相关性分析进行谐波源位置的判据,完成谐波源定位。本文为验证基于时空图卷积神经网络的谐波状态估计模型和谐波源定位方法的准确性,在PSCAD中搭建IEEE14节点系统模型进行仿真实验。用所提方法与其他方法进行对比实验,模型可精准估算全网谐波状态并基于谐波状态估计的结果准确进行谐波源位置的判据。为了验证模型的泛化能力,通过某地区的谐波实测数据进行谐波状态估计和谐波源定位实验。结果表明,本文谐波状态估计方法有较高的精确度和鲁棒性,且基于皮尔逊相关性的谐波源定位方法的准确性高,验证了本文谐波源定位方法的有效性。