通过深度学习方法，该研究论文在图结构中提出了一种数据驱动的、能够预测级联影响、并具有较高防御效果的防御策略，其在大规模图环境中表现出比其他深度学习方法更好的预测准确性。

Apr, 2024

通过图神经网络技术加快网络条件的初步分类和感知的方法，提高了黑暗规模估计性能，为筛选可能导致灾难性级联故障的情况提供了一种新的工具。

Mar, 2024

提出了一种基于注意力机制的新方法来学习输电线路之间的相关性，并通过该方法识别最关键的输电线路，该方法通过 Attention Ranking 算法来评估输电线路的重要性，从而提供了一种改善电网对级联故障的韧性的新型有效分析，广泛的实验结果证明了其有效性。

May, 2024

对于流行复杂网络中的级联故障现象，本文基于物理及复杂网络科学的研究方法，探讨了其机理、动态及影响，并提出了阻断故障扩散的新策略。

Jul, 2020

通过信息传播模型，研究电网中的级联故障；通过将传染概率与信息串联模型相关联，建立了稳健的故障扩散模型，有效地预测级联故障传播，减少大规模级联故障的风险。

Jun, 2024

提出了一种新的优化框架，以最大化网络级联传播的预期扩散，结合网络设计和随机优化元素的混合整数规划 (MIP) 公式提供了具有随机最优性保证的解，为空间保护规划提供了基本不同的保护策略。

Mar, 2012

本文研究了组件故障之间的相互作用，并提出了一种交互式模型，以研究交互作用对级联失效风险的影响并支持在线决策。无需详细模拟大量级联失效，可以首先考虑组件故障之间的相互作用进行模拟，然后进行相互作用模型模拟来提高时间效率。同时提出了基于交互的缓解措施，用于削弱关键链路以缓解级联失效风险。

Jan, 2014

文章提出了一种基于强化学习的串联故障缓解策略，并且通过直流电力优化流 (DCOPF) 等控制来修正底层问题。通过物理方程式，设计了一种高层次的强化学习策略，测试了浅层和深层神经网络结构，并在 IEEE 118 巴士系统上的实验表明，该缓解策略在减少系统崩溃方面表现出了很有前途的性能。

Aug, 2021

本研究发现，在有限网络中，初始节点的少量失败可能会导致跨越大部分节点的级联，级联大小的分布多为双峰形。通过推导出级联最终大小的全概率分布，证实了此现象的普遍性和重要性，同时着重探讨了全网络和星型网络两种拓扑极端情况下的级联大小分布。

Feb, 2018

通过离线训练神经网络模型，我们提出了一种分散设计，用于在发生意外情况时自动构建最优负荷放电解决方案，以提高电力系统的韧性和应急响应能力。在 IEEE 118 节点系统和合成的德克萨斯 2000 节点系统上的数值研究表明，我们的可扩展负荷放电解决方案设计在及时进行电力系统应急操作方面具有高效和有效性。

May, 2024