在图卷积网络(GCN)的帮助下，提出了一个更有效的搜索框架，以在有限的尝试下识别尽可能多的关键级联故障。通过离线训练一个GCN可以很好地捕捉级联故障的复杂机理。借助训练好的GCN模型，可以显著加快对临界级联故障的搜索。同时，通过分层相关传播算法实现了GCN模型的可解释性。结果表明，GCN导引的方法不仅可以加速临界级联故障的搜索，而且可以揭示潜在级联故障的预测原因。

态势感知 (SA) 已被认为是电力系统稳定和安全运行的关键保证，尤其是在可再生能源整合后的复杂不确定性下。在本文中，提出了一种人工智能驱动的解决方案，以实现涵盖感知，理解和预测的SA的全面实现，其中最后一个是更先进但具有挑战性的，因此以前没有在任何文献中讨论过。通过聚合两个强大的深度学习结构，提出了一种新颖的SA模型: 卷积神经网络 (CNN) 和长期短期记忆 (LSTM) 递归神经网络。提出的CNN-LSTM模型具有在时空测量数据上实现协作数据挖掘的优势，即从相量测量单元数据中同时学习时空特征。在SA模型中设计了两个功能分支: 应急定位器 (用于检测当前的确切故障位置) 和稳定性预测器 (用于预测将来系统的稳定性状态)。测试一下结果表明，即使在较低的数据充分性水平下，该模型也具有很高的性能 (准确性)。