Power grids are susceptible to cascading failure, which can have detrimental consequences for modern society. Remedial actions, such as proactive islanding, generator tripping, and load shedding, offer viable solutions to mitigate cascading failure in power grids. The success of applying these solutions lies in the timeliness and the appropriate choice of actions during the rapid propagation process of cascading failure. In this paper, we introduce an intelligent method that leverages deep reinforcement learning to generate adequate remedial actions in real time. A simulation model of cascading failure is first presented, which combines power flow distribution and the probabilistic failure mechanisms of components to accurately describe the dynamic cascading failure process. Based on this model, a Markov decision process is formulated to address the problem of deciding on the remedial actions as the failure propagates. Proximal Policy Optimization algorithm is then adapted for the training of underlying policies. Experiments are conducted on representative power test cases. Results demonstrate the out-performance of trained policy over benchmarks in both power preservation and decision times, thereby verifying its advantages in mitigating cascading failure in power grids.

Abstract Generating a large number of representative load sequence scenarios is crucial for evaluating the supply-demand balance, economic efficiency, and reliability of power systems, which have a high penetration rate of new energy. Current scenario generation methods have certain limitations, such as the need for extensive historical data and the inability to reflect the relatively fixed patterns of load sequences over the medium to long term. To address these issues, this paper proposes a load sequence scenario generation method according to a dual-layer Markov chain Monte Carlo (MCMC) model. The outer MCMC model captures the probabilistic characteristics of day-type transitions within a month, while the inner MCMC model models the state transition probabilities of the load sequences. Through optimization techniques, the daily load sequences are generated. Case study analysis shows that the statistical characteristics of the scenarios generated by this method are highly similar to the original scenarios and better than the scenarios generated without considering the outer MCMC, providing diverse scenario support for the evaluation of power systems connected to the high proportion of new energy.

Cascading failure, characterized by the widespread propagation of failure events, is a common cause for severe blackouts in power networks. Strengthening critical branches in a power network is crucial for mitigating the risk of blackouts resulting from cascading failures. In this article, we propose a time-efficient greedy search method to identify critical branches in a power network. We address the challenge of computational constraints by using a failure propagation graph, which accurately captures the critical failure propagation patterns based on cascading failure simulation. Our approach minimizes cascading failure risk while strategically reinforcing a limited number of branches. The failure-propagation-graph greedy-search (FPG-GS) algorithm selects candidate branches based on cascading failure simulation and iteratively identifies the most crucial branches. Our experimental results on different power systems demonstrate the superior performance and efficiency of the FPG-GS algorithm compared to existing methods. In addition, our study highlights the importance of strategic branch selection, showing that reinforcing one-fifth of the branches can achieve a mitigation rate exceeding 80%.