本研究提出了一种无模型强化学习方法，旨在优化电网运营并提升稳定性。通过掩蔽拓扑动作空间，代理在20种仿真场景中有效降低电力损耗，促进现代能源系统的自主管理。

本研究分析了基于人工智能模型在电网运营中的稳健性，特别是在 $N-1$ 安全准则下。结果显示，当某一线路断开时，这些模型的准确性显著降低。通过图论分析，我们展示了节点连接对于这种损失的影响。这些发现强调了在开发关键基础设施的人工智能方法时需要考虑实际情境。

该研究使用图神经网络（GNN）替代物在电网日常运营中基于蒙特卡罗（MC）取样的风险量化中的实用性。通过监督学习训练GNN替代物，它们能够准确预测电网状态并快速量化电网的运营风险。该文章利用GNN发展了多种工具，用于在现实世界中快速评估电网的可靠性和风险。