[論文レビュー] Scaling Laws of Machine Learning for Optimal Power Flow

Xinyi Liu, Xuan He+1 more|arXiv (Cornell University)|Jan 6, 2026

Optimal Power Flow Distribution被引用数 0

ひとこと要約

この論文は、MLベースのOPFの性能がデータと計算資源にどのようにスケールするかを初めて体系的に検討し、DCOPFとACOPFにおける予測誤差と制約違反のべき乗法的関係を明らかにし、実現可能性と精度のトレードオフを浮き彫りにします。

ABSTRACT

Optimal power flow (OPF) is one of the fundamental tasks for power system operations. While machine learning (ML) approaches such as deep neural networks (DNNs) have been widely studied to enhance OPF solution speed and performance, their practical deployment faces two critical scaling questions: What is the minimum training data volume required for reliable results? How should ML models' complexity balance accuracy with real-time computational limits? Existing studies evaluate discrete scenarios without quantifying these scaling relationships, leading to trial-and-error-based ML development in real-world applications. This work presents the first systematic scaling study for ML-based OPF across two dimensions: data scale (0.1K-40K training samples) and compute scale (multiple NN architectures with varying FLOPs). Our results reveal consistent power-law relationships on both DNNs and physics-informed NNs (PINNs) between each resource dimension and three core performance metrics: prediction error (MAE), constraint violations and speed. We find that for ACOPF, the accuracy metric scales with dataset size and training compute. These scaling laws enable predictable and principled ML pipeline design for OPF. We further identify the divergence between prediction accuracy and constraint feasibility and characterize the compute-optimal frontier. This work provides quantitative guidance for ML-OPF design and deployments.

研究の動機と目的

• 実時間電力系におけるデータと計算資源がML-OPFの性能スケーリングに与える影響を理解する必要性を動機づける。
• DCOPFとACOPFを横断してML-OPFのデータ量と計算に関するスケーリング法則を定量化する。
• ML-OPFの展開のためのデータ収集とトレーニング予算の設計に有用な指針を提供する。
• DNNと物理情報を組み込んだネットワーク（PINN）をML-OPFに用いた場合の実現可能性と精度のトレードオフを評価する。

提案手法

• DCOPFおよびACOPFのOPFマッピングを学習するためにDNNとPINNアーキテクチャを用いる。
• データ量と学習計算量を変化させたときの予測精度（MAE）と物理的実現可能性（制約違反）を定量化する。
• データサイズ(D)と計算量(C)のべき乗法スケーリング法則を m(x)=a x^alpha の形で適合させ、データ量と計算量に対するR^2を報告する。
• AC電力潮流（ACPF）によって違反指標として |ν| や分岐違反などを導出して違反を計算する。
• テストケース全体でDNNとPINNを比較し、精度-実現可能性のトレードオフを評価する。
• 固定アーキテクチャでの計算スケーリングを分析し、限界効果とパレート最適フロンティアを特定する。

Figure 1 : (First two rows) Data and (Last two rows) system scaling. Fitted power law scaling functions are also drawn.

実験結果

リサーチクエスチョン

• RQ1 ML-OPFの性能を支配するデータ規模と計算規模のべき指数はDCOPFとACOPFでどのようになるか。
• RQ2 データ量や計算量を増加させたとき、予測精度と物理的実現可能性は一貫したべき乗スケーリングを示すか。
• RQ3 DNNとPINNはデータと計算規模の組み合わせで、精度-実現可能性のトレードオフにおいてどう比較されるか。
• RQ4 実時間制約下でのML-OPFアーキテクチャの計算最適フロンティアはどこか。
• RQ5 DCOPF（線形）とACOPF（非線形）でスケーリング挙動はどのように異なるか。

主な発見

• データサイズに対してDCOPFとACOPFの両方で予測精度が明確なべき乗スケーリングに従う：DCOPF MAE(D)=0.7・D^(-0.624)（R^2=0.976）；ACOPF MAE_Pg(D)=1.2・D^(-0.389)（R^2=0.992）；MAE_Vm(D)=0.12・D^(-0.349)（R^2=0.985）。
• データスケーリングを0.1Kから40Kサンプルへ拡大すると、DCOPF MAEは約95％、ACOPF MAEは約91％改善し、データ駆動の利得が予測可能であることを示す。
• 制約違反はデータとともに一貫してスケールしづらい。DCOPF違反は線形近似の限界のためほぼ一定に近い一方、ACOPF違反は独自のべき乗法関係に従う（Pg Vio(D)=1.93・D^(-0.207), R^2=0.600；Qg Vio(D)=27.6・D^(-0.030), R^2=0.700；Branch Vio(D)=1.74・D^(-0.369), R^2=0.938）。
• 計算スケーリングもべき乗法に従うが予測性が低くなる（例：DCOPF MAE(C)=0.296・C^(-0.191), R^2=0.259；ACOPF MAE_Pg(C)=2.065・C^(-0.250), R^2=0.586；MAE_Vm(C)=0.188・C^(-0.216), R^2=0.632）。
• ACOPFはDCOPFより計算スケーリングが強く（|alpha_C|=0.250対0.191）、固定計算予算の下で shallower なネットワークを好む傾向がある。一方、線形構造のためDCOPFは計算スケーリングの恩恵を受けにくい。
• 顕著な実現可能性-精度のトレードオフが存在する。PINNはデータとともに制約違反を劇的に改善できる（大幅な違反削減など）が、純粋なMAEはDNNと比較して悪化する可能性があり、精度と実現可能性の間のパレート・フロンティアを示唆する。

Figure 2 : Compute Scaling on 118-bus system. IsoLoss contours show prediction error (color) versus training compute (FLOPs) and model size (Parameters). Dashed line: efficiency frontier. (Right) Best performance per architecture (blue) and global optimum (red star); error measured as MAE for $P_{g}