[논문 리뷰] Scaling Laws of Machine Learning for Optimal Power Flow

Xinyi Liu, Xuan He외 1명|arXiv (Cornell University)|2026. 01. 06.

Optimal Power Flow Distribution인용 수 0

한 줄 요약

이 논문은 ML 기반 OPF 성능이 데이터와 계산에 따라 어떻게 스케일되는지에 대한 최초의 체계적 연구를 수행하여, DCOPF와 ACOPF에서 예측 오차와 제약 위반에 대한 멱 법칙(power-law) 관계를 밝혀내고, 실현 가능성-정확도 간의 trade-off를 강조한다.

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.

연구 동기 및 목표

• 실시간 전력 시스템에서 데이터와 계산에 따라 ML-OPF 성능이 스케일링되는지 이해할 필요성을 제기한다.
• DCOPF와 ACOPF 전반에 걸쳐 ML-OPF에 대한 데이터 및 계산 관련 스케일링 법칙을 정량화한다.
• ML-OPF 배치를 위한 데이터 수집 및 학습 예산 설계에 실용적인 가이드를 제공한다.
• ML-OPF에서 DNN과 물리-informed 네트워크(PINN)를 사용할 때 실현 가능성 대 정확도 간의 trade-off를 평가한다.

제안 방법

• DCOPF와 ACOPF에 대한 OPF 매핑을 학습하기 위해 DNN 및 PINN 아키텍처를 사용한다.
• 다양한 데이터 볼륨과 학습 계산량에서 예측 정확도(MAE) 및 물리적 실현 가능성(제약 위반)을 정량화한다.
• 형식 m(x)=a x^alpha인 멱 법칙 스케일링 법칙을 적합하고 데이터 크기(D)와 계산(C)에 대한 R^2를 보고한다.
• AC 전력 흐름(ACPF)을 통해 위반 지표(예: |ν|, 가지(branch) 위반) 등을 도출하기 위해 제약 위반을 계산한다.
• 테스트 케이스 전반에서 정확도-실현 가능성 트레이드오프 측면에서 DNN과 PINN을 비교한다.
• 고정된 아키텍처에서 계산 스케일링을 분석하여 기하급수적 감소 수익(diminishing returns)과 파레토 최적 프런티어를 식별한다.

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

실험 결과

연구 질문

• RQ1 DCOPF 및 ACOPF에 대한 ML-OPF 성능을 지배하는 데이터 규모와 계산 규모의 지수는 무엇인가?
• RQ2 데이터나 계산량이 증가함에 따라 예측 정확도와 물리적 실현 가능성에 대해 ML 모델이 일관된 멱 법칙 스케일링을 보이는가?
• RQ3 데이터와 계산 규모에 따른 정확도-실현 가능성 트레이드오프 측면에서 DNN과 PINN의 비교는 어떤가?
• RQ4 실시간 제약하에서 ML-OPF 아키텍처의 계산 최적 프런티어는 무엇인가?
• RQ5 DCOPF(선형)와 ACOPF(비선형) 간의 스케일링 특성은 어떻게 다른가?

주요 결과

• Prediction accuracy follows clear power-law scaling with data size for both DCOPF and ACOPF: 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).
• With data scaling from 0.1K to 40K samples, DCOPF MAE improves by about 95% and ACOPF MAE by about 91%, showing predictable data-driven gains.
• Constraint violations scale less consistently with data; DCOPF violations remain largely flat due to linear approximation limits, while ACOPF violations follow their own power laws (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).
• Compute scaling also follows power laws but with lower predictability (e.g., 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 shows stronger compute scaling than DCOPF (|alpha_C|=0.250 vs 0.191) and favors shallower networks under fixed compute budgets; DCOPF benefits less from compute scaling due to linear structure.
• There is a notable feasibility-accuracy trade-off: PINNs can dramatically improve constraint violations with data (e.g., large violation reductions) but may worsen pure MAE compared to DNNs, implying a Pareto frontier between accuracy and feasibility.

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}