Benchmarking CPU, GPU, and ML Power-Flow Solvers from 14 to 70,000 Buses

Cet article examine si les modèles d’apprentissage automatique permettent réellement de calculer les flux de puissance en courant alternatif dans les réseaux électriques plus rapidement que les méthodes physiques. Les auteurs soulignent que les gains annoncés dépendent fortement du solveur de référence : parmi sept implémentations sur CPU, les débits varient d’environ 2,5 à 3 ordres de grandeur. Comparer un modèle appris à un seul solveur, notamment lorsqu’il est exécuté sur un seul cœur, peut donc inverser les conclusions. Leur contribution associe une vaste étude comparative à un nouveau solveur physique sur GPU, gpusim2grid, conçu pour traiter simultanément de nombreux scénarios. L’étude porte sur quinze réseaux comprenant entre 14 et 70 000 nœuds. Elle compare sept solveurs Newton-Raphson sur CPU, deux sur GPU, dont gpusim2grid, et trois modèles neuronaux de substitution : PowerFlowNet, Graph Neural Solver et CANOS-PF. Les configurations sont harmonisées pour résoudre les mêmes équations en courant alternatif. Un évaluateur indépendant vérifie les résidus des bilans de puissance associés à la loi des nœuds, plutôt que de s’appuyer uniquement sur les indicateurs internes des outils. La validation repose sur 9 000 scénarios identiques par réseau, avec une tolérance cible de 10⁻⁸. Gpusim2grid s’appuie sur CUDA et cuDSS pour regrouper les systèmes creux de plusieurs scénarios partageant une structure commune et effectuer les itérations sur GPU. Les mesures de débit concernent principalement des variations de consommation et de production à topologie fixe. Pour chaque combinaison de solveur et de réseau, les auteurs recherchent le nombre optimal de cœurs CPU ou la taille optimale des lots GPU. Les transferts entre la mémoire principale et le GPU sont inclus dans les mesures, contrairement au chargement initial, à la compilation et aux opérations d’initialisation dont le coût peut être amorti. La campagne CPU représente environ 630 millions de calculs et 4 700 heures-cœur. Les principaux résultats sont obtenus sur une machine équipée de 32 cœurs physiques et d’un GPU NVIDIA RTX PRO 6000 Blackwell. Le résultat central est que lightsim2grid, lorsqu’il est suffisamment parallélisé, et gpusim2grid égalent ou dépassent le débit des modèles neuronaux testés. Graph Neural Solver, le modèle appris le plus rapide, surpasse lightsim2grid exécuté sur un seul cœur, mais perd cet avantage lorsque le CPU est pleinement exploité. La parallélisation multiplie en moyenne par environ 16 le débit du meilleur solveur CPU. Gpusim2grid atteint un débit comparable à celui du CPU sur les plus grands réseaux, mais les coûts fixes et une utilisation insuffisante du GPU pénalisent davantage ses performances sur les petits réseaux. La précision reste nettement en faveur des méthodes physiques. Après cinq itérations, gpusim2grid obtient un résidu moyen de 8,91 × 10⁻¹⁴ et un maximum de 2,31 × 10⁻¹⁰, selon la métrique agrégée retenue. Sur le réseau IEEE-118 et les données PF-Delta, la perte moyenne de bilan de puissance en régime normal s’élève à 4,9 × 10⁻¹⁴ pour gpusim2grid, contre 1,1 × 10⁻⁶ pour pandapower et 2,7 × 10⁻³ pour GENCO Base, dont les résultats sont issus de sa publication. Les cas proches de l’infaisabilité restent toutefois plus difficiles à résoudre et présentent parfois des divergences. Les auteurs concluent que les réseaux de neurones sur graphes évalués ne démontrent pas d’avantage convaincant pour le seul calcul des flux de puissance. Cette conclusion ne s’étend ni aux autres architectures ni à des tâches telles que l’optimisation ou l’estimation d’état. L’étude présente plusieurs limites : des débits maximaux rapportés sans statistiques de répétition, l’utilisation de données synthétiques, l’absence de réentraînement des architectures neuronales pour les grands réseaux et des niveaux d’optimisation inégaux entre les outils. Des instabilités produisant des valeurs NaN, attribuées à cuDSS, sont également signalées. Enfin, gpusim2grid dépend de CUDA et ne prend pas encore en charge toutes les modifications topologiques au sein d’un même lot.

Calcul des flux de puissance : l’IA est-elle vraiment plus rapide que les solveurs physiques ?

Les modèles d’apprentissage automatique promettent d’accélérer de nombreux calculs scientifiques. Dans les réseaux électriques, ils pourraient notamment remplacer les méthodes classiques de calcul des flux de puissance en courant alternatif. Mais cet avantage subsiste-t-il lorsqu’on les compare à des solveurs physiques bien optimisés, capables d’exploiter pleinement les processeurs modernes ? Une vaste étude comparative invite à revoir certaines conclusions trop rapides.

Dans « Benchmarking CPU, GPU, and ML Power-Flow Solvers from 14 to 70,000 Buses », Benjamin Donnot, Sami Tazi, Eva Boguslawski et Nourredine Henka montrent que le choix du solveur de référence peut transformer le verdict. Leur travail associe une comparaison à grande échelle et un nouveau solveur physique sur GPU, gpusim2grid.

Pourquoi la référence choisie change tout

Le calcul des flux de puissance détermine l’état électrique d’un réseau à partir, notamment, des consommations et des productions. Il repose sur des équations non linéaires, généralement résolues par des méthodes itératives comme Newton-Raphson. Ces calculs doivent souvent être répétés pour explorer de nombreux scénarios d’exploitation.

Les modèles neuronaux de substitution cherchent à fournir directement une estimation de la solution. Leur intérêt paraît évident si cette estimation arrive beaucoup plus vite. Encore faut-il choisir une référence représentative : parmi les sept implémentations CPU évaluées, les débits varient d’environ 2,5 à 3 ordres de grandeur, soit plusieurs centaines à un millier de fois.

Comparer un modèle appris à un seul logiciel, exécuté sur un seul cœur, risque donc de confondre une faiblesse de configuration avec une supériorité de l’apprentissage automatique.

Un protocole conçu pour comparer équitablement

L’étude couvre quinze réseaux, de 14 à 70 000 nœuds. Elle confronte sept solveurs Newton-Raphson sur CPU, deux sur GPU et trois modèles neuronaux : PowerFlowNet, Graph Neural Solver et CANOS-PF. Les configurations sont harmonisées pour résoudre les mêmes équations en courant alternatif.

Pour chaque réseau, la validation utilise 9 000 scénarios identiques et vise une tolérance de 10⁻⁸. Un évaluateur indépendant vérifie les résidus des bilans de puissance associés à la loi des nœuds. Cette vérification évite de dépendre uniquement des indicateurs internes, potentiellement différents, de chaque outil.

Mesurer le débit, pas seulement une exécution isolée

Les auteurs recherchent, pour chaque couple solveur-réseau, le meilleur nombre de cœurs CPU ou la meilleure taille de lot GPU. Les mesures concernent principalement des variations de consommation et de production à topologie fixe.

• Les transferts entre la mémoire principale et le GPU sont inclus dans les temps mesurés.
• Le chargement initial, la compilation et les initialisations amortissables sont exclus.
• La campagne CPU représente environ 630 millions de calculs et 4 700 heures-cœur.

Les principaux résultats proviennent d’une machine dotée de 32 cœurs physiques et d’un GPU NVIDIA RTX PRO 6000 Blackwell. Ils décrivent donc surtout une capacité à traiter de nombreux scénarios, plutôt que la seule latence d’une requête isolée.

Gpusim2grid : accélérer la physique plutôt que la remplacer

Le nouveau solveur gpusim2grid s’appuie sur CUDA et cuDSS. Son principe consiste à regrouper les systèmes creux de plusieurs scénarios partageant une structure commune, puis à effectuer les itérations sur GPU. Il exploite ainsi le parallélisme matériel tout en conservant une résolution fondée sur les équations physiques.

Le résultat central est clair : lightsim2grid, suffisamment parallélisé sur CPU, et gpusim2grid égalent ou dépassent le débit des modèles neuronaux testés. Graph Neural Solver, le plus rapide des modèles appris évalués, dépasse lightsim2grid sur un seul cœur, mais perd cet avantage lorsque le CPU est pleinement exploité.

La parallélisation multiplie en moyenne par environ 16 le débit du meilleur solveur CPU. Sur les plus grands réseaux, gpusim2grid atteint un débit comparable à celui du CPU. Sur les petits réseaux, ses coûts fixes et une utilisation insuffisante du GPU limitent davantage ses performances.

La précision reste un avantage majeur des méthodes physiques

Une réponse rapide n’est utile que si elle respecte suffisamment les équations du réseau. Après cinq itérations, gpusim2grid obtient un résidu moyen de 8,91 × 10⁻¹⁴ et un maximum de 2,31 × 10⁻¹⁰, selon la métrique agrégée retenue.

Sur IEEE-118 avec les données PF-Delta, la perte moyenne de bilan de puissance en régime normal atteint 4,9 × 10⁻¹⁴ pour gpusim2grid, contre 1,1 × 10⁻⁶ pour pandapower et 2,7 × 10⁻³ pour GENCO Base. Ce dernier chiffre provient de sa publication et doit donc être distingué des mesures directement réalisées. Les situations proches de l’infaisabilité restent néanmoins difficiles, avec parfois des divergences.

Une conclusion solide, mais circonscrite

L’étude comporte plusieurs limites : des débits maximaux sans statistiques de répétition, des données synthétiques, l’absence de réentraînement des architectures neuronales pour les grands réseaux et des optimisations inégales entre outils. Des instabilités produisant des valeurs NaN sont également attribuées à cuDSS. Enfin, gpusim2grid dépend de CUDA et ne gère pas encore toutes les modifications topologiques au sein d’un même lot.

Le message n’est donc pas que l’IA serait inutile aux réseaux électriques. Les réseaux de neurones sur graphes évalués ne démontrent simplement pas d’avantage convaincant pour ce calcul précis. Cette conclusion ne préjuge ni des autres architectures ni de tâches comme l’optimisation ou l’estimation d’état. La leçon essentielle reste méthodologique : avant d’annoncer une accélération, il faut comparer à une référence physique correctement optimisée.