Newest papers

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

Benjamin Donnot, Sami Tazi, Eva Boguslawski, Nourredine Henka · 2026 · arXiv

DOI: 10.48550/arXiv.2610.27930 · open-access PDF

German

Wir zeigen, dass dieser Vergleich zerbrechlich ist: Über 7 Open-Source-CPU-basierte Lösungsanlagen, die auf identischen Eingängen bewertet wurden, variiert die Durchsatzleistung um etwa 2,5-3 Größenordnungen, so dass die Wahl der Basislinie allein die Schlussfolgerung umdrehen kann. Wir bauen ein Benchmark, das 9 physikalische Lösungsanlagen umfasst: 7 CPU-basierte und 2 GPU-basierte Lösungsanlagen, darunter ein neuer Batch-GPU-Lösungsanbieter, gumsim2grid - und 3 veröffentlichte ML-Surrogate, die unter einer gemeinsamen, unabhängig implementierten KCL-mismatch-Check über 15 Netze bewertet wurden

Machine translation (Meta M2M100); the English original follows.

Abstract

Learned surrogates for power-flow (PF) computation are usually motivated by speed, compared against a single CPU-based baseline. We show this comparison is fragile: across 7 open-source CPU-based solvers evaluated on identical inputs, throughput varies by roughly 2.5-3 orders of magnitude, so the choice of baseline alone can flip the conclusion. We build a benchmark spanning 9 physics-based solvers: 7 CPU-based and 2 GPU-based, including a new batched GPU solver, gumsim2grid - and 3 published ML surrogates, evaluated under a shared, independently implemented KCL-mismatch check across 15 grids

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange