PINN4PF est une architecture d'apprentissage profond de bout en bout pour l'analyse des flux de puissance (PF), qui capture efficacement la dynamique non linéaire des systèmes électriques modernes à grande échelle. Elle repose sur une architecture de réseau neuronal (NN) intégrant deux avancées majeures : (A) un NN à double tête à anticipation, compatible avec l'analyse PF, avec des fonctions d'activation adaptées aux schémas d'injection de puissance active et réactive nette ; et (B) une fonction de perte basée sur la physique qui intègre partiellement les informations topologiques du système électrique via une nouvelle fonction cachée. Nous démontrons l'efficacité de l'architecture proposée sur des systèmes de test à 4, 15, 290 et 2 224 bus, et la comparons à deux benchmarks : un modèle de régression linéaire (LR) et un réseau neuronal boîte noire (MLP). La comparaison repose sur (i) la capacité de généralisation, (ii) la robustesse, (iii) l'impact de la taille de l'ensemble de données d'apprentissage sur la capacité de généralisation, (iv) la précision de l'approximation des grandeurs PF dérivées (en particulier, le courant de ligne, la puissance active de ligne et la puissance réactive de ligne), et (v) l'évolutivité. Les résultats montrent que PINN4PF surpasse les mesures directes, telles que la capacité de généralisation, ainsi que l'approximation des grandeurs physiques dérivées, jusqu'à deux ordres de grandeur.
