PINN4PFは、大規模な近代的な電力システムの非線形ダイナミクスを効果的に捉える電力フロー（PF）分析のためのエンドツーエンドの深層学習アーキテクチャです。 2つの主要な進歩を含むニューラルネットワーク（NN）アーキテクチャで構成されています。 (A) 正味の活性および無効電力注入パターンに合わせて調整される活性化関数を含む PF 分析と一致するデュアルヘッドフィードフォワード NN, (B) 新しい隠し関数を介して電力システムトポロジ情報を部分的に統合する物理ベースの損失関数。 4-バス、15-バス、290-バス、および2224-バステストシステムによって提案されたアーキテクチャの効果を示し、線形回帰モデル（LR）とブラックボックスNN（MLP）の2つの基準と比較評価します。比較は、（i）一般化能力、（ii）堅牢性、（iii）一般化能力に対するトレーニングデータセットサイズの影響、（iv）派生PF数量（特に線路電流、線路有効電力および線路無効電力）近似の精度、（v）拡張性に基づいています。結果は,PINN4PFが,一般化能力のような直接的な基準だけでなく,派生物理量近似の観点からも,最大2桁まで両方の基準を上回ることを示した。
