Las ecuaciones diferenciales y sistemas no lineales juegan un papel crucial en la modelización de sistemas donde los factores dependientes del tiempo exhiben características no lineales. Debido a su naturaleza no lineal, resolver tales sistemas a menudo presenta dificultades y desafíos significativos. En este estudio, proponemos un método que utiliza Redes Neuronales Informadas por la Física (PINNs) para resolver el sistema no lineal de suministro-demanda de energía (ESD). Diseñamos una red neuronal con cuatro salidas, donde cada salida aproxima una función que corresponde a una de las funciones desconocidas en el sistema no lineal de ecuaciones diferenciales que describe el problema ESD de cuatro dimensiones. El modelo de red neuronal se entrena, y los parámetros se identifican y optimizan para lograr una solución más precisa. Las soluciones obtenidas de la red neuronal para este problema son equivalentes cuando las comparamos y evaluamos frente al método numérico de Runge-Kutta de orden 5(4) (RK45). Sin embargo, el método que utiliza redes neuronales se considera un enfoque moderno y prometedor, ya que explota de manera efectiva la potencia computacional superior de los sistemas informáticos avanzados, especialmente en la resolución de problemas complejos. Otra ventaja es que el modelo de red neuronal, una vez entrenado, puede resolver el sistema no lineal de ecuaciones diferenciales en un dominio continuo. En otras palabras, las redes neuronales no solo se entrenan para aproximar las funciones de solución para el sistema ESD no lineal, sino que también pueden representar las complejas relaciones dinámicas entre los componentes del sistema. Sin embargo, este enfoque requiere un tiempo significativo y una gran potencia computacional debido a la necesidad de entrenamiento del modelo. Además, dado que este método se evalúa en base a resultados experimentales, garantizar la estabilidad y velocidad de convergencia del modelo plantea un desafío significativo. Los factores clave que influyen en esto incluyen la forma en que se diseña la arquitectura de la red neuronal, como la selección de hiperparámetros y funciones de optimización apropiadas. Esta es una tarea crítica y altamente compleja, que requiere experimentación y ajustes finos, lo que demanda una experiencia y tiempo sustanciales.