A medida que aumenta la penetración de energías renovables y los eventos climáticos extremos, predecir con precisión el comportamiento del sistema eléctrico es esencial para reducir riesgos y permitir intervenciones oportunas. Este estudio presenta un enfoque de aprendizaje informado por la física para pronosticar los ángulos de voltaje transitorios en sistemas eléctricos con energía eólica integrada bajo condiciones de viento racheado. Desarrollamos un marco de simulación que genera perfiles de energía eólica con variaciones significativas inducidas por ráfagas durante un período de un minuto. Evaluamos la efectividad de las redes neuronales informadas por la física (PINNs) integrándolas con arquitecturas LSTM (memoria a largo y corto plazo) y GRU (unidad recurrente con compuerta) y comparamos su rendimiento con los modelos estándar de LSTM y GRU entrenados utilizando solo la pérdida de error cuadrático medio (MSE). Los modelos se probaron bajo tres escenarios de penetración de energía eólica: 20%, 40% y 60%. Los resultados muestran que la precisión predictiva de los modelos basados en PINN mejora a medida que aumenta la penetración eólica, y el modelo de mejor rendimiento varía según el nivel de penetración. En general, este estudio destaca el valor del aprendizaje informado por la física para la predicción dinámica en condiciones climáticas extremas y proporciona orientación práctica para seleccionar modelos apropiados según los niveles de integración de energía renovable.