El margen de carga es un índice importante aplicado en sistemas de energía para informar cuánto se puede aumentar la carga del sistema sin causar inestabilidad en el mismo. Las crecientes incertidumbres operativas y la evolución de los sistemas de energía requieren herramientas más precisas en el centro de operaciones para informar un margen de carga adecuado del sistema. Este documento propone un modelo de optimización para determinar los parámetros de una Red Neuronal Informada por la Física (PINN) que será responsable de predecir el margen de carga de los sistemas de energía. El modelo de optimización propuesto también determinará una ubicación óptima de las Unidades de Medición de Fasores (PMUs) en los buses del sistema, cuyas mediciones serán entradas para la PINN. El conocimiento físico del sistema de energía se inserta en la etapa de entrenamiento de la PINN para mejorar su capacidad de generalización. El sistema de 68 buses de IEEE y el sistema de energía interconectado brasileño fueron elegidos como los sistemas de prueba para realizar los estudios de caso y evaluaciones. Se aplicaron y evaluaron tres metaheurísticas diferentes llamadas el Algoritmo de Optimización de Senderismo, el Optimizador de Protozoos Artificiales y la Optimización por Enjambre de Partículas en el sistema de prueba. Los resultados obtenidos demuestran los beneficios de insertar conocimiento físico en el entrenamiento de la PINN y la selección óptima de PMUs en los buses del sistema para la predicción del margen de carga.