La integración del aprendizaje automático en los sistemas de energía, especialmente en la estabilidad y dinámica, aborda los desafíos que plantea la integración de energías renovables y recursos energéticos distribuidos (DERs). Los métodos tradicionales para la estabilidad transitoria del sistema de energía, que implican resolver ecuaciones diferenciales con técnicas computacionales, enfrentan limitaciones debido a su naturaleza que consume tiempo y demanda computacionalmente. Este documento presenta las Redes Neuronales Informadas por la Física (PINNs) como una solución prometedora para estos desafíos, especialmente en escenarios con disponibilidad limitada de datos y la necesidad de una alta velocidad computacional. Las PINNs ofrecen un enfoque novedoso para sistemas de energía complejos al incorporar ecuaciones adicionales y adaptarse a diversas escalas del sistema, desde un solo bus hasta redes de múltiples buses. Nuestro estudio presenta la primera evaluación integral de las Redes Neuronales Informadas por la Física (PINNs) en el contexto de la estabilidad transitoria del sistema de energía, abordando diversas complejidades de la red. Además, presentamos un enfoque novedoso para ajustar los pesos de pérdida para mejorar la adaptabilidad de las PINNs a sistemas diversos. Nuestros hallazgos experimentales revelan que las PINNs pueden escalarse eficientemente manteniendo una alta precisión. Además, estos resultados sugieren que las PINNs superan significativamente al método tradicional ode45 en términos de eficiencia, especialmente a medida que aumenta el tamaño del sistema, mostrando una ventaja de velocidad progresiva sobre ode45.