Este artículo evalúa la aplicación de las Redes Neuronales Basadas en la Física (PINN), que integran directamente la física en un marco de aprendizaje, al modelado de redes inteligentes para abordar la escasez de datos y los problemas de consistencia física. Mediante tres experimentos (interpolación, validación cruzada y predicción de trayectorias episódicas), comparamos el rendimiento de las PINN con XGBoost, Random Forest y regresión lineal. Las PINN entrenadas con funciones de pérdida basadas en la física (balanceo de potencia, restricciones operacionales y mejora de la estabilidad de la red) demuestran un rendimiento de generalización superior en términos de reducción de errores, en comparación con los modelos basados en datos. Específicamente, las PINN mantienen un MAE bajo en funcionamiento dinámico de la red y capturan de forma fiable las transiciones de estado tanto en escenarios de control aleatorios como controlados por expertos, mientras que los modelos existentes presentan un rendimiento inestable. Si bien las PINN mostraron cierta degradación del rendimiento en condiciones operativas extremas, mantuvieron consistentemente la plausibilidad física, lo que demuestra su papel esencial en aplicaciones críticas para la seguridad. Este estudio contribuye a establecer a los PINN como una herramienta alternativa de modelado de redes inteligentes que combina la flexibilidad basada en datos con el rigor de los primeros principios, avanza el control de la red en tiempo real y los gemelos digitales escalables, y destaca la necesidad de arquitecturas conscientes de la física en sistemas de energía de misión crítica.
