Este artículo presenta un algoritmo de potenciación en conjunto (EBA) para clasificar patrones de descarga parcial (PD) en el monitoreo de condiciones del diagnóstico de aislamiento aplicado a activos eléctricos. Este enfoque presenta una técnica de optimización para crear una secuencia de redes neuronales artificiales (ANN), donde los datos de entrenamiento para cada componente de la secuencia se seleccionan en función del rendimiento de las ANNs anteriores. Se fabricaron cuatro escenarios diferentes de fallas de PD en el laboratorio de alta tensión (HV) para simular las fallas de PD de vacíos cilíndricos en metacrilato, configuración de punto-aire-plano, buje cerámico con superficie contaminada y un transformador afectado por el PD interno. Se recopiló un conjunto de datos de PD, se preprocesó y se preparó para su uso en el algoritmo de potenciación mejorado utilizando técnicas estadísticas. En este artículo, el EBA se compara extensamente con la red neuronal artificial única (SNN) de uso común. Los resultados muestran que el enfoque propuesto puede mejorar efectivamente la capacidad de generalización de los patrones de PD. Se examina la aplicación de la técnica propuesta tanto para el reconocimiento práctico de PD en línea como fuera de línea.