Esta investigación se centra en desarrollar y probar un método para clasificar las perturbaciones en los sistemas de energía utilizando algoritmos de aprendizaje automático y datos de unidades de medición de fasores (PMU). Para mejorar la velocidad y precisión de la clasificación de perturbaciones, empleamos una variedad de técnicas de aprendizaje automático en conjunto, incluyendo Bosque Aleatorio, AdaBoost, Extreme Gradient Boosting (XGBoost) y LightGBM. El método de clasificación fue evaluado utilizando tanto datos sintéticos, generados a partir de simulaciones transitorias del sistema de prueba IEEE24, como datos del mundo real de eventos transitorios reales en sistemas de energía. Entre los algoritmos probados, XGBoost logró la mayor precisión de clasificación, con un 96.8% para datos sintéticos y un 85.2% para datos físicos. Además, este estudio investiga el impacto de la frecuencia de muestreo de datos y el tamaño de la ventana de cálculo en el rendimiento de la clasificación. A través de experimentos numéricos, encontramos que aumentar la tasa de muestreo de la señal más allá de 5 kHz y extender la ventana de cálculo más allá de 5 ms no mejoró significativamente la precisión de la clasificación.