Los generadores de energía son uno de los activos críticos de las redes eléctricas. La detección temprana de fallas en los generadores de energía es esencial para prevenir cortes en el suministro eléctrico en la red eléctrica. Este trabajo presenta un análisis comparativo de modelos de aprendizaje automático (ML) para el diagnóstico de fallas en generadores. El objetivo es mostrar la capacidad de los modelos ML simples y de conjunto para diagnosticar fallas utilizando como atributos descargas parciales y datos de factor de disipación. Con este fin, se construyó una base de datos de fallas en generadores, recopilando información de datos operativos seleccionados por expertos en generadores de energía. Los hiperparámetros de los modelos ML fueron seleccionados utilizando una búsqueda en cuadrícula (GS) y una optimización de validación cruzada (CV). Los modelos ML fueron evaluados con métricas de desequilibrio de clases y de clasificación múltiple, un análisis de correspondencia y el rendimiento del modelo por clase (tipo de falla). Además, el modelo ML seleccionado fue validado por expertos a través de un prototipo de sistema de diagnóstico. Los resultados muestran que el modelo de aumento de gradiente presentó el mejor rendimiento según las métricas de rendimiento entre los modelos ML simples y de conjunto. Asimismo, el modelo mostró una buena capacidad para detectar fallas de tipo 3 y 4, que son las fallas más catastróficas para el generador y deben ser detectadas de manera oportuna para su pronta corrección. Este trabajo proporciona una visión sobre la necesidad y el esfuerzo requerido para implementar un sistema de diagnóstico en línea que proporcione información sobre el índice de salud del generador de energía para ayudar a los ingenieros a reducir el tiempo necesario para encontrar y reparar fallas incipientes y evitar la pérdida de generación de energía y fallas catastróficas de los generadores de energía.