Este estudio presenta algoritmos de detección de tipos de fallas eléctricas basados en envolventes y aprendizaje automático (ML) para redes de distribución eléctrica, avanzando más allá de los métodos tradicionales basados en lógica. El modelo de detección propuesto involucra tres etapas: detección de área de anomalía, detección de presencia de falla basada en ML y detección de tipo de falla basada en ML. Inicialmente, un detector basado en envolvente que identifica la región de anomalía se mejoró para manejar señales más ruidosas de la red eléctrica provenientes de medidores. La segunda etapa actúa como un interruptor, detectando la presencia de una falla entre cuatro clases: normal, motor, conmutación y falla. Finalmente, si se detecta una falla, la tercera etapa identifica tipos específicos de fallas. Este estudio exploró varios métodos de extracción de características y evaluó diferentes algoritmos de ML para maximizar la precisión de predicción. El rendimiento de los algoritmos propuestos se probó en un banco de pruebas de red eléctrica emulado de software-hardware utilizando medidores/relevadores de diferentes tasas de muestreo, como SEL735, SEL421, SEL734, SEL700GT y SEL351S cerca y lejos de una granja de paneles fotovoltaicos basada en inversor. Los resultados de rendimiento demuestran la robustez y precisión del modelo propuesto bajo condiciones realistas.