El cambio climático está aumentando la ocurrencia de eventos meteorológicos extremos, como tormentas de viento intensas, con una tendencia que se espera que empeore debido al calentamiento global. La creciente intensidad y frecuencia de estos eventos están causando un número significativo de fallos en las redes de distribución de energía. Sin embargo, comprender la naturaleza de los eventos de viento extremos y predecir su impacto en las redes de distribución puede ayudar a prevenir estos problemas, mitigando potencialmente sus efectos adversos. Este estudio analiza un método estructurado para predecir las interrupciones en las redes de distribución causadas por eventos de viento extremos. El método utiliza modelos de Aprendizaje Automático (ML), incluidos K-Nearest Neighbors (KNN), Random Forest (RF), Support Vector Machine (SVM), Árboles de Decisión (DTs), Gradient Boosting Machine (GBM), Proceso Gaussiano (GP), Red Neuronal Profunda (DNN) y Aprendizaje Ensemblado que combina RF, SVM y GP para analizar datos de fallos sintéticos y predecir cortes de energía. El estudio utilizó información meteorológica, curvas de fragilidad física y generación de escenarios para sistemas de distribución. El enfoque se valida utilizando validación cruzada de cinco pliegues en el conjunto de datos, demostrando su efectividad para mejorar las capacidades predictivas frente a eventos de viento extremos. Los resultados experimentales mostraron que el Aprendizaje Ensemblado, GP y los modelos SVM superaron a otros modelos predictivos en la tarea de clasificación binaria de identificar fallos o no fallos, logrando las métricas de rendimiento más altas.