Aunque las predicciones de respuesta sísmica se utilizan ampliamente para estructuras de ingeniería, sus aplicaciones en equipos eléctricos son raras. El sobreesfuerzo en la parte inferior de los aisladores de porcelana durante eventos sísmicos ha hecho que los casquillos de transformadores de potencia en subestaciones sean propensos a fallas. Por lo tanto, este documento propuso y comparó seis modelos integrados de aprendizaje automático (ML) para predicciones de respuesta al estrés sísmico para casquillos de transformadores de porcelana utilizando respuestas de aceleración fácilmente monitoreadas. Se emplearon algoritmos metaheurísticos como la optimización por enjambre de partículas para ajustar la arquitectura. Se evaluaron las precisiones de predicción para los valores de respuesta al estrés y las clasificaciones. Finalmente, se implementaron pruebas en mesa vibratoria y análisis de simulación para un casquillo de 1100 kV para validar la precisión de los seis modelos de ML. Los resultados indicaron que los modelos de ML propuestos pueden predecir rápidamente el estrés máximo experimentado por un casquillo de porcelana durante terremotos. Las tecnologías evolutivas de inteligencia en enjambre podrían ayudar rápidamente y automáticamente en la renovación de la arquitectura para los modelos de ML. El modelo de regresión de vecinos más cercanos (K-nearest neighbor) tuvo el mejor nivel de precisión de predicción entre los seis modelos de ML seleccionados para validaciones experimentales y de simulación. Los modelos de predicción de ML tienen claros beneficios sobre las técnicas analíticas sísmicas frecuentemente utilizadas en términos de velocidad y precisión para la ayuda de emergencia post-terremoto en subestaciones.