Un sistema fotovoltaico (PV) es uno de los recursos de energía renovable que puede ayudar a satisfacer la creciente demanda de energía. Sin embargo, la instalación de sistemas PV es propensa a fallas que pueden ocurrir de manera impredecible y seguir siendo desafiantes de detectar. Las principales fallas de PV que pueden ocurrir son fallas de línea-línea y circuitos abiertos, y si no se abordan de manera apropiada y oportuna, pueden provocar problemas graves en el sistema PV. Para resolver este problema, este estudio propone un algoritmo de aprendizaje de conjunto basado en votación con regresión lineal, árbol de decisión y máquina de vectores de soporte (EL-V) para la detección y diagnóstico de fallas de PV. La adquisición de datos se realiza para diferentes condiciones climáticas para desencadenar la naturaleza no lineal de las características del sistema PV. Las características de voltaje-corriente se utilizan como datos de entrada. El conjunto de datos se estudia para una comprensión más profunda y preprocesamiento antes de alimentarlo al EL-V. En el paso de preprocesamiento, los datos se normalizan para obtener más espacio de características, facilitando que el algoritmo propuesto discrimine entre condiciones saludables y defectuosas. Para verificar el método propuesto, se compara con otros algoritmos en términos de precisión, precisión, recall y puntaje F-1. Los resultados muestran que el algoritmo EL-V propuesto supera a los otros algoritmos.