A pesar de sus significativos beneficios ambientales, los sistemas fotovoltaicos solares (PV) son susceptibles a fallas y degradación del rendimiento. Este estudio aborda la detección y diagnóstico de fallas a partir de un conjunto de datos que representa una planta de energía fotovoltaica de 250 kW con tres tipos de fallas. Se realiza un análisis exhaustivo del conjunto de datos para mejorar la calidad del mismo y descubrir relaciones intrincadas entre las características y la variable objetivo. Mediante la introducción de técnicas novedosas de promedio de importancia de características, se propone un marco de detección y diagnóstico de fallas de dos fases que emplea modelos basados en árboles para identificar fallas en casos normales y diagnosticar el tipo de falla. Se entrena un conjunto de seis clasificadores basados en árboles, incluidos árboles de decisión, bosques aleatorios, aumento de gradiente estocástico, LightGBM, CatBoost y Extra Trees, en ambas fases. Los resultados muestran una precisión del 100% en la primera fase, particularmente con el clasificador Extra Trees. En la segunda fase, Extra Trees, XGBoost, LightGBM y CatBoost logran una precisión similar, siendo Extra Trees el que muestra una velocidad de entrenamiento y convergencia superiores. Este estudio luego incorpora la Inteligencia Artificial Explicable (XAI), utilizando los analizadores LIME y SHAP para validar los hallazgos de la investigación. Los resultados destacan la superioridad del enfoque propuesto sobre otros, consolidando su posición como una solución innovadora y efectiva para la detección y diagnóstico de fallas en sistemas fotovoltaicos.