Los sistemas fotovoltaicos (FV) son fundamentales para la generación de energía renovable a nivel global, sin embargo, su eficiencia y fiabilidad se ven frecuentemente comprometidas por fallos no detectados, lo que conduce a pérdidas significativas de energía, aumento de costos de mantenimiento y reducción de la vida útil operativa. Para abordar estos desafíos, este estudio propone un novedoso marco híbrido de aprendizaje profundo que combina Autoencoders Escasos Apilados (SSAE) para la extracción autónoma de características con un Perceptrón Multicapa Optimizado (OMLP) para la clasificación precisa de fallos. El SSAE extrae características de fallos de alta dimensión a partir de datos operativos en bruto, mientras que el OMLP aprovecha estas características para clasificar fallos con una precisión excepcional. El modelo fue rigurosamente validado utilizando conjuntos de datos FV del mundo real, abarcando diversos tipos de fallos como sombreado parcial, circuitos abiertos y degradación de módulos bajo condiciones ambientales dinámicas. Los resultados demuestran un rendimiento de vanguardia, con el modelo alcanzando un 99.82% de precisión, un 99.7% de precisión, un 99.4% de sensibilidad y un 100% de especificidad, superando los enfoques tradicionales de aprendizaje automático y aprendizaje profundo. Estos hallazgos destacan la robustez y fiabilidad del marco en aplicaciones del mundo real. Al mejorar significativamente la precisión de detección de fallos y la eficiencia computacional, el enfoque propuesto optimiza el rendimiento del sistema FV, reduce los costos operativos y apoya la producción de energía sostenible. Este estudio concluye que el modelo híbrido SSAE-MLP Optimizado representa una solución escalable y eficiente para mejorar la fiabilidad y longevidad de la infraestructura de energía renovable, estableciendo un nuevo estándar para estrategias de mantenimiento inteligente en el campo.