La integración de sistemas fotovoltaicos (PV) solares en redes inteligentes requiere mecanismos robustos de detección de fallos en tiempo real, particularmente en entornos con recursos limitados como el marco de microred Solar-Hidrógeno AIoT en una universidad. Este estudio realiza un análisis comparativo de cuatro arquitecturas prominentes de Redes Neuronales Convolucionales (CNN) VGG16, ResNet-50, DenseNet121 y EfficientNetB0 para determinar el modelo óptimo para el diagnóstico de fallos basado en el borde y de baja latencia. Los modelos fueron entrenados y validados en un conjunto de datos de imágenes de paneles solares que presentan múltiples tipos de fallos. Cuantitativamente, DenseNet121 logró la mayor precisión de clasificación con un 86.00%, demostrando capacidades superiores de generalización y extracción de características. Sin embargo, al considerar los estrictos requisitos de un sistema AIoT, la eficiencia computacional se convirtió en el factor decisivo. EfficientNetB0 surgió como la arquitectura más adecuada, ofreciendo una precisión aceptable del 80.00% mientras presentaba el tamaño de modelo más pequeño (5.3 M parámetros) y un tiempo de inferencia rápido (aprox. 26 ms/paso). Este equilibrio entre eficiencia y precisión hace que EfficientNetB0 sea ideal para su implementación en nodos de computación en el borde donde la memoria y el procesamiento en tiempo real son limitaciones críticas. DenseNet121 logró un 86% de precisión, mientras que EfficientNetB0 alcanzó un 80% de precisión con el tamaño de modelo más bajo y el tiempo de inferencia más rápido. Esta investigación proporciona una metodología validada para implementar soluciones de aprendizaje profundo eficientes en sistemas de gestión de energía sostenibles e inteligentes. La novedad de este trabajo radica en su comparación centrada en la implementación de arquitecturas CNN adaptadas para la inferencia en tiempo real en sistemas Solar-Hidrógeno AIoT con recursos limitados.