La energía solar es una fuente de energía renovable crítica, con arreglos solares o sistemas fotovoltaicos ampliamente utilizados para convertir la energía solar en energía eléctrica. Sin embargo, los sistemas de arreglos solares pueden desarrollar fallas y pueden mostrar un rendimiento deficiente. Diagnosticar y resolver fallas dentro de estos sistemas de manera oportuna es crucial para garantizar la fiabilidad y eficiencia en la generación de energía. Los autoencoders y sus variantes han ganado popularidad en estudios recientes para detectar y diagnosticar fallas en arreglos solares. Sin embargo, los modelos de autoencoder tradicionales a menudo tienen dificultades para capturar las relaciones espaciales y temporales presentes en los datos de sensores fotovoltaicos. Este documento presenta un modelo de aprendizaje profundo que combina una red neuronal convolucional de grafos con un autoencoder variacional para diagnosticar fallas en arreglos solares. La red neuronal convolucional de grafos aprende de manera efectiva a partir de datos de sensores espaciales y temporales, mejorando significativamente el rendimiento en la detección de fallas. Evaluamos el modelo de aprendizaje profundo propuesto en un conjunto de datos de arreglos solares recientemente publicado para un modo de tabla de probabilidad de potencia integrada. Los resultados experimentales muestran que el modelo logra una tasa de detección de fallas que supera el 95% y supera a los modelos de autoencoder convencionales. También identificamos componentes defectuosos al analizar el error de reconstrucción del modelo para cada característica, y validamos el análisis a través de la prueba de Kolmogorov-Smirnov y técnicas de inyección de ruido.