En este estudio, se presenta una técnica novedosa para identificar y categorizar fallas en sistemas fotovoltaicos a pequeña escala. Primero, se desarrolló un aprendizaje automático supervisado (red neuronal) para el proceso de detección de fallas basado en la potencia de salida estimada. En segundo lugar, se utilizó un algoritmo supervisado de árbol adicional para extraer características importantes de una curva corriente-voltaje (I-V). En tercer lugar, se desarrolló un algoritmo de aprendizaje de conjunto basado en multi-apilamiento para clasificar eficazmente fallas en paneles solares. En este trabajo, se investigan fallas simples y múltiples. El beneficio de la estrategia de apilamiento es que puede combinar las fortalezas de varios algoritmos basados en aprendizaje automático que se sabe que ofrecen buenos resultados en tareas de clasificación, produciendo resultados más precisos y eficientes que los producidos por un solo algoritmo. El enfoque se probó utilizando un conjunto de datos experimental y los hallazgos muestran que podría diagnosticar con precisión fallas (una tasa de detección de alrededor del 98.56% y una tasa de clasificación de alrededor del 96.21%). Se realizó un estudio de comparación con diferentes algoritmos de aprendizaje de conjunto (AdaBoost, CatBoost y XGBoost) para evaluar la efectividad del método sugerido.