Este estudio aborda la creciente necesidad de soluciones efectivas de gestión energética en entornos universitarios, con un énfasis particular en los sistemas solar-hidrógeno. El propósito del estudio es explorar la integración de modelos de aprendizaje profundo, específicamente MobileNetV2 e InceptionV3, para mejorar las capacidades de detección de fallos en entornos basados en AIoT, al mismo tiempo que se personalizan las normas ISO 50001:2018 para alinearse con las necesidades únicas de gestión energética de las instituciones académicas. Nuestra investigación emplea un análisis comparativo de los dos modelos de aprendizaje profundo en términos de su rendimiento en la detección de defectos en paneles solares y la evaluación de la precisión, los valores de pérdida y la eficiencia computacional. Los hallazgos revelan que MobileNetV2 logra una precisión del 80%, lo que lo hace adecuado para entornos con recursos limitados, mientras que InceptionV3 demuestra una precisión superior del 90% pero requiere más recursos computacionales. El estudio concluye que ambos modelos ofrecen ventajas distintas según los escenarios de aplicación, enfatizando la importancia de equilibrar la precisión y la eficiencia al seleccionar modelos apropiados para la gestión de sistemas solar-hidrógeno. Esta investigación destaca el papel crítico de la mejora continua y el compromiso del liderazgo en la implementación exitosa de normas de gestión energética en universidades.