La calidad de la energía es uno de los campos más críticos en el sector energético. La conexión de vehículos eléctricos a la red eléctrica puede causar una degradación de la calidad de la energía al cargar o descargar la batería. Identificar caídas repentinas de voltaje, picos y interrupciones en la red es esencial para evitar fallos en la red. Se ha desarrollado un sistema de clasificación/monitoreo de fallos múltiples basado en redes neuronales artificiales e implementado en un FPGA. El rendimiento del sistema se ha evaluado utilizando un conjunto de datos obtenidos de MATLAB/Simulink 2024. Se implementan, entrenan, validan y prueban diferentes combinaciones de conjuntos de datos en tres modelos de perceptrón multicapa (MLP) de varias configuraciones. El análisis muestra que el MLP diseñado con una precisión de datos de punto fijo de 12 bits es la implementación de MLP más eficiente en precisión de clasificación, en comparación con datos de punto fijo de 8, 12, 20 y 24 bits. El sistema logró una precisión de clasificación del 99.95% en diversas condiciones de fallo, demostrando su capacidad para implementación en tiempo real.