La detección oportuna de fallos en sistemas fotovoltaicos (FV) es importante para mantener un rendimiento óptimo y una fiabilidad a largo plazo. Un desafío principal sigue siendo la falta de una arquitectura de estado de salud unificada para el monitoreo ininterrumpido y el rendimiento predictivo de los sistemas FV. Con este fin, los modelos de detección de fallos existentes dependen en gran medida de la disponibilidad y calidad de los datos históricos específicos del sitio. El objetivo de este trabajo es abordar estos desafíos fundamentales presentando una arquitectura de estado de salud para el monitoreo avanzado de sistemas FV. La arquitectura propuesta comprende un modelo de aprendizaje automático para la modelización del rendimiento FV y un diagnóstico de fallos preciso. El modelo predictivo se entrena de manera óptima con cantidades bajas de datos en el sitio utilizando características mínimas y se acopla a rutinas funcionales para la verificación de la calidad de los datos, mientras que el clasificador se entrena bajo un régimen de aprendizaje supervisado mejorado. Los resultados demostraron altas precisiones para el modelo predictivo implementado, exhibiendo errores cuadráticos medios normalizados inferiores al 3.40% incluso cuando se entrena con bajas proporciones de datos. Los resultados de clasificación proporcionaron evidencia de que las condiciones de fallo pueden ser detectadas con una sensibilidad del 83.91% para eventos sintéticos de pérdida de potencia (reducción de potencia del 5%) y del 97.99% para fallos emulados en campo en el sistema FV de banco de pruebas. Finalmente, este trabajo proporciona información sobre cómo construir un sistema FV preciso con modelos predictivos y de clasificación para la detección oportuna de fallos y el monitoreo ininterrumpido de sistemas FV, independientemente de la disponibilidad y calidad de los datos históricos. Tales directrices e información sobre el desarrollo de arquitecturas de estado de salud precisas para plantas FV pueden tener implicaciones positivas en las estrategias de operación, mantenimiento y monitoreo, mejorando así el rendimiento del sistema.