La identificación de información crítica de fallas juega un papel crucial en garantizar la confiabilidad y estabilidad de los sistemas de energía. Sin embargo, las tecnologías existentes de identificación de fallas dependen en gran medida de datos de sensores de alta dimensionalidad, que a menudo contienen información redundante y ruidosa. Además, los enfoques convencionales de preprocesamiento de datos típicamente emplean ventanas de tiempo fijas, ignorando las variaciones en las características de falla bajo diferentes estados del sistema. Esta limitación puede llevar a una selección de características incompleta y una reducción de la dimensionalidad ineficaz, afectando en última instancia la precisión de la clasificación de fallas. Para abordar estos desafíos, este estudio propone un método de identificación de información crítica de fallas que integra una ventana de tiempo escalable con Análisis de Componentes Principales (PCA). El método propuesto ajusta dinámicamente el tamaño de la ventana de tiempo en función de las condiciones del sistema en tiempo real, garantizando una captura de datos más flexible bajo diversos escenarios de falla. Simultáneamente, se emplea PCA para reducir la dimensionalidad, extraer características representativas y eliminar ruido redundante, mejorando así la calidad de la información de falla extraída. Además, este enfoque sienta una base sólida para la posterior aplicación de técnicas de diagnóstico de fallas basadas en aprendizaje profundo. Al mejorar la extracción de características y reducir la complejidad computacional, el método propuesto alivia efectivamente la carga de trabajo del personal de operación y mantenimiento, al tiempo que mejora la precisión en la clasificación de fallas. Nuestros resultados experimentales demuestran que el método propuesto mejora significativamente la precisión y robustez de la identificación de fallas en sistemas de energía.