La creciente adopción de sistemas fotovoltaicos ha resaltado la alta vulnerabilidad de los inversores solares, responsables del 47% de las fallas en plantas solares. Los métodos tradicionales de monitoreo presentan baja precisión, y los modelos actuales de aprendizaje automático enfrentan limitaciones para capturar dependencias temporales o demandan recursos excesivos. El objetivo de esta investigación es desarrollar un modelo híbrido basado en LSTM y XGBoost que permita predecir fallas en inversores solares con alta precisión y baja latencia, facilitando su implementación en entornos de hardware perimetral. Se empleó un enfoque de simulación-validación en cuatro fases: modelado de un gemelo digital en MATLAB/Simulink, generación de datos sintéticos, desarrollo del modelo híbrido en Python y validación cruzada mediante una API REST entre ambos entornos. Se integraron técnicas como DTW, filtro Kalman y mecanismos de atención adaptativa. El modelo propuesto alcanzó un AUC-ROC de 0.947, con una precisión superior al 95% y una latencia de predicción promedio de 12.7 ms. La arquitectura híbrida LSTM-XGBoost demuestra ser una solución eficaz y eficiente para el mantenimiento predictivo de inversores solares, reduciendo falsas alarmas en un 63% y aumentando la disponibilidad del sistema.