Los paneles solares fotovoltaicos, componentes esenciales en sistemas de energía renovable, experimentan fallas eléctricas debido a condiciones ambientales y operativas adversas, reduciendo su rendimiento y vida útil. El objetivo de esta investigación es desarrollar un algoritmo predictivo basado en redes LSTM (Long Short-Term Memory) para identificar fallas eléctricas mediante análisis continuo de datos sensoriales. Se recolectaron series temporales de corrientes, tensiones, potencias e irradiancia solar. Los datos se preprocesaron (limpieza, normalización) y utilizaron para entrenar un modelo LSTM que detecta patrones anómalos precursores de fallas. El modelo alcanzó una precisión global de 98.75% de precisión en simulaciones, identificando condiciones críticas con 12-72 horas de antelación. Esto permite programar intervenciones preventivas antes de fallos irreversibles. La solución propuesta mejora significativamente la eficiencia del mantenimiento preventivo en instalaciones fotovoltaicas, ofreciendo un enfoque confiable y rentable para la gestión de fallas.