La monitorización de carga no intrusiva (NILM) analiza únicamente la información de carga del circuito principal con un algoritmo para descomponer la carga, lo cual es una forma importante de ayudar a reducir el consumo de energía. La investigación reciente muestra que el aprendizaje profundo se ha vuelto popular para este problema. Sin embargo, la capacidad de una red neuronal para extraer características de carga depende de su estructura. Por lo tanto, se requiere más investigación para determinar la mejor arquitectura de red. Este estudio propuso dos redes neuronales profundas basadas en el mecanismo de atención para mejorar el modelo de aprendizaje de secuencia a punto (s2p) actual. El primer modelo emplea atención de estilo Bahdanau y capas de RNN, y el segundo modelo reemplaza la capa de RNN con una capa de autoatención. Ambos modelos se basan en una capa de incrustación de tiempo. Por lo tanto, pueden aplicarse mejor en NILM. Para verificar la efectividad de los algoritmos, seleccionamos dos conjuntos de datos abiertos y los comparamos con el modelo s2p original. Los resultados muestran que los mecanismos de atención pueden mejorar efectivamente el rendimiento del modelo.