La popularidad generalizada de los medidores inteligentes permite la recopilación de una inmensa cantidad de datos detallados, realizando así un flujo de información bidireccional entre la red y el cliente, junto con servicios de interacción personalizados, como la respuesta a la demanda precisa. Estos servicios se basan fundamentalmente en la estimación precisa de la demanda de electricidad, y el principal desafío radica en la alta volatilidad e incertidumbre de los perfiles de carga y la enorme presión de comunicación en el enlace de datos o centro de computación. Este estudio propuso un enfoque novedoso de dos etapas para estimar la demanda de electricidad en los hogares basado en codificación escasa profunda en el borde. En la primera etapa de codificación escasa, se introdujo el estado de los dispositivos eléctricos en el algoritmo de descomposición en valores singulares (K-SVD) no negativo profundo para estimar el comportamiento de los clientes. Los patrones extraídos en la primera etapa se utilizaron para entrenar la red de memoria a largo y corto plazo (LSTM) y prever la demanda de electricidad en los hogares en los siguientes 30 minutos. El método desarrollado se implementó en la plataforma Python y se probó en el conjunto de datos AMPds. El método propuesto superó al perceptrón multicapa (MLP) en un 51.26%, al modelo autorregresivo integrado de media móvil (ARIMA) en un 36.62%, y a LSTM con K-SVD superficial en un 16.4% en términos de error porcentual absoluto medio (MAPE). En el campo del error absoluto medio y el error cuadrático medio, la mejora fue del 53.95% y 36.73% en comparación con MLP, 28.47% y 23.36% en comparación con ARIMA, 11.38% y 18.16% en comparación con LSTM con K-SVD superficial. Los resultados de los experimentos demostraron que el método propuesto puede proporcionar una mejora considerable y estable en la estimación de la demanda de electricidad en los hogares.