Las bicicletas eléctricas ofrecen un viaje conveniente a corta distancia, pero una carga incorrecta de la batería plantea un riesgo de incendio, especialmente en interiores, pudiendo causar accidentes significativos, daños materiales e incluso amenazas a la vida. Reconocer el estado de carga de las baterías de las bicicletas eléctricas es crucial para la seguridad. Este documento propone un método novedoso para identificar el proceso de carga de las baterías de litio en las bicicletas eléctricas. Se utilizan métodos que no requieren alteraciones físicas en el equipo para adquirir datos de consumo eléctrico de los usuarios, con señales de corriente preprocesadas e introducidas en un modelo combinado que integra redes neuronales convolucionales (CNN) y redes neuronales de memoria a corto y largo plazo bidireccionales (BiLSTM). El modelo propuesto captura patrones y características complejas en los datos de carga, identificando efectivamente las características de carga de las baterías de litio. La validación utilizando el conjunto de datos de baterías de litio de la NASA y datos experimentales reales muestra que el modelo combinado logra una precisión de reconocimiento del 96% y 97% en los datos de entrenamiento y del 93% y 94% en los datos de validación. Una validación adicional bajo múltiples cargas de dispositivos y la comparación con otros modelos indican que el método propuesto es altamente preciso, superando a los modelos tradicionales de CNN y LSTM en un 4-9%. Esta investigación mejora la seguridad y la regulación de la carga de las baterías de las bicicletas eléctricas y proporciona un método confiable para la identificación de carga no intrusiva en sistemas de monitoreo inteligentes, contribuyendo a mejorar las medidas de seguridad y la gestión energética en entornos residenciales.