Los métodos existentes de monitoreo de carga no intrusivo (NILM) dependen predominantemente de modelos centralizados, lo que introduce vulnerabilidades de privacidad y carece de escalabilidad en escenarios de parques industriales grandes equipados con recursos energéticos distribuidos. Para abordar este problema, se propone un marco de NILM basado en patrones temporales federados (FedTP-NILM). Su objetivo es garantizar la privacidad de los datos mientras se permite un monitoreo eficiente de la carga en entornos distribuidos y heterogéneos, ampliando así la aplicabilidad de la tecnología NILM en escenarios de parques industriales a gran escala. Primero, se propone un método de agregación federada, que integra el algoritmo de optimización FedYogi con un mecanismo de compartición secreta para permitir la agregación segura de datos locales. En segundo lugar, se presenta una arquitectura de red neuronal piramidal para capturar dependencias temporales complejas en tareas de identificación de carga. Integra módulos de codificación temporal, agrupamiento y decodificación, junto con un extractor de características mejorado, para aprender y distinguir mejor patrones temporales multiescala. Además, se propone una estrategia de aumento de datos híbrida para expandir el rango de distribución de muestras al agregar ruido y mezcla lineal. Finalmente, los resultados experimentales validan la efectividad del marco de aprendizaje federado propuesto, demostrando un rendimiento superior tanto en la identificación de dispositivos de energía distribuidos como en la preservación de la privacidad.