A medida que la demanda de descripciones detalladas de datos de carga en los sistemas de energía modernos continúa aumentando, desafíos como la alta complejidad computacional en tareas de identificación de carga y los altos requisitos de hardware para los dispositivos han dificultado significativamente el progreso. Por lo tanto, este documento propone un método de identificación de carga no intrusivo que utiliza una Red Neuronal Recurrente Bidireccional Densamente Conectada (DB-LSTM) con Análisis de Componentes Principales del Núcleo. Primero, se emplea un algoritmo de ventana deslizante bilateral para la detección de eventos en los datos recopilados por los dispositivos de identificación de carga, verificando el encendido y apagado de los electrodomésticos. En segundo lugar, después de detectar el cambio de dispositivos de carga y extraer características, se utiliza el Análisis de Componentes Principales del Núcleo para reducir las dimensiones de los datos debido a la complejidad de las características existentes, seleccionando características más relevantes. Finalmente, se utiliza una red LSTM Bidireccional Densamente Conectada. Esto mejora las características globales y locales dinámicas apilando unidades LSTM y combinándolas con conexiones densas de salto, proporcionando canales adicionales para la transmisión de señales, fortaleciendo así la propagación de características y reduciendo el número de parámetros. Este enfoque reduce la complejidad computacional y mejora la eficiencia de la identificación de carga del modelo. El modelo propuesto se compara y valida frente a los modelos de identificación de carga no intrusivos convencionales a través de experimentos, demostrando su mayor eficiencia en la identificación de carga.