Debido al funcionamiento sin contacto de utensilios de cocina en sistemas de calefacción por inducción, la temperatura de los utensilios de cocina se mide de forma remota utilizando sensores térmicos colocados en el centro de la bobina. Por lo tanto, el error de medición de estos sensores aumenta si la colocación de los utensilios de cocina no está centrada en la parte superior de la bobina. Por lo tanto, este estudio presenta un nuevo método de detección de anomalías basado en datos para detectar utensilios de cocina sobrecalentados utilizando el sensor térmico de la temperatura de la carcasa del módulo del inversor. Este método utiliza un autoencoder (AE) basado en memoria a corto y largo plazo (LSTM) para aprender de una gran cantidad de datos de entrenamiento de temperaturas de utensilios de cocina y el inversor. El aprendizaje del modelo LSTM-AE se logra minimizando el error residual entre los datos de entrada y los datos de entrada reconstruidos. Luego, el error residual máximo se puede establecer como un valor umbral entre la operación normal y anormal. Finalmente, el modelo LSTM-AE aprendido se prueba utilizando nuevos datos de prueba que incluyen casos normales y anormales. Los resultados de las pruebas revelaron que el modelo LSTM-AE puede detectar el sobrecalentamiento de los utensilios de cocina utilizando solo la temperatura del inversor. Además, el modelo LSTM-AE puede detectar fallas en el lado del inversor, como una ventilación deficiente y un ventilador de enfriamiento defectuoso. Además, utilizamos diferentes algoritmos de aprendizaje profundo, como la red neuronal recurrente (RNN) y las capas completamente conectadas, en las capas internas del AE. Los resultados demostraron que el LSTM-AE podría detectar anomalías antes que los otros modelos.