La tecnología de Monitoreo de Carga No Intrusivo (NILM), habilitada por sensores de adquisición de datos eléctricos de alta precisión en los puntos de entrada del hogar, facilita el monitoreo en tiempo real del consumo de electricidad, mejorando la interacción del usuario con los sistemas de hogar inteligente y reduciendo los riesgos de seguridad eléctrica. Sin embargo, la creciente diversidad de electrodomésticos y las limitaciones en la precisión y robustez del NILM requieren soluciones innovadoras. Además, los conjuntos de datos públicos obsoletos no logran capturar la rápida evolución de los electrodomésticos modernos. Para abordar estos desafíos, construimos un conjunto de datos de voltaje-corriente de alta tasa de muestreo, midiendo 15 electrodomésticos comunes en diversos escenarios en un entorno de laboratorio controlado adaptado a los estándares de la red regional (220 V/50 Hz). Proponemos un método NILM impulsado por IA que integra trayectorias de voltaje-corriente (V-I) mapeadas por potencia y codificadas por colores con características en el dominio de la frecuencia para mejorar significativamente la precisión y robustez del reconocimiento de carga. Al aprovechar marcos de aprendizaje profundo, este enfoque enriquece la representación de características temporales a través del mapeo cromático de la potencia instantánea e incorpora espectrogramas en el dominio de la frecuencia para capturar comportamientos de carga dinámicos. Un novedoso mecanismo de atención por canal optimiza la fusión de características multidimensionales, priorizando dinámicamente la información crítica mientras suprime el ruido. Experimentos comparativos en el conjunto de datos personalizado demuestran un rendimiento superior, particularmente en la distinción de electrodomésticos con perfiles de carga similares, subrayando el potencial del método para avanzar en la gestión energética de hogares inteligentes, retroalimentación energética centrada en el usuario y aplicaciones de informática social en entornos eléctricos complejos.