高级量测体系（Advanced Metering Infrastructure,AMI）是智能电网的核心组成,其中智能电表与数据管理系统间采用双向通信,可达到信息交互和辅助电网分时定价等目的。然而,AMI的双向通信也给攻击者提供了更多入侵点,是威胁电网安全的潜在因素,所以保障AMI通信安全是智能电网稳定运行的重要前提。又因为AMI智能电表分布广泛,所处环境复杂,限制了传统入侵检测方法的应用,因此利用深度学习进行AMI的入侵检测研究对于保障智能电网稳定运行具有重要的现实意义和实用价值。论文首先分析AMI易遭受的攻击类型,选取涵盖AMI攻击类型的KDDCup 99和NSL-KDD数据集作为AMI网络通信数据集,为降低冗余特征对模型的干扰,利用随机森林算法计算特征重要程度并选取数据集重要特征;基于Tensorflow框架分别搭建CNN、GRU和二者的串行模型,研究三种模型在AMI入侵检测方面的优势与不足,结合AMI通信数据时空性特点,改进并提出一种并行CNN-GRU神经网络模型;调试并确立并行CNN-GRU模型最优参数,根据模型挖掘的时空综合特征与所属通信状态的关联,检测包括Normal和四种攻击Dos,Probing,R2L,U2R的AMI通信状态。由测试结果知,所提模型对KDDCup 99和NSL-KDD数据集Normal、Dos、Probing的检出能力均提升至99%以上,R2L由38%提至90%以上,小样本U2R检出能力分别由19.99%和20%提升到76.92%和54.54%,与其他模型相比,并行模型检测的五种通信类型的召回率,误报率及F1分数均是最优的,因此,并行CNN-GRU模型具有明显的检测优势。为方便工作人员操作,基于Django框架设计并搭建AMI入侵检测可视化界面,实时检测并显示AMI通信状态;模拟搭建AMI通信实验平台,在实验室条件下形成“硬件实验平台-并行CNN-GRU模型-上位机可视化显示”型的AMI入侵检测系统,通过模拟真实通信环境,检验所提模型检测AMI通信状态的可靠性;在AMI入侵检测系统充分模拟近远端通信基础上,多次模拟正常节点遭受Dos攻击,由实验结果可知,在模拟实验中并行CNN-GRU模型可以检测出Normal和Dos攻击,充分验证该并行CNN-GRU模型的可靠性与实用性。综上,提出的并行CNN-GRU入侵检测模型可有效检测出AMI通信状态,设计的可视化界面和搭建的实验平台为并行模型的实际应用奠定一定基础。因此,并行CNN-GRU入侵检测模型对于保障AMI通信安全具有明显的可靠性和应用优势。