近年来,以计算机科学与通信技术为支撑的智能电网建设在现代工程领域中越来越得到学者们的关注与重视。电力系统的稳定、安全运行是生产活动有序进行的重要保障,而随着系统大型化发展以及网络结构的复杂化,异常检测难度也随之增大。而数据的准确性、及时性是智能电网安全稳定运行的基础条件,因此如何针对性地进行网络传输流量检测及预警是有效避免电网异常从而造成损失的关键。本文针对电力远动系统网络传输流量的特点,结合深度学习算法研究了电力信息网络基于多维特征的异常检测机制并进行了异常检测系统设计及实现。主要研究内容如下:（1）针对具有周期特性的电力远动系统传输流量数据,提出了基于改进Seq2Seq-AD的流量异常检测方法。首先根据电力流量数据的周期特性,显式提取流量曲线的周期性特征作为模型输入,建立了改进Seq2Seq流量预测模型;其次,针对电力远动系统中典型流量异常类型,分别设计其对应的异常判别函数,从而实现电力远动系统流量异常检测。另外,对于模式不可预测的随机性流量数据,采用“3σ”阈值判别方法判断电力远动系统网络流量是否发生异常。（2）考虑到单一流量值会忽略通信数据包的内部信息和结构化信息,缺乏对电力远动通信网络状态的全面评估,基于上述单一流量预测模型的检测方法难以检测出隐含传输异常。因此,从网络通信数据结构化信息角度出发,对网络通信数据包进行结构分析,并提取了调度主站与地方厂站之间的通信报文多维特征;利用双向LSTM算法针对所提特征进行流量异常分类,从而实现电力远动系统基于多维特征的报文异常检测。（3）为满足实际应用需求,在分析网络传输异常检测系统的需求基础上,设计了电力远动传输异常检测系统,并将前文提出的异常检测算法模型部署到异常检测系统上。试运行结果表明所设计的异常检测系统基本满足电力远动传输异常检测需求。