Las redes eléctricas inteligentes modernas se construyen sobre la base de tecnologías avanzadas de computación y redes, donde la monitorización de condiciones depende de una conectividad ciberfísica segura. A través de la infraestructura de red, los datos transportados que contienen información confidencial deben ser protegidos, ya que las redes inteligentes son vulnerables y están sujetas a diversos ciberataques. Se han propuesto varios clasificadores basados en aprendizaje automático para la detección de intrusiones en las redes inteligentes. Sin embargo, cada uno de ellos tiene ventajas y desventajas respectivas. Con el objetivo de mejorar el rendimiento de los clasificadores existentes basados en aprendizaje automático, este documento propone un algoritmo adaptativo de aprendizaje profundo con un módulo de preprocesamiento de datos, un módulo de pre-entrenamiento de redes neuronales y un módulo de clasificación, que trabajan juntos para clasificar los tipos de datos de intrusión utilizando sus características de datos de alta dimensionalidad. El algoritmo propuesto de Aprendizaje Profundo Adaptativo (ADL) obtiene el número de capas y el número de neuronas por capa al determinar la dimensión característica del tráfico de red. Con el aprendizaje por transferencia, el algoritmo ADL propuesto puede extraer las dimensiones originales de los datos y obtener nuevas características abstractas. Al combinar modelos de aprendizaje profundo con modelos de clasificación basados en aprendizaje automático tradicionales, se mejora significativamente el rendimiento de la clasificación de datos de tráfico de red. Al utilizar el conjunto de datos de Laboratorio de Seguridad de Red-Knowledge Discovery in Databases (NSL-KDD), los resultados experimentales muestran que el algoritmo ADL propuesto mejora la efectividad de los métodos existentes de detección de intrusiones y reduce el tiempo de entrenamiento, lo que indica que es un candidato prometedor para mejorar la seguridad de la red en las redes eléctricas inteligentes.