随着我国智能电网的快速发展,电网监测数据呈现多元化、高速化、海量化的趋势,电网监测工作越来越复杂和艰巨。若电网长期处于异常运行状态,会危害供电侧和用电侧的输配电安全,充分利用监测数据快速实现异常检测与定位可以有效保障电网稳定运行。本文从数据驱动的角度出发,研究应用随机矩阵理论（Random Matrix Theory,RMT）的电网状态检测和扰动事件定位方法,为电网监测提供一种新的思路。针对电网节点众多且相互关联、监测数据冗余度高导致计算量大、数据分析效率低等问题,研究了基于系统完全可观性和N-1故障规则的监测点布置方案。基于电网系统内各节点的连接情况以及电力系统完全可观测性原则,布置监测点时考虑线路故障或设备故障对系统全局监测的影响,得到合理的监测节点布置方案。案例验证表明,节点布置可以满足电网全局监测的需求,同时,还可以提高监测系统的可靠性。针对传统方法处理电网高维数据效率低、同步性差的问题,研究了应用随机矩阵理论提取监测数据特征值实现电网异常事件检测的方法。首先,采用监测数据构建高维矩阵,然后应用Marchenko-Pastur定律和单环定律对该矩阵进行变换以提取特征值,在此基础上根据特征值分布情况判断系统状态。最后,基于特征值的线性统计构建多种评价指标,实现电网状态识别、异常事件检测和电网稳定性评估。案例测试表明,该方法可以实现全局监测数据的同步处理,计算量小、效率高,可检测开路、短路等扰动事件。针对复杂电网结构的异常定位问题,研究了基于分区矩阵特征值距离判断故障区域的方法。首先根据系统结构特点对电网分区构建监测矩阵,应用RMT对区域矩阵进行变换以获取特征集,再通过其巴氏距离和豪斯多夫距离确定异常区域,缩小异常事件的搜寻范围。为了进一步缩小异常事件的搜寻范围,提取异常区域矩阵最大特征值对应的特征向量,将其中数值出现突变的元素作为异常标志,以此反映异常位置所在的监控区域。通过案例验证表明,该方法可以准确地定位异常事件的发生位置。为了实现异常事件的自动识别与定位,结合卷积神经网络（Convolutional Neural Networks,CNN）,研究了基于RMT-CNN模型的异常事件定位方法。首先以监测数据为基础,采用RMT提取分区矩阵特征向量,根据电网监测数据和异常识别需求的特点搭建卷积神经网络模型,然后基于分区矩阵特征向量构建数据集,以获得有效的异常事件自动定位的卷积神经网络模型。通过IEEE 39节点电网模型测试表明,该方法可以有效地降低数据维度,提升模型的工作效率,改善电网异常事件定位的准确率。