电网规模不断扩大、结构日益复杂,面向电网状态的随机波动性和复杂耦合性,将态势感知理念引入对大规模电网的运行控制,已成为电网发展的重要趋势。此外,随着广域测量系统(Wide Area Measurement System,WAMS)的不断推广以及5G等信息通讯技术的快速演进,爆炸式增长的数据量为数据处理及知识提取提出了挑战,同时也为态势感知技术提供了更好的条件。而随机矩阵理论(random matrix theory,RMT)作为一种基于数据驱动的分析方法,以大维统计原理作为根基,以矩阵特征值和特征向量(特征特性)作为评价指标,能从高维角度反映出系统当前的运行状态。因此,开展基于RMT的大规模电力系统态势感知模型与算法研究具有重要的理论意义以及可观的应用潜力。首先,论文介绍了课题的研究背景,概述了国内外研究现状,然后给出了适应于RMT的电力数据模型和预处理方法,并对RMT中的基础定律进行了说明,最后分析了电网负荷异常时系统统计特性的变化情况。其次,开展了对基于RMT的6种检测指标在电力系统中适应性的分析与研究,并对这些指标所表示的含义进行了说明。通过对比在不同信噪比环境下各指标对异常负荷的识别结果,表明了样本协方差矩阵最大特征值(Maximum Eigenvalue of Sample Covariance Matrix,MESCM)指标相较于其他指标抗噪性能更高,计算耗时更少,更适应于电力系统异常负荷识别。第三,从矩阵特征特性两个角度出发,基于MESCM和样本协方差矩阵最小特征向量(Minimum Eigenvector of Sample Covariance Matrix,MERSCM)提出了一种电网多重扰动定位算法。该方法借助基于Spiked模型的MESCM动态阈值和MERSCM的“相变”现象实现了电网多重扰动定位。通过对IEEE 54机118节点系统算例仿真,结果表明了所提方法的有效性和高效性。最后,基于RMT中的MESCM和MERSCM,利用改进Rayleigh熵和分区并行计算技术,提出了一种适用于大规模电网异常负荷快速识别及定位的算法。通过一个IEEE54机118节点系统及一个波兰420机2736母线系统的算例,与传统基于平均谱半径方法所得结果比较,验证了该方法的有效性和高效性。