电网异常检测和定位是电网稳定性分析的重要内容。随着新型电力系统的发展,电网规模日益扩大,结构日趋复杂,传统的由模型驱动的分析方法面临新的挑战。另一方面,电网的数字化建设和广域测量系统（wide area measurement system,WAMS）的引入给电网异常检测和定位带来了基于大数据分析的新思路。随机矩阵理论作为一种大数据分析方法,可以快速提取电力数据的价值信息,且具有操作简单、适用性强的特点,是分析海量电力数据的良好数学工具。本文基于随机矩阵理论开展电网异常检测和定位方法的研究,旨在提高电网异常检测和定位分析的速度与精度,促进电网的安全稳定运行。论文的主要工作包括:1)构建了WAMS量测数据的随机矩阵模型,并对随机矩阵理论分析方法进行了初步的应用描述。利用滑动时间窗采集数据以提高数据利用率并实现实时分析,通过数据标准化处理使数据矩阵适用于后续的随机矩阵理论分析。在不同信噪比下,基于IEEE39节点系统分析了不同分析方法的特性,表明了基于样本协方差矩阵特征特性的分析具有计算效率高的特点,但在实际应用中,信噪比会影响矩阵的特征值分布,进而降低异常检测精度。2)针对由信噪比变化引起的异常检测精度降低的问题,基于样本协方差矩阵的最大特征值变化率（maximum eigenvalue variation rate,MEVR）提出了一种电网异常检测方法。将当前时刻与历史时刻的最大特征值的比值定义为最大特征值变化率MEVR,并以MEVR为异常检测指标,在每一个采样时刻,将MEVR与预设阈值比较实现电网异常检测。在不同信噪比下的仿真分析表明,所提方法具有异常检测精度高、运算耗时少和适用性强的优点。3)针对单阈值方法存在异常检出时刻滞后的问题,基于样本协方差矩阵的最大、最小特征值差值,提出了一种双阈值电网异常检测方法。以样本协方差矩阵的最大、最小特征值差值为异常检测指标,考虑虚警概率和矩阵维度的影响,基于最大、最小特征值满足Tracy-Widom分布这一定理,构建异常检测双阈值,在异常早期,通过对上下阈值之间的“特征模糊”处理,实现对异常的概率判定。仿真分析表明,所提方法的概率判定过程可以及时检测出电网异常,特别是对轻微异常的检测具有显著优势。4)针对现有的异常定位方法存在计算耗时长和定位精度低的问题,基于样本协方差矩阵的最大特征向量提出了一种异常节点定位方法。以最大特征向量的元素为基础构建异常定位指标,通过异常定位指标的异常元素与电网节点编号的对应关系实现异常定位,并采用特征放大处理将异常元素与其邻近元素区分开,以提高异常定位的精度。仿真分析表明,相较于现有方法,所提方法具有更高的计算效率和异常定位精度。