现代电力系统结构越来越复杂,网络拓扑结构和运行状态愈加多样化,因此对电力系统异常状态及薄弱点的动态识别越来越重要。现阶段对电网异常检测及薄弱点识别主要基于模型法,其分析结果很大程度上依赖于对系统建模的准确性,并且往往得到的是静态辨识结果,对电网的适应性越来越差。结合WAMS量测数据的特点,建立随机矩阵形式的WAMS量测数据模型,基于随机矩阵理论采用不同的方法对系统受到的微弱扰动进行识别,判断系统运行是否存在异常运行状态并评估电力系统运行态势;定性及定量地评估不同扰动的严重情况;并对电网状态进行相关性分析以识别影响因素及影响作用的时间。为了对电网关键环节进行差异化保护,基于随机矩阵理论和熵理论对电网的薄弱节点进行了识别。论文的工作主要包括以下三个方面:(1)构建了基于电力系统WAMS量测数据的高维随机矩阵模型。为了更好地对基于随机矩阵理论的电力系统进行数据描述,提出了针对电网量测数据的实时处理过程以及基于滑动时间窗的随机矩阵构建方法,从数据角度建立系统的行为特征分析模型。(2)提出了基于随机矩阵理论的电网异常运行状态检测方法。为了实现计及电网动态变化的状态检测,分别基于随机矩阵中的圆环率、The Marcenko-Pastur Law(M-P率)及线性特征值统计量进行谱分布分析识别电网中微弱的扰动事件,进行电网异常状态的实时监测;通过Trace检测及谱分布检测定性及定量判断不同扰动的严重情况,对不同故障进行严重程度的排序;构造电网因素扩展矩阵对电力系统运行状态进行相关性分析,识别引起电网扰动的影响因素及影响持续时间。该方法避免了模型法对电网的简化和假设,可以较好地反映系统实际动态运行过程,识别电网运行态势。判别结果准确快速,为基于WAMS量测数据的电网运行状态分析提供了新的技术手段。(3)提出了一种基于随机矩阵理论的电网薄弱节点辨识方法。为了克服模型法在薄弱节点识别中的限制,利用电压量测数据构建随机矩阵,基于随机矩阵中的M-P率及线性特征值统计量量化分析数据波动特征,将数据的统计特性与电网的运行特性对比分析,结合熵理论构造电网脆弱性评估模型,提出节点脆弱性辨识指标,从数据驱动角度对电网中的薄弱节点进行排序。该方法不需要对系统进行物理建模,并且准确性较现有方法有所提高,为基于数据驱动的电网薄弱节点辨识研究提供了新思路。