It is widely accepted that correct system modeling and identification are among the most important issues power system operators face when managing instability and post-contingency scenarios. The latter is usually performed involving special computational tools that allow the operator to forecast, prevent system failure and take appropriate actions according to protocols for different contingency cases in the system. To ensure that operators make the correct simulation-based decisions, the power system models have to be validated continuously. This thesis investigates power system modeling, identification and validation problems that are formulated and based on data provided by operators, and offers new methods and deeper insight into stages of an identification cycle considering the specifics of power systems. One of the problems this thesis tackled is the selection of a modeling and simulation environment that provides transparency and possibility for unambiguous model exchange between system operators. Modelica as equation-based language fulfills these requirements. In this thesis Modelica phasor time domain models were developed and software-to-software validated against conventional simulation environments, i.e. SPS/Simulink and PSAT in MATLAB. Parameter estimation tasks for Modelica models require a modular and extensible toolbox. Thus, RaPiD Toolbox, a framework that provides system identification algorithms for Modelica models, was developed in MATLAB. Contributions of this thesis are an implementation of the Particle Filter algorithm and validation metrics for parameter identification. The performance of the proposed algorithm has been compared with Particle Swarm Optimization (PSO) algorithm when combined with simplex search and parallelized to get computational speed up. The Particle Filter outperformed PSO when estimating turbine-governor model parameters in the Greek power plant model relying on real measurements. This thesis also analyses different model structures (Nonlinear AutoRegressive eXogenous (NARX) model, Hammerstein-Wiener model, and high order transfer function) that are selected to reproduce nonlinear dynamics of a Static VAR Compensator (SVC) under incomplete information available for National Grid system operator. The study has shown that standard SVC model poorly reproduces the measured dynamics of the real system. Therefore, black-box mathematical modeling and identification approach has been proposed to solve the problem. Also, the introduced combination of first-principle and black-box approach has shown the best output fit. The methodology following identification cycle together with model order selection and model validation issues was presented in detail. Finally, one of the major contributions is a new method to formulate the uncertainty of parameters estimated in the form of a multimodal Gaussian mixture distribution that is estimated from the Particle Filter output by applying statistical methods to select the standard deviations. The proposed methodology gives additional insight into power system properties when estimating the parameters of the model. This allows power system analysts to decide on the design of validation tests for the chosen model. / Det är allmänt accepterat att korrekt modellering och identifiering av systemet är bland de mest viktiga utmaningarna som kraftsystemoperatörer ställs inför när de hanterar scenarior med instabiliteter och oförutsedda händelser. Det senare är vanligen hanterat med speciella beräkningsverktyg som låter operatören förutse utvecklingen och utföra lämpliga åtgärder enligt de protokoll som finns vid olika systemhändelser. För att försäkra sig om att operatörer tar de korrekta, simuleringsbaseda besluten måste kraftsystemsmodellen kontinuerligt valideras. Denna avhandling undersöker problem inom modellering, identifiering och validering av kraftsystem, formulerade och baserade på data tillhandahållet av operatörer, samt erbjuder nya metoder och fördjupade insikter i delar av en identifieringscykel som beaktar kraftsystemets. Ett av de problem som denna avhandling tar upp är val av en programmiljö för simulering och modellering som ger transparens och möjlighet till otvetydigt modellutbyte mellan systemoperatörer. Modelica är ett ekvationsbaserat programspråk som uppfyller dessa krav. I denna avhandling utvecklades enfasekvivalenter i Modelica som blev validerade mot konventionella program för simulering, såsom SPS/Simulink och PSAT i MATLAB. Parameterestimering i Modelica-modellerna kräver en modulär och utbyggbar verktygslåda. Därför har verktyget RaPiD Toolbox, som tillhandahåller systemidentifieringsalgoritmer för Modelica-modeller, utvecklats i MATLAB. Bidrag från denna avhandling är en implementation av ett partikelfilter (en sekventiell Monte Carlo-metod) och valideringsmetrik för parameteridentifiering. Prestandan i den föreslagna algoritmen har jämförts med partikelsvärmoptimering (PSO) då den är kombinerad med simplexsök och parallellisering. Partikelfiltret överträffade PSO när modellparametrar i turbinregulatorn i ett grekiskt kraftverk skulle estimeras utifrån verklig mätdata.  Avhandling analyserar också olika modellstrukturer (NARX, Hammerstein-Wiener-modeller, och överföringsfunktioner med höga ordningstal) som används för att reproducera den ickelinjära dynamiken hos statiska reaktiv effekt-kompenserare (SVC) vid ofullständig information som är tillgänglig för systemoperatören National Grid. Undersökningen visar att den vanliga SVC-modellen är dålig på att reproducera den verkliga, uppmätta dynamiken. Genom att matematiskt modellera problemet som en svart låda har en identifieringsmetod föreslagits. Vidare, genom att kombinera modelleringen som en svart låda med fysikaliska principer har givit den bästa anpassningen till utdata. Metodologin för identifieringscykeln tillsammans med valet av modellkomplexitet och svårigheter med modellvalidering har utförligt presenterats. Slutligen, ett av de främsta bidragen är en ny metod för att formulera osäkerheten i parameteruppskattningarna i form av en blandning av normalfördelningar med flera typvärden som estimeras med partikelfiltrets utdata genom att använda statistiska metoder för att välja standardavvikelsen. Detta ger kraftsystemanalytiker möjlighet att utforma valideringstest för den valda modellen. / <p>QC 20171121</p> / EU FP7 iTesla project