随着社会的发展与进步,人类所面临的能源问题日益突出,加之近年来国际社会在碳排放问题上所做出的努力,使得如何充分发展和有效利用清洁无污染的新能源成为当今社会亟待解决的共同难题。风力发电作为新能源开发中重要的一部分,一直以来都受到了人们的广泛关注,而风力发电系统投运后的运行维护成本过高,使得风力发电在大规模的推广方面受到了严重阻碍。因此,开展风电系统状态监测与故障诊断技术成为了当下备受关注的研究方向之一。而作为风力发电系统中故障率较高的变桨系统是当下重点开展的研究方向。本文的主要研究内容如下:1)首先分析了风力发电系统的结构并建立了风电系统的简要模型,通过分析变桨系统以及其它系统对风力发电曲线的影响,选出了适用于变桨系统故障诊断的初选特征量集合。2)鉴于原始的SCADA数据存在大量的噪声问题,通过第一阶段的数据预处理,得到了系统运行状态下剔除明显异常值的特征量数据集。再经过基于零相位滤波器和3σ原理的缓变特征量异常数据清洗方法,得到了剔除一定程度偏离整体值的采样点。3)为了进一步精简特征量集合的数量,基于Relief方法对初选特征量进行特征量挖掘,得到了用于变桨系统状态监测的最终特征量集合。4)基于最终的特征量集合采用极限学习机（ELM）理论建立系统正常状态下的回归模型,通过计算待分析样本与正常数据集之间的改进后的欧式距离判别该样本的故障状态。通过某风电场历史运行数据集并结合MATLAB仿真,验证了本文所提方法与策略对风电机组变桨系统状态监测与故障诊断的正确性和有效性。