风机关键部件的高频率故障是阻碍风电行业发展的原因之一,提高风机可靠性和降低运维成本是最有效的解决办法。变桨系统作为风力发电机的重要部件,故障发生频率高,且故障发生后造成的停机时间长,在风机的运维成本中占很大比重。因此本文选择对变桨系统状态监测的方法进行研究,提前发现变桨系统的异常状况,及时采取维护措施,防止变桨系统出现更严重的损坏。本文针对变桨系统的状态监测作如下研究:首先,按照风速将风机的运行状态分为七类,对每个运行状态下的风速、功率、叶轮转速和桨距角的范围进行了详细的划分,绘制理想状态下变桨系统的二维曲线来说明各个状态下运行参数的变化趋势。通过SCADA数据绘制变桨系统六条性能曲线的散点图,并分析了这六条曲线的特点,提出用两种不同的方法来对变桨系统进行状态监测。其次,提出基于性能曲线的变桨系统状态监测模型。实际数据点偏离理论功率-叶轮转速(P-N)和桨距角-叶轮转速(PA-N)曲线时,表明变桨系统存在故障。为了得到风机实际运行下的标准P-N和PA-N曲线,本文采用3?准则清除异常点,然后采用局部加权线性回归方法和常值函数拟合标准P-N和PA-N曲线。在不同的风速范围根据风机的技术参数设定了实际数据点到这两条标准曲线距离的阈值。再次,基于RBF模糊神经网络建立变桨系统状态监测模型。通过分析功率-风速(P-V)、叶轮转速-风速(N-V)、发电机转矩-风速(T-V)和桨距角-风速(PA-V)散点图中的异常点分布情况,获取对应的模糊规则。利用获得的模糊规则建立了四个RBF模糊神经网络状态监测模型,将带有故障标签的SCADA历史数据作为训练数据对四个模型分别进行训练,并将四个模型聚集起来组成变桨系统的多重监测模型。最后,通过使用河北某风电场风机的故障数据,对所提出的两种变桨系统状态监测模型分别进行验证,结果表明所提出的模型能很好地检测到变桨系统的异常状况,并且早于SCADA系统的报警。