风电机组的变桨系统因风速随机波动而经常在不同工况下切换，且其子系统间存在的强耦合性使其故障难以实时检测和精准定位，因此，实际运行中的数据采集与监视控制系统对变桨故障的误报率较高。针对上述问题，文中提出变工况变桨系统异常状态在线监测与识别系统。由于变桨系统特征参量在不同工况下对其状态的贡献率不同，文中基于熵优化邻域粗糙集(entropy-optimized neighborhood rough set，ENRS)对不同工况下的特征参量进行约简建模，提出全工况变桨系统状态特征参量挖掘策略。以其约简数据集作为输入样本，提出以小世界粒子群(small-world particle swarm optimized，SWPSO)优化的熵加权学习向量量化(learning vector quantization，LVQ)为基础模型的SWPSO-熵加权LVQ多模型状态监测器，实现异常状态的精准定位。最后，基于实际风场数据对上述模型进行训练，仿真与测试结果表明，基于ENRS的SWPSO-熵加权LVQ模型能实时并准确反映变桨系统在变工况下的异常状态模式识别。