在当今能源危机以及全球温室效应的影响条件下,传统的火力发电消耗化石资源并且造成一定的环境污染问题。风力发电具有清洁且可再生等特点,在新能源发电领域受到各国的关注。近些年来我国对风电不断加大研究与投入,风电机组的装机容量不断提高。随着各国对于风电机组的装机数量不断提高,维护风电机组的稳定运行,提高风电机组的可靠性,制定安全有效的维护计划显得尤为重要,因而需要对于风电机组的关键部件进行异常检测研究。本文基于风电机组状态采集与监测系统(Supervisory Control And Data Acquisition,SCADA)数据,实现风电机组变桨系统的异常检测研究。该文主要针对以下几部分内容进行研究:1)基于对双馈型风力发电机组的基本构成以及运行原理的掌握,重点阐述和分析双馈型风力发电机组变桨系统的故障形式以及故障原因。进一步对所监测参数的特点进行分析,采用ReliefF算法实现风机变桨系统特征选择。2)考虑变桨系统运行工况复杂,监测变量间具有较强非线性,且SCADA系统的数据信息动态更新等问题,提出基于在线贯序极限学习机建立多参数状态监测模型。针对在线贯序极限学习机的输入权值与偏置一般取随机数且OS-ELM的训练效果受初始值影响很大的问题,采用量子进化算法优化极限学习机的超参数集,提高模型的预测精度。3)采用基于量子进化算法优化的在线序贯极限学习机建立的变桨系统多参数状态监测模型,训练得到正常状态下变桨系统的残差集,采用马氏距离函数对模型残差信号进行计算,在利用马氏距离的Weibull分布确定的异常检测阈值,当模型得到的实际马氏距离值超过该阈值时则产生异常报警。