1.一种风力发电机组变桨距控制方法，其特征在于该方法包括：将强化学习和滑模变结构控制结合起来，采用滑模变结构控制器完成对风电机组桨距角的基本控制，运用强化学习补偿寻优算法，用来自适应补偿扰动、摄动和系统未建模部分对整体性能的影响，达到优化控制的目的，弥补传统方法基于模型的不足。

2.根据权利1要求的一种滑模控制器在线学习算法，其特征在于包括：通过测量风力机转速反馈与参照速度得出转速偏差，经过状态转换后，作为滑模控制器的输入量，控制器根据偏差发出桨距角控制量命令，桨距角的控制量计算公式为其中

c1为滑模系数，x2为系统状态，v为

风速，kβ为增益系数，sgn(s)为符号函数，ωε为电磁角速度，NP为发电机转子的极对数，ρ为空气的密度，Cp为风能利用系数，B是发电机的摩擦系数，J是风轮发电机整体转动惯量，R为风力机叶片半径，ν为风速；

准滑动模态控制采用饱和函数sat(s)代替理想滑动模态中的符号函数sgn(s)以减少由符号函数引起的剧烈抖振；

设计准滑动模态控制器为：

其中

强化学习补偿寻优算法由两部分组成：动作(Actor)网络和评价(Critic)网络；

Actor-Critic算法中使用RBF网络来逼近动作函数和评价函数；

使用强化学习算法在线补偿滑模控制量的步骤如下：Step1初始化系统参数wa，wc，b，c，h，学习因子和折扣率等Step2采集当前环境状态x(t)，利用神经网络计算Actor和Critic模块输出un(t)和V(t)；

Step3通过Critic模块计算得到高斯干扰n(t)，将其与un(t)相加得到实际控制信号u(t)，将控制信号输入到风力发电控制系统里；

Step4观测环境状态变化，得到下一状态x(t+1)，同时计算强化信号值r(t)；

Step5利用神经网络计算x(t+1)时Critic模块输出V(t+1)；

Step6利用相邻V值和强化信号计算TD误差δ(t)，并进行权值更新；

Step7判断当前学习是否满足结束要求，如果不满足则返回第二步，t+1→t。

通过上述不断的迭代跟新控制结构参数以实现最优结构；

最后得到总的控制信号为：

β为准滑动模态控制器输出的桨距角控制量，u(t)为强化学习在线补偿量；

在以该准滑动模态控制器为基本作用下控制系统系统开始在线强化学习补偿优化，学习步骤如下：Step1结合风电机组各项特性系数，初始化滑模变结构控制和强化学习各项参数；

Step2利用传感器采得风机转速值，控制系统分别计算滑模变结构控制和强化学习控制输出的控制信号；

Step3将叠加的控制信号作用到桨距角执行机构中；

Step4继续采得风机转速值，得到下一时刻状态变量；

Step5控制器根据内部算法对自身参数进行更新，优化结构；

Step6判断当前控制器是否满足控制要求；

Step7如果满足则控制器学习完毕，否则继续运行Step2；

控制器根据不同的外界环境，通过迭代在线调整控制器参数，实现系统的不断优化。