1.一种基于优化RBF神经网络的大型风力机变桨距系统辨识方法，其特征在于，包括以下步骤：

1)、采用Bladed风力机仿真软件对变桨距风力机样机进行变桨距控制仿真，采集包括风速、桨距角和风力机输出功率在内的相关信息数据并归一化处理，其中风速和桨叶节距角为输入，风力机输出功率为输出；

2)、其次，结合系统辨识原理，搭建系统辨识框架，在辨识输出与系统实际输出无限逼近的准则条件下，输入激励信号，通过预报误差的不断迭代反馈至辨识框架，采用优化的RBF神经网络作为辨识算法，高斯函数作为隐含层神经元的激活函数，采用输出敏感度法对优化的RBF神经网络结构进行动态优化；

4)、最后，通过优化的RBF神经网络不断地学习和训练，采用梯度下降法和优化算法相结合的方法推导网络结构的最优学习速率，直至预测模型最好的逼近风力机变桨距系统。

2.根据权利要求1所述的基于优化RBF神经网络的大型风力机变桨距系统辨识方法，其特征在于，所述风力发电机模型的相关参数设置如下：齿轮传动增速比取N设置为80，发动机转动惯量Jg设置为15kg·m2，风轮转动惯量Jω设置为6.25×106kg·m2，时间常数Tβ设置为

0.2s,r1设置为0.0184Ω，桨距角变化范围θ/(°)范围取(0～30)，风轮半径R取47.5m，在上述基础上，采集相关实验数据，从中选取80％的实验数据用于神经网络的训练，剩余20％用于网络测试。

3.根据权利要求1所述的基于优化RBF神经网络的大型风力机变桨距系统辨识方法，其特征在于，所述步骤2)采集包括风速、桨距角和风力机输出功率在内的相关信息数据并归一化处理具体包括步骤：网络输出层的输出为:

式中ωj(k-1)为(k-1)时刻第j个隐含层神经元至输出层神经元的权值，Rj表示神经网络隐含层输出，u(k)表示系统输入，m表示隐含层的个数，通过式(8)对yI进行反归一化处理：取性能指标函数为:

式中， 表示yI(κ)集合中的最大值， 表示yI(κ)集合中的最小值， 表示反归一化输出，y(κ)和yI(κ)分别为系统的期望输入和实际输出。

4.根据权利要求3所述的基于优化RBF神经网络的大型风力机变桨距系统辨识方法，其特征在于，采用输出敏感度法对优化的RBF神经网络结构进行动态优化，具体包括步骤：隐含层的输出量作为敏感度法的输入量，利用输出敏感度公式对每个神经元的输出敏感度进行分析，并计算出其对输出的贡献值，对于贡献值小于c2的神经元进行删除，根据误差函数对贡献值大于c1的神经元的结构进行调整，并对此神经元的权值，中心值和函数宽度进行修正。