本文研究影响主汽温的主导因素并建立主汽温对象特性模型,传统方法中的某些扰动实验可能会对实际工况造成危险,不易实现,随着火电厂自动化程度的不断提高,现场DCS系统中存储着海量的历史数据,利用智能算法挖掘这些数据来建立对象模型是一种新的趋势。针对火电厂热工过程的大惯性、大延迟、非线性的特点,使用最小二乘类等传统辨识方法精度不高、参数估计受噪声干扰较大的不足,本文提出利用改进后的入侵杂草优化(IWO)算法强大的全局搜索能力进行热工过程辨识。本文的主要研究内容和结论包括:1.介绍了 IWO算法的来源、原理和实现过程,将差分进化思想引入IWO中成为DE-IWO算法,使用Griewank等标准测试函数和热工传递函数对这两种算法的性能进行对比,实验结果表明DE-IWO算法在收敛性和寻优精度方面均有提升。2.现场DCS系统中导出的历史数据标准差标准化(z-score)处理后,使用箱线图定性分析影响主汽温的主导因素,分别建立9个单入单出模型进行辨识以及时间不相关数据的校验,证明箱线图分析的有效性,同时,结果显示一级、二级减温水流量和水煤比是影响主汽温的最重要的因素。3.利用主元分析法(PCA)定量分析现场历史数据中各个变量对主汽温的影响程度大小,因为主成分中含有优良的信息丰富度,所以将其作为模型输入分别建立单入单出(SISO)和多入单出(MISO)模型,使用DE-IWO算法和最小二乘类算法估计模型参数和比较模型输出平均误差,结果表明前者的辨识精度更高,模型输出平均绝对误差更小。4.基于主元分析的结果,分别建立线性回归模型和非线性模型来描述热工过程,实验结果表明线性回归模型在预测时间不相关数据时模型输出误差很大,后者的辨识效果较好,但是低于DE-IWO算法的线性模型的辨识效果。综上,基于主元分析和DE-IWO算法的主汽温系统辨识是目前辨识效果最佳的。