为了提高1000MW超超临界直流锅炉的控制水平,最首要的工作就是要了解机组的运行特性并在此基础上建立适用于控制器设计的数学模型。本文基于机组历史大数据,研究了热工多变量系统局部线性模型和全局非线性模型的辨识方法。主要内容包括：(1)介绍了1000MW超超临界机组建模理论与方法研究的背景及意义,综述了火电机组建模、多变量系统建模和基于大数据建模的国内外研究现状。(2)分析了各种常用的数学模型的结构形式,对每种模型的优缺点进行了总结。详细分析了机理分析法和试验辨识法的特点。分析表明,对于复杂系统,任一种单一的方法都难以单独完成建模目标。合理利用复合建模方法是建模领域研究的重点。如何合理的选择数学模型和建模方法取决于多个因素,如系统状况、建模目标、建模精度、建模周期及费用要求等,且很大程度上与建模者的经验有关。因此,在对系统建模时要根据实际情况选择合适的模型和方法。(3)在量子计算理论和粒子群算法(PSO)的基础上,提出了双量子粒子群算法(DQPSO),该算法对粒子种群编码和进化搜索策略同时进行了量子化处理,增加了粒子种群的多样性,进化方程中剔除了速度向量,使进化方程的形式更简单、经验参数更少从而更容易控制,经过基准函数测试,该算法有着很好的优化效果。为了进一步提高该算法的优化效率,在DQPSO的基础上又提出了两种改进算法,一种是带有加速度因子的DQPSO算法(A-DQPSO),另一种是基于Memetic框架的DQPSO算法(M-DQPSO)。试验结果表明,DQPSO算法适合一般高维(50维及以下)函数的优化,A-DQPSO适合高维(100维及以下)函数的优化,M-DQPSO适合超高维(100维以上)函数的优化。(4)分析了工业历史大数据的特性,设计了针对热工系统建模工作的数据样本遴选方法和预处理方法。提出了基于大数据的多变量系统复合建模方法,该方法将机理建模和智能建模方法有机结合。通过机理仿真模型的阶跃响应实验确定了模型结构和各参数初始论域,挖掘现场运行的历史数据,利用基于智能算法的并行运算方法对粗糙模型进行校正,得到系统的传递函数模型。这种辨识方案充分利用历史大数据的信息,解决了在生产现场不允许或者没有条件施加大范围频繁阶跃扰动实验的问题,确定了模型初始结构,克服了多变量智能寻优时初始值范围不确定的问题。将设计的辨识方案应用于1000MW超超临界机组协调控制系统的传递函数辨识中,利用遴选出的现场运行历史数据,通过DQPSO算法进行参数优化,得到的系统模型为控制器的设计与优化奠定了基础。(5)提出了一种基于负荷的线性参数变化(LPV)模型表达式,根据遴选出的历史数据,通过A-DQPSO算法优化模型的估计参数,得到了能够体现过热汽温对象全局特性且适用于控制研究的非线性数学模型。经过验证,证明该LPV模型结构适合于热工系统的建模研究。针对多变量热工对象的模型辨识,将LPV模型的内部结构网络化,通过多个标准特征变量的时变性来描述对象的全局动态特性。这种网络化的LPV模型不仅可以很好地描述系统的非线性特性,而且具有明确的物理意义。利用大数据和网络化的LPV模型对百万机组的协调控制系统模型进行辨识,通过M-DQPSO算法优化模型参数,最终得到了协调控制系统的全工况数学模型。