Modelica作为一门面向多领域统一建模的语言,目前已经成为多领域建模领域的事实标准。对一个Modelica模型而言,参数的准确与否直接决定了模型的有效性,因此标定参数是创建模型过程的关键一环。现有的标定方法以基于手册或经验知识的人工试凑法为主,标定过程繁琐且不能保证参数的准确性;利用最小二乘估计、粒子群等算法对模型参数进行辨识在一定程度上提高了参数标定的速度和精度,但依然存在着易陷局部最优、数学形式复杂等问题。因此,对Modelica模型参数辨识的研究十分必要,本文针对模型的参数辨识算法和整体辨识方案开展了研究。论文基于现有的辨识算法CARLA进行改进并提出了ECARLA算法,主要有三个改进点,其一是使用正态随机数发生器代替积分操作,提高收敛速度;其二是引入随机性,尽量避免局部最优;其三是将公共奖励因子改为私有奖励因子,消除灵敏度差异导致的学习偏差。论文在传统强化学习算法Q-Learning的框架上进行扩展并提出了EQL算法,针对参数辨识问题特性自行设计了奖惩函数、动作选择策略和Q值表更新策略,并提出了“训练周期——优化回合——搜索周期”的三重循环串行学习流程,以避免无意义的动作试错,提高算法的收敛速度。论文提出了“三阶段辨识”的参数辨识方案。第一阶段使用Sobol方法和蒙特卡洛采样分析待辨识参数的灵敏度;第二阶段为使用ECARLA或EQL算法对模型进行初步的参数辨识;第三阶段使用粒子群算法对模型进行最终的参数辨识。在此基础上,形成了“灵敏度分析+EQL+PSO”和“ECARLA+PSO”两套模型参数辨识方案。最后,论文设计并实现了一套模块化的参数辨识系统,通过案例分析验证了辨识算法及方案的有效性和适用场景。