1.一种基于递阶引力搜索的循环流化床锅炉模型辨识方法，其特征在于：包括如下步骤：

步骤1)构建表述循环流化床锅炉床温的多变量状态空间模型，根据所构建的系统模型获取循环流化床锅炉床温的辨识模型；

步骤2)构建递阶引力搜索算法的辨识流程。

2.根据权利要求1所述的基于递阶引力搜索的循环流化床锅炉模型辨识方法，其特征在于：所述步骤1)的具体建模步骤如下：步骤1‑1)构建表述循环流化床锅炉床温的多变量状态空间模型：如式(1)、(2)，给出多输入多输出系统的一般形式，u(t)为系统的输入，y(t)为系统的输出，v(t)为系统的零均值观测噪声向量，A,B,C为该系统的参数矩阵：x(t+1)＝Ax(t)+Bu(t)          (1)y(t)＝Cx(t)+v(t)         (2)其中：

1×r

bij:＝[bij,1,bij,2,…,bij,r]∈R ,n:＝n1+n2+…+nm

根据式(1)、(2)可以得到输出y(t)与输入u(t)、误差v(t)之间的关系：y(t)＝Φ(t)θ+v(t),          (3)其中：

3.根据权利要求1所述的基于递阶引力搜索的循环流化床锅炉模型辨识方法，其特征在于：所述步骤1)的模型为多变量状态空间系统模型。

4.根据权利要求1所述的基于递阶引力搜索的循环流化床锅炉模型辨识方法，其特征在于：所述步骤2)构建递阶引力搜索算法的辨识流程的具体步骤如下：步骤2‑1)辨识模型分解，将原输入模型y(t)分解为m个子模型，m为变量系统输入个数，其中

步骤2‑2)定义适应度函数：

在子系统i中，信息向量 含有未知的状态变量x(t‑ni),(i＝1,2,…,m)，参数向量未知θi，利用递阶辨识原理，将前一次迭代得到的参数向量估计值 代入式(5)来估计状态向量x(t+1)；将前一次迭代得到的状态向量估计值代入式(4)来估计参数向量其中：

步骤2‑3)初始化种群，将种群中的第i个粒子记为步骤2‑4)获取循环流化床锅炉的给煤量以及一次风量作为输入数据，循环流化床锅炉的床温以及主蒸汽压力为输出数据，记录数据；

步骤2‑5)根据式(6)、(7)计算中间质量mi,i(k)和粒子质量Mi,i(k)：步骤2‑6)根据式(8)计算粒子受到的外力和Fi,i(k)：其中，Rij为粒子i与粒子j间的欧氏距离，ε是为了防止分母为0加入的一个极小常数，rand为[0,1]之间服从正态分布的随机数；G(k)为第k次迭代时的万有引力常量其中，G0为万有引力常量的初始值，α为一个会影响G(k)降低速度的常量，其值越大G(k)降低的速度越快，T为最大迭代次数；

步骤2‑7)根据式(9)计算粒子加速度ai,i(k)：步骤2‑8)根据式(10)、(11)更新粒子的速度vi,i(k)，位置θi,i(k)：vi,i(k+1)＝rand×vi,i(k)+ai,i(k),        (10)θi,i(k+1)＝θi,i(k)+vi,i(k+1),      (11)步骤2‑9)整合m个子系统的参数向量θi，判断辨识精度是否达到预期或是否达到最大迭代次数，若未达到，跳转至步骤2‑5)，若达到，跳转至步骤2‑10)；

步骤2‑10)输出结果，完成参数辨识。