随着智能电网的不断发展以及可再生能源在电网中的广泛应用,储能系统在提高电网稳定性和效率方面引起了人们的极大关注。目前常见的储能系统有电化学储能、抽水蓄能和压缩空气储能等,由于受到成本过高和地理条件等方面的限制,在一定程度上制约了其发展。相较于上述储能系统,低温空气储能具有使用寿命长、维护方便、不受地理条件影响的优势,更适用于大规模储能应用,近年来逐渐受到大规模供电系统的关注。然而,低温空气储能的建模是一个复杂的问题,现有的基于化工机理的建模方法计算量较大,在储能系统优化与实时控制等方面存在一定的困难。为了解决这一问题,本研究面向低温空气储能系统,提出了基于机器学习的数据模型构建与优化方法,并对模型精度与优化实时性进行了对比分析。首先本文对目前流行的储能技术进行介绍,分析并阐述了各储能技术的不足,突出低温空气储能技术优势以及目前所面临的问题,提出使用机器学习方法构建数据驱动模型来替代低温空气储能系统,用以表征储能过程。其次,对常用的机器学习监督算法包括K近邻、支持向量机、回归决策树、感知机和深度神经网络算法进行介绍为后续研究提供理论基础。使用化工中已知的低温空气储能模型为研究案例,通过ASPEN HYSYS仿真软件对该模型进行开发。分析这种模型特点后决定采用分块建模方式,并且通过上述化工模型所生成的数据来建立数据驱动模型。分析比较了不同机器学习方法下建模精度和运行时间,结果表明深度学习方法与其他方法相比取得了最佳性能。最后,基于粒子群优化算法,比较相同条件下深度神经网络数据驱动模型和基于HYSYS仿真软件开发的化工流程还原模型的优化结果和优化所需时间,结果表明使用数据替代模型可将优化时间从10小时左右缩短为平均时长11分钟,两种模型优化结果最终输出的转换效率相差不大,转换效率平均值分别为63%和61%。