随着新能源系统的大规模应用,电化学储能技术作为辅助新能源发电的关键手段也得到了发展,其运行状态分析和故障预测的相关研究逐渐受到重视。电池储能系运行过程中,储能单元间会呈现不一致特性。根据储能系统各单元运行状态数据筛选其中的典型储能单元,并分析预测其运行参数变化趋势,成为了研究的难题。因此本文提出了一种储能系统典型单元筛选及运行状态时序预测分析模型,有效筛选出系统中的典型单元并预测其数据的未来趋势。首先,本文详细的研究了电池储能系统的组成部分,电池储能单元之间不一致性存在的原因,以及电池储能系统的关键参数特点。并以此为基础,结合山东鲁能实际应用储能系统,针对其系统结构,分析了其对应的参数特性,并以其运行状态参数作为数据基础,分别搭建储能系统典型单元筛选模型及典型储能单元时序预测分析模型。其次,设计了一种基于随机森林算法的储能系统运行单元重要性分析模型。在选择典型单元的过程中,以随机森林算法为主要方法,分析储能系统中各储能单元对整体运行状态参数的影响权重。考虑到筛选的电池储能单元的特点,为了提高典型单元筛选的精度,应用自适应增强算法提高其分类预测精度,并通过与未进行改进算法的对比,改进算法的可解释方差最大提升了 0.21%,在均方差标准上最大降低了 41.9%,验证了改进算法的有效性。同时,对应用的重要性筛选模型分别针对单一变量变化,及对多变量变化进行精度比较。全局最优搜索而得的最优参数在针对重要性筛选中,最大精度可提升2.01%。最后,应用时序预测分析方法,针对筛选得到的典型储能单元的充放电电流及运行电压的变化趋势进行时序预测分析。在时序预测方法中,分别对比了差分整合自回归算法、循环神经网络、长短时神经网络等几种不同的时序预测方法。经筛选,长短时神经网络在实际应用中有着更好的预测精度,针对运行电压和充放电电流的时序预测中,在均方根误差标准上最大分别降低了 4.31和0.24%。针对长短时神经网络的优化函数、运算步长以及批尺寸的变化进行精度验证对比,在比较的结果中,在时序预测算法中针对充放电电流最大可提升5.12,针对运行电压最大可提升0.27%。