仿真变电站蓄电池的工作模式呈现间歇非连续性，导致电池性能在退化过程中存在容量再生现象， 退化规律具有非平稳性和随机性，增大了蓄电池精确剩余寿命RUL( remaining useful life)的难度。针对存在容量再生现象的蓄电池剩余寿命预测问题，提出了变分模态分解VMD( variational mode decomposition)和蝙蝠( Bat) 优化核极限学习机KELM( kernel extreme learning machine)组合的预测方法。基于VMD将蓄电池健康状态SOH( state of health)时间序列分解为整体退化分量和容量再生分量；利用Bat优化KELM构建各分量预测模型， 以提高分量趋势预测精度；通过各分量独立预测结果的叠加，得到精确的蓄电池健康状态及剩余寿命预测值。 将该方法应用于蓄电池退化数据实例分析中，结果表明该方法相较于KELM模型及VMD-KELM模型，预测精度更高，验证了该方法的优越性。