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。