变电站直流电源系统的铅酸蓄电池与充电机并联，共同为继电保护、自动装置、自动化设备、断路器跳合闸等重要的直流负荷提供电源[1]。随着变电站自动化、智能化程度的提高以及无人值守工作模式的逐渐推广，提高变电站直流电源系统的运行可靠性对保证变电站在紧急事故情况下采取正确合理的操作具有重要意义。当交流系统由于故障断电时，充电机不能供应直流电源，铅酸蓄电池组作为变电站交流电源故障情况下的直流电源，将为站内直流负荷供电。由于变电站直流电源系统的铅酸蓄电池组随着使用时间增长，蓄电池组内阻在增大的同时也会使电池容量减小，从而减少铅酸蓄电池的循环使用寿命。因此，准确评估铅酸蓄电池的剩余寿命是变电站直流系统安全稳定运行迫切需要的保障技术之一。

核对性充放电实验是检测铅酸蓄电池剩余容量的常用方法，该方法就是定期利用较大电流对浮充电运行的蓄电池极板物质进行充放电反应，以检查蓄电池容量，发现老化电池。但利用该方法进行蓄电池重复充放电实验会加速电池老化，缩短电池循环使用寿命。考虑蓄电池的寿命与其端电压和健康状态等因素有关，因此，利用蓄电池的在线运行状态预测其寿命成为基于非充放电预测电池寿命的研究方向。目前，这类电池寿命预测方法主要可以分为基于运行经验的寿命预测和基于电池性能的寿命预测两类[2]。基于运行经验的预测方法是基于统计规律发展的预测方法，主要有老化积累方法[3]、安时法与权安时法[4]、循环周期数法。基于电池性能的寿命预测则是利用不同形式的性能评估模型进行老化过程和其他影响因素的分析。依据性能评估模型所使用数据信息来源，基于性能的预测又包括基于机制、基于特征和基于数据驱动三类[5]。其中，基于机制的预测是从电池本质机制的角度分析并建立电池的运行机制模型及老化模型，从电化学第一原理的角度描述电池的老化行为；基于特征的预测是基于电池老化过程表现出的特征参量变化，建立描述特征量与电池寿命之间的关系的寿命预测模型；基于数据驱动的预测是利用测得的电池性能数据，利用数据拟合或神经网络从数据中挖掘电池性能演变规律。文献[6]通过机制分析指出锂电池固体电解质界面(solid electrolyte interphase, SEI)膜形成是导致其容量衰减的一个重要原因，进而研究了一种基于机制的单粒子模型，描述了电池状态变量受老化因素影响的变化规律，包括温度、电压、电流、荷电状态、电解液浓度、扩散系数等内外部状态变量受操作状态的影响。文献[7]就是在现有退化建模方法的基础上，将时变应力对电池性能退化量的影响引入到退化模型中，解决了时变温度应力下蓄电池循环寿命预测问题。从此出发，文献[8]针对航空蓄电池容量预测的复杂非线性特点，提出了基于概率神经网络的面向航空蓄电池容量预测模型，并基于样本数据通过拟合建立蓄电池容量的预测。

近年来，支持向量机(support vector machine, SVM)已经成为解决回归预测问题的一个十分有效的机器学习方法，基于统计学习理论的支持向量回归机采用了结构风险最小化原则来代替经验风险最小化，能较好地解决小样本学习的问题；同时还采用核函数思想，把非线性空间的问题转换到线性空间，降低了算法的复杂度，它既考虑了训练样本的拟合性，又考虑了训练样本的复杂性[9,10,11]。基于此，考虑电池本身物理化学过程描述的复杂性，很多关系规律很难直接通过机制研究获得其描述。从利用测试样本数据建立预测电池寿命模型出发，同时兼顾样本数据有限的特点，本文研究采用LIBSVM支持向量机建立蓄电池寿命预测方法，该方法在通过交叉验证确定回归机的最优参数组合基础上，基于对反映铅酸蓄电池健康状态的特征向量的学习训练建立蓄电池剩余容量的预测模型。仿真结果表明，所建立的模型具有预测精度高的特点。