作为可持续发展战略的重要推动领域,新能源产业的发展得到广泛重视和推广。IGBT是新能源汽车、风电、光电等新能源设备的核心器件,对其剩余使用寿命（Remaining Useful Life,RUL）进行准确预测有利于对其进行及时有效的维护和更换,确保设备整体的安全稳定运行,促进社会的可持续发展。IGBT模块在失效前后,其集电极-发射极饱和压降(V_ce)会发生明显跃升,利用该特征可以准确判断IGBT的RUL。然而V_ce的时间序列测量值带有明显的随机非平稳特征,当前很多方法在预测带有这类特征的时间序列时效果不佳。为此,本文对基于V_ce时序值预测IGBT的RUL的方法开展了研究,提出了一种基于优化算法获得最优参数的可变尺度高斯过程（variable-scale Gaussian process,VSGP）模型预测方法。首先,介绍了IGBT的基本结构和几种常见的IGBT结构类型,说明了IGBT的工作原理以及IGBT模块老化失效机制,详细分析了选择V_ce作为IGBT模块失效特征量的原因,确定了IGBT模块的失效标准。其次,介绍了PT-IGBT的加速老化实验,获得并分析了PT-IGBT1、PT-IGBT2和PT-IGBT3的V_ce变化百分比时间序列数据,并使用中值滤波方法对所获时间序列数据进行了去噪处理。再次,使用了虚假最近邻点法和互信息法分别确定相空间重构的最佳嵌入维度和最佳时延,对PT-IGBT1、PT-IGBT2和PT-IGBT3的V_ce变化百分比时间序列进行了相空间重构;绘制出三个时间序列各自的相轨迹递归图,并对时间序列进行了定量递归分析;详细介绍了VSGP模型以及基于优化算法获得VSGP模型最优参数的方法。最后,使用蚁狮优化算法和启动数据获得了VSGP模型的最优参数,使用拥有最优参数的VSGP模型预测了PT-IGBT2和PT-IGBT3的RUL并与对比模型比较预测效果,对比了VSGP和GP的预测结果置信区间,测试了样本采样间隔的改变对VSGP模型预测效果的影响,设定了RUL的阈值。VSGP模型的变尺度功能使其能够很好地处理时间序列预测中的随机性和非平稳性,本文结果表明在预测精度方面VSGP模型优于传统预测模型,VSGP模型是一种预测精度高、能适应较小规模的以及拥有不同采样间隔的训练样本的预测模型,且能够输出预测结果的置信区间。