CN113376540B - 基于进化注意力机制的lstm电池健康状态估计方法 - Google Patents

Abstract

本发明公开了基于进化注意力机制的LSTM电池健康状态估计方法，具体为：首先，获取锂电池的额定容量、n条恒流充电电压曲线和当前的SOH，定义特征提取中的三个参数，对曲线进行特征提取和处理；之后定义注意力参数W，使用W来构造基于注意力机制的LSTM模型；通过非支配排序遗传算法II对参数进行优化，得到一组表现最优的个体；再选择一个MSE值最小的个体，对该个体进行解码，将老化特征划分为训练集和测试集，将测试集输入到解码后的LSTM模型中，根据测试集得出电池SOH估计结果。本发明方法，可以自适应地从电压曲线上获取合适的老化特征采样范围，提升自动化程度，同时提高SOH估计方法的性能。

Description

基于进化注意力机制的LSTM电池健康状态估计方法

技术领域

本发明属于电池管理技术领域，涉及一种基于进化注意力机制的LSTM电池健康状态估计方法。

背景技术

锂离子因其重量轻、能量密度高、寿命长、可循环利用等优点，被广泛应用于手机、电脑、汽车、航空航天等领域。有效的电池管理系统(Battery Management System，BMS)是确保锂离子电池安全运行的关键。电池健康状态(State Of Health，SOH)估计作为BMS的重要任务之一，对电池的安全运行和充放电优化有着重要的意义，其中电池SOH表征了电池当前可存储最大电池容量的能力，准确地进行SOH估计对电池整个生命周期至关重要，有利于电池的健康管理，避免灾难性事故的发生，延长电池的寿命。

目前流行的SOH预测方法可分为两类，实验方法和基于模型的估计方法。实验方法需要大量的实验来分析电池容量退化行为，受各种环境条件的影响，实验方法难以实现。基于模型的方法可分为自适应算法和数据驱动方法，自适应算法将数学模型和数值滤波(卡尔曼滤波、高斯滤波等)相结合来跟踪电池的退化趋势，但是自适应算法在很大程度上依赖于电化学模型和等效电路模型，现有的方法都难以建立准确的预测方法。相反，基于数据驱动的方法不需要了解详细的电池老化机制，只依赖于电池老化的数据信息，建立合适的电池退化模型。例如，高斯过程回归模型(Gaussian Process Regression，GPR)和支持向量机(Support Vector Machine，SVM)是建立电池退化模型两种常用的方法，尽管目前此类数据驱动方法都取得了不错的效果，但是这些方法都需要提取有效的特征来训练模型，只有特征提取可靠，才能对SOH进行准确的预测，因此，如何有效地从历史数据中提取特征是一项具有挑战的任务。考虑到电池老化是一个长期的过程，并且退化序列之间存在着复杂的依赖关系，长短时记忆神经网络(Long Short-term Memory neural network，LSTM)是解决电池容量长期退化趋势合适的解决方法。

针对数据驱动方法中特征提取问题，现有的大多数方法是基于手动选择的提取方式，通过在电压曲线上人为标注关键点或设计几何关系来进行特征提取，无法保证所提取特征的有效性和泛化性。通过BMS自动构建出有效特征，避免通过依赖经验和试错方法进行人为构造特征。

在实际应用中，模型中输入的每个特征可能对SOH估计起到不同的作用，注重特征之间的重要性差异，提升重要特征的影响力，降低非重要特征的影响力，对输入特征给予不同程度的关注也是本发明要解决的问题之一。并且目前的方法将模型中的参数和特征提取分开调整，独立于特征提取的训练过程不能保证整个估计的最优性。

发明内容

本发明的目的是提供基于进化注意力机制的LSTM电池健康状态估计方法，可以自适应地从电压曲线上获取合适的老化特征采样范围，提升了自动化程度，同时提高SOH估计方法预测的准确性。

本发明所采用的技术方案是，基于进化注意力机制的LSTM电池健康状态估计方法，具体按照以下步骤实施：

步骤1、获取锂电池出厂时由制造商标定的额定容量；

步骤2、获取锂电池n条恒流充电电压曲线；

步骤3、获取锂电池当前的SOH，锂电池当前容量和额定容量的比值为锂电池当前的SOH值；

步骤4、定义特征提取中需要优化的三个参数Is，Ie，m，并对步骤2中得到的n条恒流充电电压曲线进行特征提取和处理，得到处理后的老化特征；

步骤5、定义注意力参数W，使用该参数W来构造基于注意力机制的LSTM模型；

步骤6、对于步骤4定义的特征提取参数Is、Ie、m和步骤5定义的注意力参数W，通过非支配排序遗传算法II对参数同时进行优化，最终得到一组表现最优的个体。

步骤7、在经步骤6后得到的一组最优个体中，选择一个MSE值最小的个体，对该个体进行解码，得到解码后的老化特征和LSTM模型，将老化特征划分为训练集和测试集，将测试集输入到解码后的LSTM模型中，根据测试集得出电池SOH估计结果。

本发明的特点还在于，

步骤2中，具体为：在恒流条件下对锂电池进行循环充放电，每隔一定的时间间隔对每次充电工作下的电压数据进行实时记录，每充一次电，便会得到一组充电电压数据，并通过仪器测量该电池当前容量，直到锂电池寿命终止结束记录，寿命终止的标准是锂电池当前容量衰减为额定容量的70％，会得到n组充电电压数据，每组充电电压数据形成一条恒流充电电压曲线，最终会形成n条恒流充电电压曲线。

步骤4中，具体为：

步骤4.1、在每条恒流充电电压曲线上选择一个合适的窗口进行特征提取，向量C＝c₁,…,c_x表示窗口内的电压数据，定义窗口参数Is和Ie，分别代表窗口的开始索引和结束索引；

步骤4.2、对窗口增加约束，窗口的范围必须位于整条充电电压曲线范围内，约束条件如式(2)所示：

0≤Is<Ie≤V_dimension (2)；

式中，V_dimension表示每条充电电压曲线的维数；

步骤4.3、对窗口内的电压曲线采用分段聚合近似方法进行特征提取；在分段聚合近似方法中，先定义参数m代表分段个数，将窗口内的数据划分为m个大小相等的段，计算落入每一段内数据的均值

向量/>

便成为了每一段的近似表示，作为m个老化特征F＝F₁,F₂,...,F_m；

步骤4.4、对n条恒流充电电压曲线进行分段聚合近似，得到大小为n*m的特征矩阵，对特征矩阵进行归一化处理，得到处理后的老化特征；

归一化公式如式(3)所示：

其中，F是整个特征数据，F_min是老化特征数据中的最小值，F_max是老化特征数据中的最大值。

步骤5中，具体为：定义输入层、注意力层、隐藏层、输出层来构造基于注意力机制的LSTM模型；对于注意力层，由一组注意力权重参数W组成，当一组参数W确定之后，即确定了一个LSTM模型。

步骤6中，具体为：

步骤6.1、定义代价函数；代价函数如式(4)所示：

式中，f₁表示锂电池健康状态估计值的目标函数，MSE是每个LSTM模型训练结束后得到的预测SOH值与步骤3计算的SOH值之间的误差；f₂表示锂电池老化特征数目的目标函数，Num_Feature表示锂电池老化特征数目；

MSE计算公式如式(5)所示；

其中，SOH_i,estimate代表SOH的估计值，SOH_i,real代表SOH的真实值；

步骤6.2、对特征提取参数和注意力权重参数进行编码；将这两种信息编码在一个单独的个体中，一个个体的决策值由两部分组成，第一部分表示特征提取中三个参数Is、Ie、m的编码，前两个参数每个分配40个二进制位，第三个参数分配5个二进制位，这一部分决策值总共包含85位；决策值的第二部分表示注意力权重参数W＝(W¹,W²,…,Wⁿ)，对于Wⁱ(i＝1,2,3…n)中的每个权重分配6个二进制位，每个Wⁱ包含6*m个二进制位；初始化N个这样的个体作为初始种群，得到N个编码后的个体，作为父代种群；

步骤6.3、定义选择、交叉和变异遗传操作，在父代种群中选择个体，进行交叉和变异会产生M个新个体，作为子代种群；

步骤6.4、对步骤6.2得到的N个个体和步骤6.3得到的M个个体进行合并，合并后的种群大小为N+M，评估合并种群中每个个体的适应度值；对于合并种群中的每一个个体进行解码，对该个体前半部分的二进制位进行解码，得到特征提取参数，通过该特征提取参数来获取老化特征，将老化特征组成的数据集划分为训练集和测试集；对该个体后半部分的二进制位进行解码，得到注意力权重参数，用该注意力权重参数组成新的LSTM模型；将划分的训练集输入到新的LSTM模型中进行训练，通过步骤6.1定义的代价函数来评估每个个体的适应度值；

步骤6.5、根据步骤6.4得到的适应度值对每个个体进行非支配排序，计算个体之间的拥挤距离、根据非支配关系以及个体的拥挤度选取N个个体作为下一代种群，始终保持进入下一代的种群大小为N；

拥挤度计算公式如(6)所示：

式中，D[i]_distance是第i个个体的拥挤距离，D[i]_distance.m为第i个解的第m个目标函数，f_m,max和f_m,min为第m个目标函数的最大值与最小值。

步骤6.6、获取一组表现最优的个体；接下来是一个不断迭代的过程，如果当前代达到最大迭代次数，则得到一组表现最优的个体；否则，进入步骤6.3。

本发明的有益效果是：

首先，本发明方法，可以自适应地从电压曲线上获取合适的老化特征采样范围，提升自动化程度，同时提高SOH估计方法的性能。其次，在LSTM模型中加入注意力机制，有效应对模型中未能较好区分输入特征重要程度差异性的不足，提高了SOH估计方法预测的准确性。最后，通过优化算法将特征提取参数与LSTM模型中注意力机制的权重参数同时优化，旨在获取特征与模型组合整体契合的最优，该方法具有很好的泛化性和鲁棒性。

附图说明

图1为本发明基于进化注意力机制的LSTM电池健康状态估计方法的自适应窗口分段聚合近似特征提取图；

图2为本发明基于进化注意力机制的LSTM电池健康状态估计方法的LSTM模型构造图；

图3为本发明基于进化注意力机制的LSTM电池健康状态估计方法的对组合参数编解码图；

图4为本发明基于进化注意力机制的LSTM电池健康状态估计方法的总流程图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明基于进化注意力机制的LSTM电池健康状态估计方法，如图4所示，具体按照以下步骤实施：

步骤1、获取锂电池出厂时由制造商标定的额定容量；

步骤2、获取锂电池n条恒流充电电压曲线；

具体为：在恒流条件下对锂电池进行循环充放电，每隔一定的时间间隔对每次充电工作下的电压数据进行实时记录，每充一次电，便会得到一组充电电压数据，并通过仪器测量该电池当前容量，直到锂电池寿命终止结束记录(寿命终止的标准是锂电池当前容量衰减为额定容量的70％)，会得到n组充电电压数据，每组充电电压数据形成一条恒流充电电压曲线，最终会形成n条恒流充电电压曲线；

步骤3、获取锂电池当前的SOH，锂电池当前容量和额定容量的比值为锂电池当前的SOH值；

计算公式如式(1)所示；

式中，C_new为锂电池的当前容量，C_current为锂电池的额定容量；其中，锂电池的当前容量C_new等于本次充电所需充电量与剩余容量之和；

步骤4、定义特征提取中需要优化的三个参数Is，Ie，m，并对步骤2中得到的n条恒流充电电压曲线进行特征提取和处理，得到处理后的老化特征；

具体为：对步骤2中得到的n条恒流充电电压曲线进行特征提取，每条充电电压曲线提取m个老化特征，老化特征具体提取过程如下：

步骤4.1、在每条充电电压曲线上选择一个合适的窗口进行特征提取，向量C＝c₁,…,c_x表示窗口内的电压数据，定义窗口参数Is和Ie，分别代表窗口的开始索引和结束索引；

步骤4.2、对窗口增加约束，窗口的范围必须位于整条充电电压曲线范围内，约束条件如式(2)所示：

0≤Is<Ie≤V_dimension (2)；

式中，V_dimension表示每条充电电压曲线的维数；

步骤4.3、对窗口内的电压曲线采用分段聚合近似方法进行特征提取。

在分段聚合近似方法中，先定义参数m代表分段个数，将窗口内的数据划分为m个大小相等的段，计算落入每一段内数据的均值

向量/>

便成为了每一段的近似表示，作为m个老化特征F＝F₁,F₂,...,F_m；

步骤4.4、对n条恒流充电电压曲线进行分段聚合近似，得到大小为n*m的特征矩阵，对特征矩阵进行归一化处理，得到处理后的老化特征；

归一化公式如式(3)所示：

其中，F是整个特征数据，F_min是老化特征数据中的最小值，F_max是老化特征数据中的最大值；

步骤5、定义注意力参数W，使用该参数W来构造基于注意力机制的LSTM模型；

具体为：定义输入层、注意力层、隐藏层、输出层来构造基于注意力机制的LSTM模型。对于注意力层，由一组注意力权重参数W组成的，当一组参数W确定之后，即确定了一个LSTM模型；

步骤6、对于步骤4定义的特征提取参数Is、Ie、m和步骤5定义的注意力参数W，通过非支配排序遗传算法II(Non-dominated Sorting Genetic Algorithm II，NSGA-II)对参数同时进行优化。通过该优化算法最终得到一组表现最优的个体。

步骤6的具体实施方式为：

步骤6.1、定义代价函数。本发明考虑了SOH估计精度和老化特征数目两个待优化目标，来指导特征提取中的参数和注意力权重参数的寻优过程。具体的代价函数如式(4)所示：

式中，f₁表示锂电池健康状态估计值的目标函数，MSE是每个LSTM模型训练结束后得到的预测SOH值与步骤3计算的SOH值之间的误差；f₂表示锂电池老化特征数目的目标函数，Num_Feature表示锂电池老化特征数目。

MSE计算公式如式(5)所示；

其中，SOH_i,estimate代表SOH的估计值，SOH_i,real代表SOH的真实值；

步骤6.2、对特征提取参数和注意力权重参数进行编码；将这两种信息编码在一个单独的个体中，一个个体的决策值由两部分组成，第一部分表示特征提取中三个参数(Is、Ie、m)的编码，前两个参数每个分配40个二进制位，第三个参数分配5个二进制位，这一部分决策值总共包含85位。决策值的第二部分表示注意力权重参数W＝(W¹,W²,…,Wⁿ)，对于Wⁱ(i＝1,2,3…n)中的每个权重分配6个二进制位，每个Wⁱ包含6*m个二进制位。初始化N个这样的个体作为初始种群，得到N个编码后的个体，作为父代种群。

步骤6.3、定义选择、交叉和变异等遗传操作，在父代种群中选择个体，进行交叉和变异会产生M个新个体，作为子代种群。

步骤6.4、对步骤6.2得到的N个个体和步骤6.3得到的M个个体进行合并，合并后的种群大小为N+M，评估合并种群中每个个体的适应度值。对于合并种群中的每一个个体进行解码，解码是将每个个体中每个参数对应的二进制位转换为十进制数，转换后的十进制数也就代表了每个参数的取值。对该个体前半部分的二进制位进行解码，得到特征提取参数，通过该特征提取参数来获取老化特征，将老化特征组成的数据集划分为训练集和测试集。对该个体后半部分的二进制位进行解码，得到了注意力权重参数，用该注意力权重参数组成新的LSTM模型。将划分的训练集输入到新的LSTM模型中进行训练，通过步骤6.1定义的代价函数来评估每个个体的适应度值，该个体的适应度值越小代表着该个体越优；

步骤6.5、根据步骤6.4得到的适应度值对每个个体进行非支配排序，计算个体之间的拥挤距离、根据非支配关系以及个体的拥挤度选取N个个体作为下一代种群，始终保持进入下一代的种群大小为N。

拥挤度计算公式如(6)所示：

式中，D[i]_distance是第i个个体的拥挤距离，D[i]_distance.m为第i个解的第m个目标函数，f_m,max和f_m,min为第m个目标函数的最大值与最小值。

步骤6.6、获取一组表现最优的个体。接下来是一个不断迭代的过程，如果当前代达到最大迭代次数，则得到一组表现最优的个体。否则，进入步骤6.3。

步骤7、在步骤6.6得到的一组最优个体中，选择一个MSE值最小的个体，对该个体进行解码，得到解码后的老化特征和LSTM模型，将老化特征划分为训练集和测试集，将测试集输入到解码后的LSTM模型中，根据测试集得出电池SOH估计结果。

实施例

本发明基于进化注意力机制的LSTM电池健康状态估计方法，具体按照以下步骤实施：

(1)使用是美国航空航天局存储库为18650的锂电池，额定容量为2Ah，选择B5电池进行实验。

(2)在恒定电流4A下对B5锂电池进行循环充放电，每充一次电便得到一条恒流充电电压变化曲线，直到电池报废，共经历了135次循环充放电，得到135条充电电压曲线。在对电池每一次充电之前，先测量该电池充电之前的剩余容量，在电池充满电之后(电压不再发生改变)，测量该电池的当前容量，其中，当前电池容量等于本次充电所需充电量与剩余容量之和。

(3)电池当前容量与额定容量的比值即为电池当前的SOH值。

(4)定义特征提取中需要优化的三个参数Is，Ie，m，对(3)对得到的135条恒流充电电压曲线进行特征提取及处理，如图1所示，通过采用自适应窗口分段聚合近似的特征提取方法来获取老化特征，得到处理后的老化特征。老化特征具体提取过程如下：在每条充电电压曲线上选择一个合适的窗口进行特征提取，向量C＝c₁,…,c_x表示窗口内的电压数据，设定窗口开始索引Is为1800，结束索引Ie为3400。

对窗口增加约束，窗口的范围必须位于整条电压曲线范围内。

对窗口内的电压曲线采用分段聚合近似方法进行降维，降维后得到的数据就是老化特征。定义分段个数m为8，将数据划分为8个大小相等的段，计算落入每一段内数据的均值

向量/>

便成为了每一段的近似表示，作为8个老化特征F＝F₁,F₂,...,F₈。

对135条恒流充电电压曲线进行分段聚合近似便得到大小为135*8的特征矩阵，对特征矩阵进行归一化处理，得到处理后的老化特征。

(5)定义注意力参数W，使用该参数W来构造基于注意力机制的LSTM模型。

首先，如图2所示，定义注意力权重为W＝(W¹,W²,…,W¹³⁵)，作为LSTM模型的注意层，当一组参数W确定之后，便就确定了一个LSTM模型。定义输入层、注意层、隐藏层、输出层来构造基于注意力机制的LSTM模型。

(6)对于(4)定义的特征提取参数Is、Ie、m和(5)定义的注意力参数W，通过NSGA-II对参数同时进行优化，通过该优化算法最终得到一组表现最优的个体。

定义代价函数。本发明考虑了SOH估计精度和老化特征数目两个待优化目标，来指导特征提取中的参数和注意力权重参数的寻优过程。

如图3所示，对四个参数(Is、Ie、m、W)进行编码，前两个参数每个分配40个二进制位，第三个参数分配5个二进制位，第四个参数每个权重分配6个二进制位，每个Wⁱ包含6*8个二进制位。随机初始化10个这样的个体作为初始种群，得到10个编码后的个体，作为父代种群。

定义选择、交叉和变异等遗传操作，在父代种群中选择个体，进行交叉和变异会产生10个新个体，作为子代种群。

对上述得到的父代种群和子代种群进行合并，合并后的种群大小为20，评估合并种群中每个个体的适应度值。如图3所示，对于合并种群中的每一个个体进行解码，对前85个二进制位进行解码，得到了特征提取参数Is，Ie，m，通过该参数来获取老化特征，将老化特征组成的数据集划分为训练集和测试集。对该个体后6*8个二进制位进行解码，便得到了注意力权重参数，用该参数组成LSTM模型。将划分的训练集输入到LSTM模型中进行训练，通过定义的代价函数来评估每个个体的适应度值，该个体的适应度值越小代表着该个体越优；

根据适应度值对个体进行非支配排序，计算个体之间的拥挤距离、根据非支配关系以及个体的拥挤度选取10个个体作为下一代种群，始终保持进入下一代的种群大小为10。

获取一组表现最优的个体。接下来是一个不断迭代的过程，如果当前代达到最大迭代次数，则得到一组表现最优的个体，否则，进入(6)继续迭代。

(7)在得到的一组最优个体中，选择一个MSE值最小的个体，对该个体进行解码，得到解码后的老化特征和LSTM模型，将老化特征划分为训练集和测试集，将测试集输入到解码后的LSTM模型中，根据测试集得出电池SOH估计结果。

Claims (5)

1.基于进化注意力机制的LSTM电池健康状态估计方法，其特征在于，具体按照以下步骤实施：

步骤1、获取锂电池出厂时由制造商标定的额定容量；

步骤2、获取锂电池n条恒流充电电压曲线；

步骤3、获取锂电池当前的SOH，锂电池当前容量和额定容量的比值为锂电池当前的SOH值；

步骤4、定义特征提取中需要优化的三个参数Is，Ie，m，并对步骤2中得到的n条恒流充电电压曲线进行特征提取和处理，得到处理后的老化特征；

步骤5、定义注意力参数W，使用该参数W来构造基于注意力机制的LSTM模型；

步骤6、对于步骤4定义的特征提取参数Is、Ie、m和步骤5定义的注意力参数W，通过非支配排序遗传算法II对参数同时进行优化，最终得到一组表现最优的个体；

步骤7、在经步骤6后得到的一组最优个体中，选择一个MSE值最小的个体，对该个体进行解码，得到解码后的老化特征和LSTM模型，将老化特征划分为训练集和测试集，将测试集输入到解码后的LSTM模型中，根据测试集得出电池SOH估计结果。

2.根据权利要求1所述的基于进化注意力机制的LSTM电池健康状态估计方法，其特征在于，所述步骤2中，具体为：在恒流条件下对锂电池进行循环充放电，每隔一定的时间间隔对每次充电工作下的电压数据进行实时记录，每充一次电，便会得到一组充电电压数据，并通过仪器测量该电池当前容量，直到锂电池寿命终止结束记录，寿命终止的标准是锂电池当前容量衰减为额定容量的70％，会得到n组充电电压数据，每组充电电压数据形成一条恒流充电电压曲线，最终会形成n条恒流充电电压曲线。

3.根据权利要求1所述的基于进化注意力机制的LSTM电池健康状态估计方法，其特征在于，所述步骤4中，具体为：

步骤4.1、在每条恒流充电电压曲线上选择一个合适的窗口进行特征提取，向量C＝c₁,…,c_x表示窗口内的电压数据，定义窗口参数Is和Ie，分别代表窗口的开始索引和结束索引；

步骤4.2、对窗口增加约束，窗口的范围必须位于整条充电电压曲线范围内，约束条件如式(2)所示：

0≤Is<Ie≤V_dimension (2)；

式中，V_dimension表示每条充电电压曲线的维数；

步骤4.3、对窗口内的电压曲线采用分段聚合近似方法进行特征提取；在分段聚合近似方法中，先定义参数m代表分段个数，将窗口内的数据划分为m个大小相等的段，计算落入每一段内数据的均值

向量/>

便成为了每一段的近似表示，作为m个老化特征F＝F₁,F₂,...,F_m；

步骤4.4、对n条恒流充电电压曲线进行分段聚合近似，得到大小为n*m的特征矩阵，对特征矩阵进行归一化处理，得到处理后的老化特征；

归一化公式如式(3)所示：

其中，F是整个特征数据，F_min是老化特征数据中的最小值，F_max是老化特征数据中的最大值。

4.根据权利要求3所述的基于进化注意力机制的LSTM电池健康状态估计方法，其特征在于，所述步骤5中，具体为：定义输入层、注意力层、隐藏层、输出层来构造基于注意力机制的LSTM模型；对于注意力层，由一组注意力权重参数W组成，当一组参数W确定之后，即确定了一个LSTM模型。

5.根据权利要求4所述的基于进化注意力机制的LSTM电池健康状态估计方法，其特征在于，所述步骤6中，具体为：

步骤6.1、定义代价函数；代价函数如式(4)所示：

式中，f₁表示锂电池健康状态估计值的目标函数，MSE是每个LSTM模型训练结束后得到的预测SOH值与步骤3计算的SOH值之间的误差；f₂表示锂电池老化特征数目的目标函数，Num_Feature表示锂电池老化特征数目；

MSE计算公式如式(5)所示；

其中，SOH_i,estimate代表SOH的估计值，SOH_i,real代表SOH的真实值；

步骤6.2、对特征提取参数和注意力权重参数进行编码；将这两种信息编码在一个单独的个体中，一个个体的决策值由两部分组成，第一部分表示特征提取中三个参数Is、Ie、m的编码，前两个参数每个分配40个二进制位，第三个参数分配5个二进制位，这一部分决策值总共包含85位；决策值的第二部分表示注意力权重参数W＝(W¹,W²,…,Wⁿ)，对于Wⁱ(i＝1,2,3…n)中的每个权重分配6个二进制位，每个Wⁱ包含6*m个二进制位；初始化N个这样的个体作为初始种群，得到N个编码后的个体，作为父代种群；

步骤6.3、定义选择、交叉和变异遗传操作，在父代种群中选择个体，进行交叉和变异会产生M个新个体，作为子代种群；

步骤6.4、对步骤6.2得到的N个个体和步骤6.3得到的M个个体进行合并，合并后的种群大小为N+M，评估合并种群中每个个体的适应度值；对于合并种群中的每一个个体进行解码，对该个体前半部分的二进制位进行解码，得到特征提取参数，通过该特征提取参数来获取老化特征，将老化特征组成的数据集划分为训练集和测试集；对该个体后半部分的二进制位进行解码，得到注意力权重参数，用该注意力权重参数组成新的LSTM模型；将划分的训练集输入到新的LSTM模型中进行训练，通过步骤6.1定义的代价函数来评估每个个体的适应度值；

步骤6.5、根据步骤6.4得到的适应度值对每个个体进行非支配排序，计算个体之间的拥挤距离、根据非支配关系以及个体的拥挤度选取N个个体作为下一代种群，始终保持进入下一代的种群大小为N；

拥挤度计算公式如(6)所示：

式中，D[i]_distance是第i个个体的拥挤距离，D[i]_distance.m为第i个解的第m个目标函数，f_m,max和f_m,min为第m个目标函数的最大值与最小值；

步骤6.6、获取一组表现最优的个体；接下来是一个不断迭代的过程，如果当前代达到最大迭代次数，则得到一组表现最优的个体；否则，进入步骤6.3。

Images