基于卷积-长短期记忆网络加注意力机制（CNN-LSTM-Attention）的时间序列预测程序，预测精度很高。 可用于做风电功率预测，电力负荷预测等等

基于卷积-长短期记忆网络加注意力机制（CNN-LSTM-Attention）的时间序列预测程序，预测精度很高。
可用于做风电功率预测，电力负荷预测等等
标记注释清楚，可直接换数据运行。
代码实现训练与测试精度分析。
这段程序主要是一个基于CNN-LSTM-Attention神经网络的预测模型。下面我将逐步解释程序的功能和运行过程。

YID:5860673742612391

1. 导入所需的库：

   • matplotlib.pyplot：用于绘图
   • pandas.DataFrame和pandas.concat：用于数据处理
   • sklearn.preprocessing.MinMaxScaler：用于数据归一化
   • sklearn.metrics.mean_squared_error和sklearn.metrics.r2_score：用于评估模型性能
   • keras：用于构建神经网络模型
   • numpy：用于数值计算
   • math.sqrt：用于计算平方根
   • attention：自定义的注意力机制模块

2. 定义一个函数mae_value(y_true, y_pred)用于计算MAE（平均绝对误差）评价指标。

3. 定义一个函数series_to_supervised(data, n_in=1, n_out=1, dropnan=True)，将序列转换为监督学习问题。该函数将前一采样点的天气影响因素和电力负荷作为特征数据，将后一采样点的电力负荷作为标签，然后按照这个规律将数据转换为监督学习问题。

4. 加载数据集，读取名为’cluster4.csv’的数据文件，并进行数据预处理，包括填充缺失值和转换数据类型。

5. 数据归一化，将数据缩放到0-1之间。

6. 调用series_to_supervised函数将数据集转换为监督学习问题。

7. 丢弃不需要预测的列，只保留电力负荷作为标签。

8. 将数据集分割为训练集、验证集和测试集。

9. 分割输入和输出，将前一采样点的天气因素和电力负荷作为输入，后一采样点的电力负荷作为输出标签。

10. 重塑数据形状，将数据转换为3D形状，满足循环神经网络的输入要求。

11. 构建神经网络模型，包括卷积层、池化层、Dropout层、LSTM层、注意力层和全连接层。

12. 编译模型，选择损失函数和优化器。

13. 训练模型，使用训练集数据进行训练，同时使用验证集数据进行验证。

14. 使用训练好的模型进行预测。

15. 反向缩放预测值和实际值，将归一化的数据转换为原始数据。

16. 计算RMSE（均方根误差）、MAPE（平均绝对百分比误差）、R2（确定系数）和MAE（平均绝对误差）等评价指标，并打印出来。

17. 绘制训练集和测试集的损失值对比图。

18. 绘制预测值和真实值的折线图。

19. 将预测值保存到文件中。

总结：这段程序是一个基于CNN-LSTM-Attention神经网络的电力负荷预测模型。它将历史天气因素和电力负荷作为输入，通过神经网络模型进行训练和预测，最终得到预测结果。该模型可以在电力负荷预测领域应用，通过分析历史数据和天气因素，预测未来的电力负荷情况。程序涉及到的知识点包括数据处理、数据归一化、监督学习、神经网络模型构建和训练等。