基于CNN-LSTM-Attention的时间序列预测程序：风电功率与电力负荷的高精度预测
# 基于CNN - LSTM - Attention的时间序列预测实践：以电力负荷预测为例
在时间序列预测领域，基于卷积 - 长短期记忆网络加注意力机制（CNN - LSTM - Attention）的模
型展现出了极高的预测精度，尤其在风电功率预测、电力负荷预测等场景中表现出色。今天咱们就来详细
剖析下基于此模型的电力负荷预测程序。
## 1. 导入所需的库
```python
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import mean_squared_error, r2_score
from keras.models import Sequential
from keras.layers import Conv1D, MaxPooling1D, Dropout, LSTM, Dense
import numpy as np
from math import sqrt
from attention import Attention # 自定义的注意力机制模块
```
这里导入的库各司其职，`matplotlib.pyplot`负责绘图，能直观呈现训练和预测结果；`pandas`用
来处理数据，无论是读取、拼接还是数据类型转换都靠它；`MinMaxScaler`对数据归一化，让数据在0 - 1
之间，有助于模型更快收敛；`sklearn.metrics`里的函数用来评估模型性能，看看预测得准不准；`keras`
是构建神经网络的利器；`numpy`进行数值计算，而自定义的`attention`模块就是我们的注意力机制所在
。
## 2. 定义MAE计算函数
```python
def mae_value(y_true, y_pred):
return np.mean(np.abs(y_true - y_pred))
```
这个函数很简单，就是计算真实值和预测值之间绝对误差的平均值，MAE能反映预测值与真实值的
平均误差程度。
## 3. 序列转监督学习数据函数
```python
