基于CNN-LSTM-Attention的时间序列预测模型：风电功率预测、电力负荷预测等

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。

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。