写一个python代码 描述：微电网是指由多个分布式电源、负载和能量储存设备等组成的小型电力系统。 为了提高微电网的稳定性和可靠性，我们需要对其进行稳定性评估。 假设我们有一些微电网的实验数据，包括电流、电压、功率、频率等特征，以及微电网的稳定性标签（0表示不稳定，1表示稳定）。 我们的目标是使用这些特征来训练一个多层神经网络模型，能够对微电网的稳定性进行分类。 要求： 从microgrid_data.cvs中读入数据，并通过代码分出测试集和训练集，其中测试集占总数据集的20%。 使用自定义函数对数据进行正规化，使得数据的每个特征均值为0，标准差为1。 利用多层神经网络(MLPClassifier)实现分类。 在准确率(accuracy)、精确率(precision)、召回率(recall)、F1值(f1_score)等指标上评估模型性能，将结果打印后，同时输出到文件中，该文件命名为Performance.txt。 使用numpy库来处理数据格式，使用scikit-learn库来进行机器学习模型训练和评估。

下面是描述的Python代码实现：

import pandas as pd
import numpy as np
from sklearn.neural_network import MLPClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

# 从csv文件中读入数据
data = pd.read_csv("microgrid_data.csv")

# 提取特征和标签
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values

# 划分训练集和测试集，测试集占总数据集的20%
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 自定义函数对数据进行正规化
def normalize(X):
    X_norm = (X - np.mean(X, axis=0)) / np.std(X, axis=0)
    return X_norm

X_train_norm = normalize(X_train)
X_test_norm = normalize(X_test)

# 训练多层神经网络模型
mlp = MLPClassifier(hidden_layer_sizes=(100, 50), max_iter=1000, random_state=42)
mlp.fit(X_train_norm, y_train)

# 在测试集上进行预测
y_pred = mlp.predict(X_test_norm)

# 计算模型性能指标
accuracy = accuracy_score(y_test, y_pred)
precision = precision_score(y_test, y_pred)
recall = recall_score(y_test, y_pred)
f1 = f1_score(y_test, y_pred)

# 打印模型性能指标，并将结果输出到文件Performance.txt中
with open("Performance.txt", "w") as f:
    f.write("Accuracy: {:.3f}\n".format(accuracy))
    f.write("Precision: {:.3f}\n".format(precision))
    f.write("Recall: {:.3f}\n".format(recall))
    f.write("F1 score: {:.3f}\n".format(f1))
    
    print("Accuracy: {:.3f}".format(accuracy))
    print("Precision: {:.3f}".format(precision))
    print("Recall: {:.3f}".format(recall))
    print("F1 score: {:.3f}".format(f1))

这段代码实现了对微电网稳定性数据的读取、训练集和测试集的划分、数据正规化、多层神经网络模型的训练和测试集上的预测、模型性能指标的计算和输出到文件Performance.txt中。其中，使用pandas库读取csv文件，使用numpy库进行数据处理和正规化，使用scikit-learn库中的MLPClassifier类实现多层神经网络模型的训练和预测，并使用scikit-learn库中的评估函数计算模型性能指标。