写一段python代码，读取一个csv文件，该文件没有表头，共两列数据，第一列为时间编号,编号以1,2,3……这样自然数的形式出现，第二列为充电量数值，将该数据集的前70%划分为训练集，其余部分设置为测试集，利用lstm模型预测该时间序列，并打印rmse作为评价指标，并分别绘制训练集的真实值和预测值图片以及测试集的真实值和预测值图片，两张图片的横坐标单位为time/h，纵坐标单位为kwh

以下是一份示例代码，用于读取CSV文件、划分训练集和测试集、使用LSTM模型进行时间序列预测，并输出RMSE指标以及绘制真实值和预测值的图表。

import pandas as pd
import numpy as np
from sklearn.preprocessing import MinMaxScaler
from keras.models import Sequential
from keras.layers import Dense, LSTM
import matplotlib.pyplot as plt

# 读取CSV文件
data = pd.read_csv('data.csv', header=None)

# 将数据集划分为训练集和测试集
train_size = int(len(data) * 0.7)
train_data = data.iloc[:train_size, 1:2].values
test_data = data.iloc[train_size:, 1:2].values

# 对数据进行归一化处理
scaler = MinMaxScaler(feature_range=(0, 1))
train_data = scaler.fit_transform(train_data)
test_data = scaler.transform(test_data)

# 构建训练集和测试集
def create_dataset(dataset, look_back=1):
    X, Y = [], []
    for i in range(len(dataset) - look_back):
        X.append(dataset[i:(i+look_back), 0])
        Y.append(dataset[i+look_back, 0])
    return np.array(X), np.array(Y)

look_back = 3
X_train, Y_train = create_dataset(train_data, look_back)
X_test, Y_test = create_dataset(test_data, look_back)

# 转换为LSTM所需的输入格式
X_train = np.reshape(X_train, (X_train.shape[0], X_train.shape[1], 1))
X_test = np.reshape(X_test, (X_test.shape[0], X_test.shape[1], 1))

# 构建LSTM模型
model = Sequential()
model.add(LSTM(units=50, return_sequences=True, input_shape=(look_back, 1)))
model.add(LSTM(units=50))
model.add(Dense(units=1))
model.compile(optimizer='adam', loss='mean_squared_error')
model.fit(X_train, Y_train, epochs=100, batch_size=32)

# 预测测试集并进行反归一化处理
Y_pred = model.predict(X_test)
Y_pred = scaler.inverse_transform(Y_pred)
Y_test = scaler.inverse_transform(Y_test)

# 输出RMSE指标
rmse = np.sqrt(np.mean((Y_pred - Y_test)**2))
print('RMSE:', rmse)

# 绘制训练集真实值和预测值图表
train_predict = model.predict(X_train)
train_predict = scaler.inverse_transform(train_predict)
train_actual = scaler.inverse_transform(Y_train.reshape(-1, 1))
plt.plot(train_actual, label='Actual')
plt.plot(train_predict, label='Predicted')
plt.title('Training Set')
plt.xlabel('Time (h)')
plt.ylabel('kWh')
plt.legend()
plt.show()

# 绘制测试集真实值和预测值图表
plt.plot(Y_test, label='Actual')
plt.plot(Y_pred, label='Predicted')
plt.title('Testing Set')
plt.xlabel('Time (h)')
plt.ylabel('kWh')
plt.legend()
plt.show()

需要注意的是，以上代码中的`data.csv`文件应该放在与Python脚本同一目录下，并且数据文件中不应该有表头行。另外，该代码中的LSTM模型是一个非常简单的模型，如果需要更高的预测精度，需要进行更复杂的模型设计和参数调整。