写一段python代码，读取一个csv文件，该文件没有表头，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90%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

下面是一段读取CSV文件、预处理数据、构建LSTM模型、训练模型、预测并评估模型的示例代码：

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

# 读取CSV文件
df = pd.read_csv('data.csv', header=None, names=['time', 'value'])

# 将时间序列作为索引，并将数据转换为NumPy数组
df.set_index('time', inplace=True)
data = df.values

# 将数据集划分为训练集和测试集
train_size = int(len(data) * 0.9)
train_data, test_data = data[:train_size], data[train_size:]

# 对数据进行归一化
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数据
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)

# 将数据集重塑为LSTM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(50, input_shape=(look_back, 1)))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')

# 训练模型
model.fit(X_train, Y_train, epochs=100, batch_size=1, verbose=2)

# 预测数据
train_predict = model.predict(X_train)
test_predict = model.predict(X_test)
train_predict = scaler.inverse_transform(train_predict)
Y_train = scaler.inverse_transform([Y_train])
test_predict = scaler.inverse_transform(test_predict)
Y_test = scaler.inverse_transform([Y_test])

# 计算RMSE
train_rmse = np.sqrt(np.mean(np.power((Y_train - train_predict), 2)))
print('Training RMSE: %.2f' % train_rmse)
test_rmse = np.sqrt(np.mean(np.power((Y_test - test_predict), 2)))
print('Testing RMSE: %.2f' % test_rmse)

# 绘制训练集真实值和预测值图像
train_plot = np.empty_like(data)
train_plot[:, :] = np.nan
train_plot[look_back:len(train_predict)+look_back, :] = train_predict

plt.figure(figsize=(10, 6))
plt.plot(scaler.inverse_transform(data), label='True Value')
plt.plot(train_plot, label='Train Predict')
plt.xlabel('Time/h')
plt.ylabel('kwh')
plt.title('Training Set')
plt.legend()
plt.show()

# 绘制测试集真实值和预测值图像
test_plot = np.empty_like(data)
test_plot[:, :] = np.nan
test_plot[len(train_predict)+(look_back*2):len(data), :] = test_predict

plt.figure(figsize=(10, 6))
plt.plot(scaler.inverse_transform(data), label='True Value')
plt.plot(test_plot, label='Test Predict')
plt.xlabel('Time/h')
plt.ylabel('kwh')
plt.title('Testing Set')
plt.legend()
plt.show()

这段代码假设您的数据文件名为"data.csv"，时间序列和充电量数据分别在第一列和第二列。您可以根据自己的数据文件进行调整。