描述：储能飞轮是一种能够将电能转化为机械能并储存起来的设备，其转速是一个重要的性能指标。 为了提高储能飞轮的效率和稳定性，我们需要能够准确地预测其转速。 假设我们有一些关于储能飞轮的实验数据，包括飞轮电压、负载电流、环境温度等特征，以及储能飞轮的转速。 我们的目标是使用这些特征来训练一个模型，能够预测储能飞轮的转速。 要求： 1. 使用python实现储能飞轮转速预测模型。 2. 使用scikit-learn库中的线性回归模型对数据进行拟合。 3. 使用均方误差（MSE）和决定系数（R2）评估模型的性能。

以下是一个简单的Python代码，用于实现储能飞轮转速预测模型：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score

# 读取数据
data = pd.read_csv('data.csv')

# 提取特征和标签
X = data[['voltage', 'current', 'temperature']]
y = data['speed']

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# 创建线性回归模型并进行拟合
reg = LinearRegression()
reg.fit(X_train, y_train)

# 预测测试集的转速
y_pred = reg.predict(X_test)

# 计算模型性能指标
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)

# 打印模型性能指标
print('均方误差（MSE）:', mse)
print('决定系数（R2）:', r2)

上述代码中，我们使用了pandas库来读取CSV数据文件，并用train_test_split()函数将数据集分为训练集和测试集。然后，我们创建了一个线性回归模型，并使用fit()方法对训练集进行拟合。接着，我们使用predict()方法对测试集进行预测，并计算了均方误差（MSE）和决定系数（R2）来评估模型的性能。最后，我们打印出这些性能指标。