电动车技术详解:跨学科探索与工程奥秘

需积分: 9 5 下载量 39 浏览量 更新于2024-07-16 收藏 5.17MB PDF 举报
"《电动汽车技术详解》是一本深入探讨电动车辆科技的综合性著作,由詹姆斯·拉明和约翰·劳瑞共同编撰,他们分别来自牛津布鲁克斯大学和英国Acenti设计有限公司。这本书不仅涵盖了电动汽车的核心原理,还涉及到与之相关的科学和工程多个领域,体现了电动汽车技术的跨学科性质。作者在书中表达了对众多给予指导、信息支持和图片贡献的公司和组织的感谢,这些公司的参与使得本书的编写得以顺利进行。 内容上,本书详细介绍了电动车辆的工作原理,包括电力驱动系统、电池技术、充电基础设施、能源效率、以及电动汽车对环境的影响等关键知识点。它可能会涉及电动机的类型和性能,电池储能技术的进步,如锂离子电池、固态电池等,以及电池管理系统如何确保电池安全和优化性能。此外,书中还会讨论到电动汽车的控制系统,如电力电子转换器和能量回收系统,这些都是实现高效能和舒适驾驶体验的重要组成部分。 书中还会涉及电动汽车的设计和制造过程,包括轻量化材料的应用、模块化设计以及与传统内燃机车辆相比在成本、维护和生命周期内的整体经济性分析。对于政策制定者和行业从业者来说,书中可能还会涵盖电动汽车的政策环境、市场趋势和未来预测,以及充电基础设施的规划和建设策略。 版权方面,该书受到《1988年版权、设计和专利法》的保护,未经版权所有者约翰威利父子有限公司授权,任何形式的复制、存储、传播或通过电子、机械、复印、录音、扫描等方式均需遵守相关规定。购买者如有任何版权查询或许可请求,应直接联系出版社的许可部门。 《电动汽车技术详解》是一部既全面又深入的参考书籍,旨在为读者提供准确且权威的信息,帮助理解电动汽车技术的各个方面,并为行业专业人士、研究学者和政策制定者提供实用的洞见和指导。"

import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn import datasets from mpl_toolkits.mplot3d import Axes3D from sklearn.decomposition import PCA from sklearn.preprocessing import StandardScaler data=pd.read_csv('H:/analysis_results/mean_HN.csv') data.head() x=data.iloc[:,1:7] y=data.iloc[:,6] scaler=StandardScaler() scaler.fit(x) x_scaler=scaler.transform(x) print(x_scaler.shape) pca=PCA(n_components=3) x_pca=pca.fit_transform(x_scaler) print(x_pca.shape) #查看各个主成分对应的方差大小和占全部方差的比例 #可以看到前2个主成分已经解释了样本分布的90%的差异了 print('explained_variance_:',pca.explained_variance_) print('explained_variance_ratio_:',pca.explained_variance_ratio_) print('total explained variance ratio of first 6 principal components:',sum(pca.explained_variance_ratio_)) #将分析的结果保存成字典 result={ 'explained_variance_:',pca.explained_variance_, 'explained_variance_ratio_:',pca.explained_variance_ratio_, 'total explained variance ratio:',np.sum(pca.explained_variance_ratio_)} df=pd.DataFrame.from_dict(result,orient='index',columns=['value']) df.to_csv('H:/analysis_results/Cluster analysis/pca_explained_variance_HN.csv') #可视化各个主成分贡献的方差 #fig1=plt.figure(figsize=(10,10)) #plt.rcParams['figure.dpi'] = 300#设置像素参数值 plt.rcParams['path.simplify'] = False#禁用抗锯齿效果 plt.figure() plt.plot(np.arange(1,4),pca.explained_variance_,color='blue', linestyle='-',linewidth=2) plt.xticks(np.arange(1, 4, 1))#修改X轴间隔为1 plt.title('PCA_plot_HN') plt.xlabel('components_n',fontsize=16) plt.ylabel('explained_variance_',fontsize=16) #plt.savefig('H:/analysis_results/Cluster analysis/pca_explained_variance_HN.png') plt.show()报错'numpy.float64' object is not iterable,如何修改

2023-06-10 上传