1.一种融合风环境的无人驾驶车辆电源实时监控方法，其特征在于，包括以下步骤：步骤1：获取训练数据；

所述训练数据包括无人驾驶车辆在行驶过程中的间隔时间T内的能耗值、行驶距离和耗电量，所述能耗值包括风阻能耗值、坡度能耗值以及温度能耗值；

所述风阻能耗值由无人驾驶车辆在间隔时间T内的相对风速累加获得，所述相对风速大小是指车辆外部风速与车速的差值；

所述坡度能耗值由无人驾驶车辆在间隔时间T内的爬坡因子对时间进行积分获得，爬坡因子为β，β＝0.02*cos(α)+sin(α)，α为无人驾驶车辆在行驶过程中的对离散时刻采集的坡度角值进行线性拟合得到的随时间连续变化的坡度角；

所述温度能耗值由无人驾驶车辆在间隔时间T内的车内温度与车外温度的差值累加获得；

所述行驶距离由无人驾驶车辆在间隔时间T内的车速对时间进行积分获得；

步骤2：构建基于Elman神经网络的相对风速预测模型；

利用训练数据中的无人驾驶车辆相对风速时间序列中的连续n个时刻的相对风速作为输入数据，第n+1个时刻的相对风速作为输出数据，对Elman神经网络模型进行训练，构建基于Elman神经网络的相对风速预测模型；

步骤3：基于能耗值和行驶距离构建基于灰色神经网络的耗电量预测模型；

以无人驾驶车辆在间隔时间内风阻能耗值、坡度能耗值、温度能耗值以及行驶距离作为输入数据，以无人驾驶车辆在间隔时间内的耗电量作为输出数据，对灰色神经网络模型进行训练，构建基于灰色神经网络的耗电量预测模型；

步骤4：构建云端路径上各经纬度行车数据库；

所述云端路径上各经纬度行车数据库包括各经纬度点上的车速、坡度角以及相邻参考经纬度之间的行驶时间；

对路径上的经纬度进行等间距划分，获得参考经纬度，相邻参考经纬度之间间距为2米，将云端共享服务器中所有在该路径上行驶的车辆获取车速、坡度角时的经纬度依据距离最近原则，划分到与该路径上最近的参考经纬度，依次以同一参考经纬度上的所有车辆车速中值、均值以及众数值和坡度角的均值，分别作为参考经纬度上的云端车速的三种取值和坡度角，并分别按照前一参考经纬度上的各种云端车速行驶至下一参考经纬度，获取相邻参考经纬度之间的各种行驶时间；

若所述无人驾驶车辆与云端路径上各经纬度行车数据库中坡度角数据所属车辆的行驶方向一致，则提取对应坡度角数据；若行驶方向相反，则提取对应坡度角数据的负值数据；若存在某路段空缺数据，则位于该路段上的坡度角为零；

步骤5：基于无人驾驶车辆实时数据，利用三种云端车速，获取未来设定间隔时间内三种风阻能耗值、行驶距离和坡度能耗值，以及在未来设定间隔时间内的温度能耗值；

利用无人驾驶车辆实时采集的外部风速和车速，利用基于Elman神经网络的相对风速预测模型，获得未来设定间隔时间内的相对风速，并计算未来设定间隔时间内的三种风阻能耗值；

同时利用无人驾驶车辆所在的经纬度，依据云端路径上的相邻参考经纬度之间的三种行驶时间数据，确定无人驾驶车辆在经过未来设定间隔时间后所处的三种经纬度位置，并从云端获取在未来路径上在未来设定间隔时间内的经过各经纬度时的三种云端车速和云端坡度角，计算未来设定间隔时间内三种行驶距离和坡度能耗值；

利用无人驾驶车辆实时采集的车内外温度的差值在未来设定间隔时间内的累加值作为未来设定时间内的温度能耗值；

步骤6：利用步骤5获得的在未来设定间隔时间内的温度能耗值以及三种风阻能耗值、行驶距离、坡度能耗值，分三次输入基于灰色神经网络的耗电量预测模型，获得在未来设定间隔时间内的三种耗电量值；

步骤7：从步骤6获取的三种耗电量值中选出最大耗电量，作为未来设定间隔时间内无人驾驶车辆最终的耗电量预测值，并以三种耗电量值中的最小耗电量对应输入的行驶距离，获取未来设定时间内平均车速，作为无人驾驶车辆指导车速。

2.根据权利要求1所述的方法，其特征在于，所述基于Elman神经网络的相对风速预测模型在训练时设置输入层节点个数为3，隐含层节点个数为7，输出层节点个数为1，承接层节点个数为7；隐含层函数采用Sigmoid函数，网络的训练采用BP算法，最大迭代次数设置为

1000，训练学习率为0.1，阈值为0.001，且所述基于Elman神经网络的相对风速预测模型的权值和阈值采用水循环算法进行优化选择获得。

3.根据权利要求2所述的方法，其特征在于，所述基于Elman神经网络的相对风速预测模型的权值和阈值采用水循环算法进行优化选择获得的过程如下：步骤A1：将降雨层作为基于Elman神经网络的相对风速预测模型的权值和阈值，初始化降雨层种群，并设置降雨层初始化参数；

降雨层种群规模的取值范围为[30,200]，河流和海洋的取值范围为[5,15]，海洋个数

1，极小值的取值范围为[0.01,0.1]，最大迭代次数的取值范围为[300,1000]，最大搜索精度的取值范围为[0.001,0.1]；

步骤A2：设定适应度函数，并确定初始最优降雨层和迭代次数t，t＝1；

将降雨层对应的权值和阈值代入基于Elman神经网络的相对风速预测模型中，并利用降雨层确定基于Elman神经网络的相对风速预测模型计算下一时刻的风速预测值，将风速预测值和实际值的差值E构建第一适应度函数f1(x)，f1(x)＝1/(E+1)；

利用第一适应度函数计算每个降雨层的适应度，以最大适应度对应的降雨层作为大海，以第二大适应度的降雨层作为河流，其余的降雨层作为流入大海或者河流的溪流；

步骤A3：使溪流汇入河流，如果发现溪流的解比河流的解更好，则它们相互交换位置；

步骤A4：使河流流入大海，若河流的解比大海的解更好，则他们相互交换位置，以最终大海作为最优解；

步骤A5：检查是否满足蒸发条件；判断河流和大海的适应度值之差的绝对值是否小于极小值；

如果小于，则认为满足降雨条件，去掉该河流，并重新进行降雨过程，随机生成新的降雨层，重新计算降雨层种群各降雨层的适应度，返回步骤A3，否则，进入步骤A6；

步骤A6：判断是否达到最大迭代次数或者满足搜索精度要求，若达到，则输出最优大海对应的基于Elman神经网络的相对风速预测模型的权值和阈值，若未达到，则令t＝t+1，返回步骤A3，继续下一次迭代。

4.根据权利要求1所述的方法，其特征在于，所述基于灰色神经网络的耗电量预测模型设置输入层节点个数为4，隐含层节点个数为8，输出层节点个数为1；训练过程中的最大迭代次数设置为1000，训练学习率为0.1，阈值为0.001；

其中，所使用的基于灰色神经网络的耗电量预测模型的权值和阈值采用狼群算法进行优化选择获得。

5.根据权利要求4所述的方法，其特征在于，所述基于灰色神经网络的耗电量预测模型中的权值和阈值采用狼群算法进行优化选择获得，具体过程如下：步骤B1：初始化狼群并设置狼群参数；

狼群规模的取值范围为[10,150]，步长因子的取值范围为[1000,3000]，探狼比例因子的取值范围为[4,10]，最大游走次数的取值范围为[5,20]，距离判定因子的取值范围为[100,500]，最大奔袭次数的取值范围为[5,20]，更新比例因子的取值范围为[2,20]，最大迭代次数的取值范围为[200,2000]，最大搜索精度的取值范围为[0.01,0.1]；

步骤B2：设定适应度函数，并确定初始最优头狼位置和迭代次数t，t＝1；

依次将个体狼位置对应的参数值带入基于灰色神经网络的耗电量预测模型中，并利用个体狼位置确定的基于灰色神经网络的耗电量预测模型的计算结果，将计算结果和实际值的均方差MSE的倒数作为第二适应度函数f2(x)，f2(x)＝1/MSE；

利用第二适应度函数计算每个个体狼位置的适应度，以最大适应度 对应的个体狼位置作为初始最优头狼位置步骤B3：探狼游走；

从狼群中选取适应度最大的狼作为头狼，并随机选取探狼；计算探狼在各方向的适应度，并使探狼向适应度最大的方向探索，当某只探狼适应度大于头狼或者达到最大游走次数时，游走结束，进入步骤B4；

步骤B4：猛狼奔袭；

除头狼与探狼之外的个体狼均为猛狼，猛狼向头狼所在方向奔袭，并不断计算猛狼位置的适应度；

若某猛狼位置适应度高于头狼位置适应度，则更新头狼，且其余猛狼改为向当前头狼奔袭，当猛狼与当前头狼距离小于判定距离时，该猛狼奔袭停止，当所有猛狼奔袭停止或达到最大奔袭次数时，奔袭结束，狼群进入围攻状态，进入步骤B5；

步骤B5：除当前头狼以外所有个体狼均向头狼方向前进一步，依次判断向前进一步后的个体狼位置适应度是否优于未向前进一步的位置的适应度，若是，则将向前进一步的位置作为个体狼的新的位置，否则，若适应度降低，则个体狼保持原位置不变；

步骤B6：完成围攻行为后，狼群中所有个体狼按照当前适应度由高到低排序，适应度最高的个体狼设为头狼，排名靠后的个体狼被淘汰，并重新随机生成新的个体狼；

步骤B7：当达到最大搜索精度或最大迭代次数时，输出最新的头狼对应的基于灰色神经网络的耗电量预测模型的最优权值和阈值，否则，令t＝t+1，返回步骤B3，继续下一次迭代。

6.根据权利要求1-5任一项所述的方法，其特征在于，通过在无人驾驶车辆两侧设置辅助风速计，顶部设置主风速计，采集辅助风速和主风速数据，以两个同时采集的辅助风速作为输入数据，对应时刻采集的主风速数据作为输出数据，训练小波神经网络模型，得到基于小波神经网络的风速融合模型；

基于小波神经网络的风速融合模型输入层节点个数为2，隐含层小波元个数为4，输出层节点个数为1；隐层小波神经元采用Mexican Hat小波函数，输出层节点采用Sigmoid函数，训练过程中的最大迭代次数设置为1000，训练学习率为0.01，阈值为0.0004。

7.根据权利要求6所述的方法，其特征在于，当需要预测耗电量的未来设定时间超过设定的间隔时间T时，将需要预测耗电量的未来设定时间按照设定的间隔时间T进行等分划分，对划分后每个未来间隔时间单元T内的行驶距离和能耗值进行预测和计算，并输入基于灰色神经网络的耗电量预测模型，获得每个的未来间隔时间单元T内的耗电量，将所有的未来间隔时间单元T内的耗电量按时序进行叠加，得到所需预测的未来时间内的耗电量。

8.一种融合风环境的无人驾驶车辆电源实时监控装置，其特征在于，包括：

GPRS无线通信系统，用于从云端共享服务器获取云端路径数据；

云端共享服务器，用于获取和储存所有无人驾驶车辆在相同道路上行驶时各经纬度处的坡度角、车速以及行驶方向；

车载GPS导航系统，用于获取无人驾驶车辆行驶时的当前经纬度，并计算路径长度和预测行驶时间；

路况检测系统，包括设置在无人驾驶车辆上的陀螺仪和车速检测器，其中，所述陀螺仪实时记录无人驾驶车辆在行驶过程中的仰俯角，且以所述仰俯角作为路面的坡度角，仰角为正值代表上坡，俯角为负值代表下坡；所述车速检测器实时检测无人驾驶车辆的车速；

风速检测系统，包括设置在车顶中间的主风速计和两个分别设置在车辆两侧的辅助风速计，用于测量车辆外部风速；

重力感应设备，包括三个重力感应器，分别安装在主驾驶座下，副驾驶座下，后排座位中间位置下方，用于检测各个座位重量大小判断是否有人坐下；

温度检测系统，包括一个车外温度检测器和三个车内温度传感器；车外温度传感器安装在车前保险杠上，用于检测车外温度；三个车内温度传感器分别安装在主驾驶座前，副驾驶座前，后排座位中间，用于检测车内三处位置的温度；车内温度根据所得座位重量数据是否超过设定重量阈值来选取对应座位处采集的车内温度数据，以所选座位处采集的温度取平均值作为车内温度；

电量检测设备，用于实时检测当前剩余电量信息；

耗电量预测系统，采用权利要求1-7任一项所述的方法，对车载GPS导航系统，路况检测系统，风速检测系统，重力感应设备，温度检测系统以及电量检测设备获取的数据进行未来设定时间内无人驾驶车辆的耗电量预测。