1.一种机车能耗智能预测方法，其特征在于，包括以下步骤：

1)采集机车行驶及车况数据、机车车外环境数据；所述机车行驶及车况数据包括历史驾驶数据与机车运行监控日志、机车在行驶过程中的指定时间间隔内的稳定的行驶速度能耗值、行驶速度、机车行驶档位、道路坡度损耗功率；所述机车车外环境数据包括指定时间间隔内的降雨阻力、道路积水阻力，风阻能耗，积雪能耗，温度能耗，指定区域能耗；

2)将所述机车行驶及车况数据作为RBF神经网络的输入，训练所述RBF神经网络，获得机车车辆行驶能耗控制智能预测模型；将所述机车车外环境数据作为GRU深度神经网络的输入，训练所述GRU深度神经网络，获得智能机车环境能耗预测模型；

3)融合所述机车车辆行驶能耗控制智能预测模型、机车环境能耗智能预测模型，得到能耗预测模型；

4)将实时采集的机车行驶及车况数据、机车车外环境数据输入所述能耗预测模型，智能预测机车能耗；

利用狼群‑模拟退火算法寻找所述RBF神经网络的最佳权值和阈值的具体实现过程包括：

A1、设定第一适应度函数，并确定初始最优头狼位置和迭代次数t；初始化模拟退火算法循环迭代次数t2；依次将个体狼位置对应的参数值输入RBF神经网络，RBF神经网络对应所述参数值的输出作为初始值，利用个体狼位置确定智能机车耗能参数的权重计算结果，将计算结果和实际能耗值的均方差MSE的倒数作为第二适应度函数；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；

A2、以个体狼的第二适应度函数相对初始值更新狼群位置参数，获得更新后的最优头狼位置；

A3、判断是否到达优化精度要求或达到最大迭代次数，若否，则令t的值加1，转至步骤A4；若是，转至步骤A7；

A4、对本次迭代中的最优头狼个体进行模拟退火操作，在得到的最优头狼位置bi邻域内随机选择新的位置bj，并计算bi与bj的适应度之差Δf＝f(bi)‑f(bj)，计算选择概率P＝exp(‑Δf/Ti)，Ti为当前温度；如果P＞random[0，1)，则将当前头狼位置由bi替换为bj，进入步骤A5；否则，重复步骤A4；

A5、t2的值加1，返回步骤A4；

A6、若t2＜Lmax，转至步骤A5；否则，转至步骤A7；其中，Lmax为最大退火迭代次数；

A7、当达到最大搜索精度或最大迭代次数时，输出最新的头狼位置向量，将该最新的头狼位置向量作为所述RBF神经网络的最佳权值和阈值；

若未达到最大搜索精度或最大迭代次数，则将t的值加1，返回步骤A3；

利用蝙蝠算法寻找所述GRU深度神经网络的最佳权值和阈值的具体实现过程包括：

B1、初始化蝙蝠的频率、速度和位置，在[fmin,fmax]区间内随机生成个体蝙蝠发出的频率，在搜索空间中[vmin,vmax]和[Xmin,Xmax]区间内随机初始化蝙蝠的速度和位置；初始化蝙蝠i的脉冲速率和响度；

B2、利用下式更新蝙蝠i的速度vid(t)和位置xid(t)：

其中，vid(t)、vid(t+1)分别为第t、t+1代蝙蝠i的第d维速度；xid(t)、xid(t+1)分别为第t、t+1代蝙蝠i的第d维位置；w为惯性权重；θ,β分别为前期搜索、后期搜索的切换系数，cj是常数，k是0到1之间的随机数，nid(t)为当前蝙蝠i第d维的中值导向加速度，aid(t)为当前蝙蝠i第d维的动力加速度，pjd(t)为第t代蝙蝠j的个体最优蝙蝠第d维位置；

B3、设第t次迭代蝙蝠i的脉冲速率为ri(t)，rand是在(0,1)区间内的随机数,如果有rand＞ri(t)，从当前个体蝙蝠位置xid(t)中任选一个位置X1进行局部搜索，获得新解X2＝X1+ρAi(t),ρ为[‑1,1]区间的随机系数,Ai(t)为蝙蝠i在第t次迭代中的平均响度；

B4、根据所述新解计算目标函数的适应值，如果满足条件rand＜Ai(t)，则以B3中新解X2更新蝙蝠i的个体最优蝙蝠位置pi；

B5、判断是否达到最大迭代次数或者达到最大搜索精度，若否，迭代次数加1，并利用下式更新脉冲速率ri(t)和响度Ai(t)：Ai(t+1)＝σAi(t)，ri(t+1)＝ri(t)[1‑exp(‑h(t+1))]，转到步骤B4；若是，则输出个体最优蝙蝠位置，该个体最优蝙蝠位置即为GRU深度神经网络的最佳权值和阈值；其中，Ai(t+1)为蝙蝠i在第t+1次迭代中的响度；ri(t+1)为蝙蝠i在第t+

1次迭代的脉冲速率；σ为响度衰弱因子，且σ为[0,1]区间的常量；h为脉冲频度增加系数，且h为大于0的常量。

2.根据权利要求1所述的机车能耗智能预测方法，其特征在于，步骤2)中，所述机车车辆行驶能耗控制智能预测模型的具体训练过程包括：以所述历史驾驶数据与机车运行监控日志、机车在行驶过程中的指定时间间隔内的稳定的行驶速度能耗值、行驶速度、机车行驶档位、道路坡度损耗功率为RBF神经网络的输入，间隔时间T后的机车车辆行驶能耗为RBF神经网络的输出，利用狼群‑模拟退火算法寻找所述RBF神经网络的最佳权值和阈值，该最佳权值和阈值对应的RBF神经网络即为机车车辆行驶能耗控制智能预测模型。

3.根据权利要求1所述的机车能耗智能预测方法，其特征在于，步骤2)中，所述机车环境能耗预测模型的获取过程包括：以所述降雨阻力、道路积水阻力，风阻能耗，积雪能耗，温度能耗，指定区域能耗为GRU深度神经网络的输入，间隔时间T后的机车环境能耗为GRU深度神经网络的输出，利用蝙蝠算法寻找所述GRU深度神经网络的最佳权值和阈值，该最佳权值和阈值对应的GRU深度神经网络即为机车环境能耗智能预测模型。

4.根据权利要求1～3之一所述的机车能耗智能预测方法，其特征在于，所述能耗预测模型 表达式为：其中， 为机车车辆行驶能耗控制智能预测模型输出的预测结果； 为机车环境能耗智能预测模型输出的预测结果；w1、w2为权重系数，w1、w2通过蚁群－帝国竞争算法确定。

5.一种的机车能耗智能预测系统，其特征在于，包括计算机设备；所述计算机设备被配置或编程为用于执行权利要求1～4之一所述方法的步骤。