1.一种机电变换器控制系统中充电器充电预测方法，其特征在于：包括以下步骤：步骤1、获取机电变换器控制系统中充电器历史充电数据信息和当前数据信息；

历史充电数据信息至少包括充电器性能参数、日充电周期天数、周充电周期天数、年充电周期天数和故障数据周期；

当前充电数据信息至少包括充电器性能参数、充电时长、已经使用时长、历史故障数据信息、充电器使用寿命和充电器寿命；

步骤2、构建卷积神经网络模型，将步骤1中的各种数据信息转化为神经网络结构；通过构建的图卷积神经网络实现充电数据信息的计算；

步骤3、在卷积神经网络模型中加入Volterra模型，以提高卷积神经网络模型的计算速度，提高搜索卷积神经网络的最优权值和阈值的能力；其中所述卷积神经网络模型为基于CNN神经网络模型的模型；

步骤4、充电器充电数据预测，设置机电变换器控制系统中充电器充电数据的阈值，判断当前充电量的数据值，将当前充电器的充电数据与设置的充电器充电数据阈值进行比较；输出判断结果；

步骤5、通过多次迭代计算，通过故障诊断方法实现充电数据信息预测。

2.根据权利要求1所述的一种机电变换器控制系统中充电器充电预测方法，其特征在于：在步骤1中，获取机电变换器控制系统中充电器历史充电数据信息的方法通过查阅历史数据库数据信息；获取机电变换器控制系统中充电器当前充电数据信息的方法是通过状态检测电路实现，其中所述状态检测电路采用LM239D四路电压比较器的检测电路。

3.根据权利要求2所述的一种机电变换器控制系统中充电器充电预测方法，其特征在于：检测电路检测充电器当前数据信息的方法为：LM239D四路电压比较器设置为三路数据信息，三路电压比较器的比较阈值分别设置为+10V、+7V和+5V；三个输出的逻辑数值可以结合起来确定相应的充电状态，并在比较器输入端增加MMBD4148SE型开关二极管，将输入CP信号电压范围钳制在‑12V至+12V；电压比较器每次输出信号后，还采用TLP121型光电耦合器将CP信号隔离后输出检测结果，数据检测信息至少包括电压、电流和功率，检测状态至少包括健康工作状态、疲惫工作状态和劳损工作状态。

4.根据权利要求1所述的一种机电变换器控制系统中充电器充电预测方法，其特征在于：CNN神经网络模型包括输入层、卷积层、线性整流层、池化层、全连接层和Volterra模型，其中所述输入层的输出端与所述卷积层的输入端连接，所述卷积层的输出端与线性整流层的输入端连接，所述线性整流层的输出端与所述池化层的输入端连接，所述池化层的输出端与所述全连接层的输入端连接，所述Volterra模型为所述CNN神经网络模型的输出端。

5.根据权利要求4所述的一种机电变换器控制系统中充电器充电预测方法，其特征在于：所述CNN神经网络模型的工作方法为:在输入层输入充电器的数据信息和机电变换器控制系统的运行状态数据信息，CNN神经网络模型前一层输入的特征矩阵 与学习的卷积核 进行二维卷积，卷积后的二者数据信息经过激活函数输出特征矩阵 ，并且三者之间的维度满足 ，则输入层输出函数记作为：                  （1）

式（1）中，是CNN神经网络模型卷积分网络层数，为卷积核，为偏置， 为 层输出，为 层输入； 表示在CNN神经网络模型中 层具有的卷积核，其中 的下标 表示第个卷积层的初始值， 的上标 表示卷积分网络层数，然后对输入的CNN神经网络模型的数据信息进行降维处理，则卷积层输出数据信息函数为：                    （2）

机电变换器控制系统运行过程中充电器输出的实际参数数据信息 为：

         （3）

式（3）中， 为通过第一层卷积分输出的参数数据信息， 为通过第二层卷积分输出的参数数据信息， 为通过第 层卷积分输出的参数数据信息， 为通过第一层卷积分输出的卷积分处理信息， 为通过第二层卷积分输出的卷积分处理信息， 为通过第 层卷积分输出的卷积分处理信息，为通过第一层卷积分输出的所有充电器预测数据信息值，则误差函数输出为：                      （4）

式（4）中，充电器输出的实际输出数据信息 与理想状态下输出的数据信息 的差异； 理论误差输出值， 表示实际输出值；

然后在进行权值调整，按最小化误差的方法调整权值矩阵，在随后的数据输出时，当EP的值介于0和1时，表示充电器处于健康状态，当EP的值大于1时，表示充电器正在使用过程中，并且仍旧余电，当EP的值大于2时，表示充电器濒临充电，当EP的值大于3时，表示充电器无电，需要充电，当EP的值大于4时，表示充电器处于劳损状态，通过这种方式识别和计算，大大提高了充电器应用能力。

6.根据权利要求1所述的一种机电变换器控制系统中充电器充电预测方法，其特征在于：沃尔泰拉Volterra模型构建如下：充电器充电信息定义为初始离散函数为：

                       (5)

式中 表示充电器运行状态下产生的电负荷数值， 表示电负荷产生时机电变换器控制系统运行状态， 表示机电变换器控制系统运行状态下充电器输出下一个时段电负荷量；

机电变换器控制系统在不同时间段输出的运行数据变化为：

                  (6)

其中 表示机电变换器控制系统在充电器输出下一个时间段电负荷后预测数据，在已知当前机电变换器控制系统运行状态下，对充电器预测电负荷数值函数为：                      (7)

式中 表示机电变换器控制系统下一个时间段运行中产生的电负荷数据预测值，则Volterra模型记作为：                (8)

式（4）中， 表示机电变换器控制系统处于正常工作状态下充电器自适应预测系数，表示对充电器充电过程中进行预测的预测函数基准值， 表示机电变换器控制系统运行中的系统电负荷输入值， 是机电变换器控制系统后续工作状态下对充电器进行预测得到的多形态电负荷数值；

机电变换器控制系统在正常工作状态下，充电器当前预测函数为：

       (9)

其中真实的预测值与理想的预测值之差：

   (10)。

7.一种机电变换器控制系统中充电器充电预测装置，包括以下模块:

FPGA控制模块,用于控制电变换器控制系统中充电器充电预测；

数据采集模块,获取机电变换器控制系统中充电器历史充电数据信息和当前数据信息；

计算模块,构建卷积神经网络模型，将数据采集模块采集各种数据信息转化为神经网络结构；通过构建的图卷积神经网络实现充电数据信息的计算；在卷积神经网络模型中加入Volterra模型，以提高卷积神经网络模型的计算速度，提高搜索卷积神经网络的最优权值和阈值的能力；

预测模块，用于实现充电器充电数据预测，设置机电变换器控制系统中充电器充电数据的阈值，判断当前充电量的数据值，将当前充电器的充电数据与设置的充电器充电数据阈值进行比较；输出判断结果；

数据输出模块，通过多次迭代计算，通过故障诊断方法实现充电数据信息预测；其中：所述FPGA控制模块分别与计算模块和数据输出模块连接，所述数据采集模块输出端与计算模块连接，所述计算模块的输出端与预测模块的输入端连接。