1.一种智能充电桩的控制方法，其特征在于：所述方法包括以下步骤：响应于充电请求，获取待充电电池的参数信息，并根据所述待充电电池的参数信息生成初始充电方案；

获取电网负荷信息，根据所述电网负荷信息对所述初始充电方案进行修正，并生成最终充电方案；

其中，对所述初始充电方案进行修正包括对充电起始时刻的修正，所述对充电起始时刻进行修正的步骤则包括有：根据所述待充电电池的参数信息确定待充电电池的身份信息，并获取对应的历史充电数据；

从所述历史充电数据中提取出所述待充电电池与充电桩相连接的连接时刻T1、初始电池电量SOC1以及连接时长ΔT；

以所述连接时刻T1和所述初始电池电量SOC1为输入、以所述连接时长ΔT为输出构建并训练分类模型，获得电池连接时长预测模型；

通过所述电池连接时长预测模型对所述待充电电池参数信息进行处理，获得所述待充电电池的预测连接时长；

当所述预测连接时长大于所述初始充电方案中的充电时长时，则对所述充电起始时刻进行修正，否则不修正。

2.根据权利要求1所述的方法，其特征在于：所述充电请求中还携带有优先级信息，则在对所述充电起始时刻进行修正时，基于所述优先级信息调整适配于所述充电起始时刻的修正量。

3.根据权利要求1所述的方法，其特征在于：在从所述历史充电数据中提取出连接时长ΔT后，还需要进行预处理，包括：通过聚类算法对所述连接时长ΔT进行分类，根据分类结果确定最优类别数、类间距离、类中心点；

记录各所述连接时长ΔT所对应的类别，并将其作为模型训练时的输出使用。

4.根据权利要求3所述的方法，其特征在于：所述通过聚类算法对所述连接时长ΔT进行分类，并根据分类结果确定最优类别数、类间距离、类中心点的步骤包括：遍历搜索多个不同类别数，并对于每个类别数，分别基于kmeans聚类分析算法解算类中心点、类内距离、类间距离；

根据类内距离和类间距离的比例值、类内距离和类间距离的比例值的变化趋势综合确定最优类别数、类间距离、类中心点。

5.根据权利要求1所述的方法，其特征在于：基于深度神经网络算法构建并训练所述分类模型。

6.根据权利要求1所述的方法，其特征在于：所述电网负荷信息包括电网日可用负荷曲线的实时数据和历史数据，则所述根据所述电网负荷信息对所述初始充电方案进行修正的步骤包括：基于所述历史数据预测所述实时数据的未来值，获得电网当日可用负荷曲线；基于削峰填谷的原则对所述初始充电方案进行修正。

7.根据权利要求1所述的方法，其特征在于：所述待充电电池的参数信息包括电池SOC，所述初始充电方案包括基于所述电池SOC的数值进行划分的三个充电阶段，即预充阶段、快充阶段和去极化阶段；所述预充阶段为恒流充电过程，所述快充阶段为脉冲充电过程，所述去极化阶段为正负脉冲充电过程；

其中，对所述初始充电方案进行修正还包括对充电参数的修正；其中，在预充阶段，所述充电参数包括充电电流的大小；在快充阶段，所述充电参数包括脉冲电流的大小和时长、脉冲周期；在去极化阶段，所述充电参数包括正脉冲的大小和时长、负脉冲的大小和时长、正负脉冲周期。

8.一种智能充电桩的控制系统，其特征在于：包括：

获取模块，用于获取待充电电池的参数信息以及电网负荷信息；

方案生成模块，用于根据所述待充电电池的参数信息生成初始充电方案；

方案修正模块，用于根据所述电网负荷信息对所述初始充电方案进行修正，生成最终充电方案。

9.一种电子设备，其特征在于：包括存储有可执行程序代码的存储器以及与所述存储器耦合的处理器；其中，所述处理器调用所述存储器中存储的可执行程序代码，执行如权利要求1‑7任一项所述的方法。

10.一种计算机可读存储介质，存储有计算机程序，其特征在于：所述计算机程序被处理器运行时执行如权利要求1‑7任一项所述的方法。