1.一种充电站供能方法，其特征在于，包括：构建CNN‑LSTM神经网络模型，分别根据充电需求数据预测指导功率，根据环境数据和储能电站状态数据预测可用功率；根据预测的可用功率和指导功率为各充电站中的充电车辆进行功率分配；所述功率分配是通过计算各充电站的功率分配系数，按照功率分配系数比例来分配系统总功率；

计算各充电站的功率分配系数，公式如下：

式中：Qm,n(t)为第m个电站第n辆车的功率分配系数，SOCm,n(t)为该辆车的剩余电量，Tc为单位周期时间，TL为电池充满时间，Pm为预测的第m个电站的指导功率，Pmes为预测的第m个电站的可用功率，ACt1和DCt1分别为站内交流供电满足指导功率时的车辆数量、站内直流供电满足指导功率时的车辆数量，ACt和DCt分别为站内使用交流供电和直流供电的车辆数量，Pex表示是否接入外部电网供能，Pw(t)为电网补充功率， 为第m个电站第n辆车的分配的交流功率， 为第m个电站第n辆车的分配的直流功率；j表示需要电网功率补充的车辆数量。

2.根据权利要求1所述的充电站供能方法，其特征在于：构建CNN‑LSTM神经网络模型，公式如下：X＝[x1,x2,x3...xm]

k k

Z＝y＝relu(u)

xt=pool(Z,p,s)

ft＝δ(Wf*[ht‑1,xt]+bf)

it＝δ(Wi*[ht‑1,xt]+bi)

ot＝δ(Wo*[ht‑1,xt]+bo)

Ht＝ot*tanh(Ct)

k

其中，X是CNN‑LSTM神经网络的输入，u是使用k个卷积核与输入数据进行卷积操作后得k到的特征图， 和b表示第k个卷积核权重和阈值，g表示卷积核大小，m是单个输入的维度数，pool代表自适应池化函数，Z是卷积层提取的特征，p和s分别是池化大小和步长，xt是卷积网络的最终输出，ht‑1是LSTM前一时刻的输出，ft是LSTM遗忘门输出，Wf和bf是LSTM遗忘门的权值和阈值，it是LSTM输入门输出，Wi和bi是LSTM重置门的权值和阈值， 是LSTM记忆单元，WC和bC是该单元的权值和阈值，Ct是LSTM记忆门的输出，ot是LSTM输出门，Wo和bo是LSTM输出门的权值和阈值，Ht是隐含层的输出。

3.根据权利要求2所述的充电站供能方法，其特征在于：所述CNN‑LSTM神经网络模型的适应度函数，公式如下：其中，E表示神经网络的输出误差，A表示子集测试样本个数，n'表示输出的样本数，y表示子集中第i个个体实际输出值，Ht表示隐含层的输出，wj和bj表示神经网络输出层权重和阈值，h表示输出层节点的个数。