1.一种移动式储能充电机器人，其特征在于，所述移动式储能充电机器人包括机器人本体、充电桩和平台调度系统，所述机器人本体设置有大容量储能电池组、电机驱动单元、电驱底盘，所述充电桩内设置有充电机、充放电切换控制器、防逆流端子，其中，所述机器人本体，用于给新能源汽车进行充电服务；

所述充电桩，用于自动切换给所述机器人本体充电，接收所述机器人本体放电，其中所述充电桩设置于停车场或公共区域；

所述平台调度系统，用于管理各个城市的所述机器人本体和所述充电桩的资源分配。

2.如权利要求1所述的一种移动式储能充电机器人，其特征在于，所述大容量储能电池组，用于存储在谷段时间从电网获取的电能，并在峰段为目标新能源汽车提供充电服务。

3.如权利要求1所述的一种移动式储能充电机器人，其特征在于，所述机器人本体还设置有视觉定位模块、充电对接模块、监控电池状态模块、环境适应性组件和通信模块，所述监控电池状态模块与所述大容量储能电池组相连接，其中，视觉定位模块，用于负责机器人的定位、避障与导航，使得机器人准确移动至目标新能源汽车位置，其中所述视觉定位模块至少包括激光雷达、摄像头、超声波传感器、惯性测量单元；

充电对接模块，配备有多种充电接口，兼容不同标准的新能源汽车充电端口，自动识别车辆类型选取充电接口；

监控电池状态模块，用于在充电过程中，进行电池健康状态监测，检测到异常状况时，立即采取安全措施；

环境适应性组件，设置有防尘防水外壳、温度调节组件、过温保护组件、短路保护组件、过充过放保护组件；

通信模块，用于与云服务平台进行数据交换，传输机器人的实时位置信息、电池状态信息。

4.如权利要求3所述的一种移动式储能充电机器人，其特征在于，所述监控电池状态模块包括数据获取子模块、数据降噪子模块、初始化子模块、搭建子模块、输出结果子模块、更新位置子模块、重复迭代子模块和状态监测子模块，其中，数据获取子模块，用于获取所述机器人本体的多维度数据，其中所述多维度数据至少包括电压、电流、温度、荷电状态、电池内阻；

数据降噪子模块，用于采用小波包变换对所述多维度数据进行数据降噪，对降噪后的多维度数据进行标准化处理，得到标准化后的多维度数据；

初始化子模块，用于初始化麻雀搜索算法麻雀种群的数量、麻雀算法迭代次数、算法寻优范围；

搭建子模块，用于初始化麻雀种群的位置，根据初始化的麻雀种群参数搭建LSTM神经网络，将标准化后的多维度数据输入到LSTM神经网络中，获得不同参数下的模型输出结果；

输出结果子模块，用于以均方根误差为适应度函数，根据模型输出结果计算每个麻雀个体的适应度；

更新位置子模块，用于选择适应度值最小的个体作为最优位置麻雀个体，并根据最优麻雀个体更新麻雀种群的位置；

重复迭代子模块，用于重复迭代，达到最大迭代次数后，输出麻雀搜索算法的优化结果，其中所述优化结果至少包括批数量、学习率、层数量、神经元数量；

状态监测子模块，用于使用麻雀搜索算法的优化结果搭建LSTM神经网络，获得电池状态预测模型，通过所述电池状态预测模型对电池健康状态监测。

5.如权利要求4所述的一种移动式储能充电机器人，其特征在于，所述监控电池状态模块还包括与所述状态监测子模块的输出端相连接的分级响应模块，所述分级响应模块用于根据所述状态监测子模块输出的电池健康状态确定对应的预警等级和安全措施。

6.如权利要求1所述的一种移动式储能充电机器人，其特征在于，所述充电桩还设置有双向充电模块、智能调度模块和用户交互界面，其中，双向充电模块，采用双向DC‑DC转换器，用于给所述机器人本体充电，根据电网需求反向送电；

智能调度模块，用于与所述平台调度系统通讯连接，执行充电桩的充电或放电操作；

用户交互界面，支持多种语言切换，配备触控屏幕，供用户自助操作。

7.如权利要求1所述的一种移动式储能充电机器人，其特征在于，所述平台调度系统设置有预测充电模块、云服务平台和能效优化模块，其中，预测充电模块，用于分析历史充电需求、电网负荷数据，预测未来充电需求；

云服务平台，用于集中收集机器人的数据，远程监控所有机器人和充电桩的状态；

能效优化模块，用于根据各个城市峰谷电价、新能源汽车分布、充电桩负载，动态调整充放电策略。

8.如权利要求7所述的一种移动式储能充电机器人，其特征在于，所述预测充电模块包括FCM聚类子模块、数据划分子模块和模型构建子模块，其中，FCM聚类子模块，用于根据历史充电需求、电网负荷数据形成数据样本集，对所述数据样本集进行FCM聚类，将聚类目标数进行遍历，根据SC指数、DBI指数选出最佳的聚类目标数值；

数据划分子模块，用于将所述数据样本集中数据划分为不同集群，得出每个类别的聚类中心线，其中每个集群代表具有相近充电负荷特征的样本；

模型构建子模块，用于针对每个集群，构建相应的BiLSTM模型，每个时刻，遗忘门接收当前负荷状态和上一时刻隐藏层状态，由激活函数Sigmoid输出，输入门的输入经由非线性函数变换后，与遗忘门的输出叠加得到更新后的记忆单元状态，输出门所述记忆单元状态动态控制得到LSTM的输出隐藏状态，采用BiLSTM模型学习和捕捉充电负荷的时间相关性和周期性特征，预测未来充电需求。