1.基于区块链与神经网络联合的短时充电调度方法，其特征在于，包括以下步骤：

采用共识通信搭建同一交流变压设备下的数个充电桩的分布式数据通信模型；

获取数组电动车充电的原始数据，搭建BP神经网络模型；利用BP神经网络模型进行训练获得原始数据对应的第一预测调度模型；所述原始数据包括第一电动车电池当前剩余电量、第一充电电压和第一充电电流；

采用共识通信将第一预测调度模型分布式存储在任一充电桩内，并预设调度功率阈值；

利用分布式数据通信模型采集当前的任一充电桩的充电数据；并将充电数据输入第一预测调度模型内，更新第一预测调度模型，得到第二预测调度模型；利用第二预测调度模型输出当前的充电调度数据；

若第二预测调度模型输出的充电调度数据中对应的功率数据小于调度功率阈值，且存在非充电状态的充电桩，则采用可信身份验证获取电动车接入充电桩信号，并获取电动车的第三当前电池工况数据和第三充电数据，对第三当前电池工况数据和第三充电数据进行分布式存储；

将第三当前电池工况数据和第三充电数据输入第二预测调度模型内，求得第二误差值，采用反向传播更新权重，更新第二预测调度模型，并进行分布式存储更新后的第二预测调度模型；

若第二预测调度模型输出的充电调度数据中对应的功率数据等于或大于调度功率阈值，则持续采集任一充电桩的充电数据，更新第二预测调度模型。

2.根据权利要求1所述的基于区块链与神经网络联合的短时充电调度方法，其特征在于，利用BP神经网络模型进行训练获得原始数据对应的第一预测调度模型，包括：选取同一交流变压设备下的某一充电桩，以原始数据进行充电，且同一交流变压设备下的剩余充电桩处于非充电状态；

将原始数据输入至BP神经网络模型内进行训练，求得原始数据对应的第一预测调度模型。

3.根据权利要求1所述的基于区块链与神经网络联合的短时充电调度方法，其特征在于，利用分布式数据通信模型采集当前的任一充电桩的充电数据；并将充电数据输入第一预测调度模型内，更新第一预测调度模型，得到第二预测调度模型，包括：利用分布式数据通信模型依次采集同一交流变压设备下充电使用状态的充电桩的充电数据；所述充电数据包括第二电动车电池当前剩余电量、第二充电电压和第二充电电流；

将第二电动车电池当前剩余电量、第二充电电压和第二充电电流输入第一预测调度模型内，进行预测训练，并获得第一误差值，采用反向传播更新权重；

更新第一预测调度模型并得到第二预测调度模型。

4.根据权利要求1或2或3所述的基于区块链与神经网络联合的短时充电调度方法，其特征在于，搭建BP神经网络模型，并在BP神经网络模型的隐藏层和输出层之间设置损失函数；所述损失函数为均方差损失函数。

5.根据权利要求1或2所述的基于区块链与神经网络联合的短时充电调度方法，其特征在于，获取数组电动车充电的原始数据和任一充电桩的充电数据，并采用线性拟合分别剔除原始数据、充电数据内的异常数据点。

6.根据权利要求4所述的基于区块链与神经网络联合的短时充电调度方法，其特征在于，所述BP神经网络模型的训练包括正向传播和反向传播；所述反向传播利用第二误差值作为输入，并传输给BP神经网络模型的隐藏层。

7.根据权利要求1所述的基于区块链与神经网络联合的短时充电调度方法，其特征在于，所述调度功率阈值 的表达为：其中，k表示接入同一交流变压设备下的充电桩的额定功率总和与交流变压设备的总功率的比例系数；n表示充电桩的数量； 表示充电桩的额定功率。

8.根据权利要求3所述的基于区块链与神经网络联合的短时充电调度方法，其特征在于，还包括：更新第一预测调度模型得到第二预测调度模型，并对第二预测调度模型进行分布式存储。

9.根据权利要求1所述的基于区块链与神经网络联合的短时充电调度方法，其特征在于，还包括：若第二预测调度模型输出的充电调度数据中对应的功率数据小于调度功率阈值，且任一充电桩处于充电状态，则利用分布式数据通信模型采集当前的任一充电桩的充电数据，并更新第一预测调度模型。

10.根据权利要求1所述的基于区块链与神经网络联合的短时充电调度方法，其特征在于，所述分布式数据通信模型采集任一充电桩的充电数据，并进行分布式存储，并加盖当前的时间戳。