1.一种基于物联网的充电车位管理系统，其特征在于，包括：后台服务器、控制终端、分别安装在各个停车位的充电桩、分别安装在所述各个停车位的地磁传感器和车位锁；

其中，所述控制终端用于接收并传输车位锁控制指令至所述后台服务器，所述充电桩、所述地磁传感器和所述车位锁可通信地连接于所述后台服务器；

其中，所述后台服务器，还包括充电桩故障预警模块；

其中，所述充电桩故障预警模块，包括：

功率值获取单元，用于获取被监测充电桩在预定时间段内多个预定时间点的工作功率值；

电压信号获取单元，用于获取所述被监测充电桩在所述预定时间段内的电压信号；

特征提取与交互单元，用于对所述多个预定时间点的工作功率值和所述电压信号进行特征提取与特征交互以得到工作功率-电压波形交互特征图；以及故障预警提示单元，用于基于所述工作功率-电压波形交互特征图，确定是否生成充电桩故障预警提示；

其中，所述特征提取与交互单元，包括：

向量排列子单元，用于将所述多个预定时间点的工作功率值按照时间维度排列为工作功率时序输入向量；

电压波形特征提取子单元，用于提取所述电压信号的电压波形特征以得到电压波形特征图；以及交互特征提取子单元，用于将所述工作功率时序输入向量和所述电压波形特征图通过基于MetaNet模块的工作功率-电压波形交互特征提取器以得到所述工作功率-电压波形交互特征图；

其中，所述交互特征提取子单元，用于：

将所述工作功率时序输入向量通过点卷积层以得到第一卷积特征向量；

将所述第一卷积特征向量通过基于ReLU函数的修正线性单元以得到第一修正卷积特征向量；

将所述第一修正卷积特征向量通过点卷积层以得到第二卷积特征向量；

将所述第二卷积特征向量通过基于Sigmoid函数的修正线性单元以得到第二修正卷积特征向量；以及融合所述第二修正卷积特征向量与所述电压波形特征图以得到所述工作功率-电压波形交互特征图；

其中，所述故障预警提示单元，用于：

将所述工作功率-电压波形交互特征图通过分类器以得到分类结果，所述分类结果用于表示所述是否生成充电桩故障预警提示；

其中，还包括用于对使用空间注意力机制的电压波形特征提取器、所述基于MetaNet模块的工作功率-电压波形交互特征提取器和所述分类器进行训练的训练模块；

其中，所述训练模块，包括：

训练数据获取单元，用于获取训练数据，所述训练数据包括被监测充电桩在预定时间段内多个预定时间点的训练工作功率值、所述被监测充电桩在所述预定时间段内的训练电压信号，以及，是否生成充电桩故障预警提示的真实值；

训练向量排列单元，用于将所述多个预定时间点的训练工作功率值按照时间维度排列为训练工作功率时序输入向量；

训练空间注意力单元，用于将所述训练电压信号的波形图通过所述使用空间注意力机制的电压波形特征提取器以得到训练电压波形特征图；

训练波形交互特征提取单元，用于将所述训练工作功率时序输入向量和所述训练电压波形特征图通过所述基于MetaNet模块的工作功率-电压波形交互特征提取器以得到训练工作功率-电压波形交互特征图；

训练特征分布优化单元，用于对所述训练工作功率-电压波形交互特征图进行特征分布优化以得到优化工作功率-电压波形交互特征图；

训练分类单元，用于将所述优化工作功率-电压波形交互特征图通过分类器以得到分类损失函数值；以及训练单元，用于以所述分类损失函数值来对所述使用空间注意力机制的电压波形特征提取器、所述基于MetaNet模块的工作功率-电压波形交互特征提取器和所述分类器进行训练。

2.根据权利要求1所述的基于物联网的充电车位管理系统，其特征在于，所述电压波形特征提取子单元，用于：将所述电压信号的波形图通过使用空间注意力机制的电压波形特征提取器以得到所述电压波形特征图。

3.一种基于物联网的充电车位管理方法，其特征在于，包括：获取被监测充电桩在预定时间段内多个预定时间点的工作功率值；

获取所述被监测充电桩在所述预定时间段内的电压信号；

对所述多个预定时间点的工作功率值和所述电压信号进行特征提取与特征交互以得到工作功率-电压波形交互特征图；以及基于所述工作功率-电压波形交互特征图，确定是否生成充电桩故障预警提示；

其中，对所述多个预定时间点的工作功率值和所述电压信号进行特征提取与特征交互以得到工作功率-电压波形交互特征图，包括：将所述多个预定时间点的工作功率值按照时间维度排列为工作功率时序输入向量；

提取所述电压信号的电压波形特征以得到电压波形特征图；以及将所述工作功率时序输入向量和所述电压波形特征图通过基于MetaNet模块的工作功率-电压波形交互特征提取器以得到所述工作功率-电压波形交互特征图；

其中，将所述工作功率时序输入向量和所述电压波形特征图通过基于MetaNet模块的工作功率-电压波形交互特征提取器以得到所述工作功率-电压波形交互特征图，包括：将所述工作功率时序输入向量通过点卷积层以得到第一卷积特征向量；

将所述第一卷积特征向量通过基于ReLU函数的修正线性单元以得到第一修正卷积特征向量；

将所述第一修正卷积特征向量通过点卷积层以得到第二卷积特征向量；

将所述第二卷积特征向量通过基于Sigmoid函数的修正线性单元以得到第二修正卷积特征向量；以及融合所述第二修正卷积特征向量与所述电压波形特征图以得到所述工作功率-电压波形交互特征图；

其中，基于所述工作功率-电压波形交互特征图，确定是否生成充电桩故障预警提示，包括：将所述工作功率-电压波形交互特征图通过分类器以得到分类结果，所述分类结果用于表示所述是否生成充电桩故障预警提示；

其中，还包括对使用空间注意力机制的电压波形特征提取器、所述基于MetaNet模块的工作功率-电压波形交互特征提取器和所述分类器进行训练的训练步骤；

其中，所述训练步骤，包括：

获取训练数据，所述训练数据包括被监测充电桩在预定时间段内多个预定时间点的训练工作功率值、所述被监测充电桩在所述预定时间段内的训练电压信号，以及，是否生成充电桩故障预警提示的真实值；

将所述多个预定时间点的训练工作功率值按照时间维度排列为训练工作功率时序输入向量；

将所述训练电压信号的波形图通过所述使用空间注意力机制的电压波形特征提取器以得到训练电压波形特征图；

将所述训练工作功率时序输入向量和所述训练电压波形特征图通过所述基于MetaNet模块的工作功率-电压波形交互特征提取器以得到训练工作功率-电压波形交互特征图；

对所述训练工作功率-电压波形交互特征图进行特征分布优化以得到优化工作功率-电压波形交互特征图；

将所述优化工作功率-电压波形交互特征图通过分类器以得到分类损失函数值；以及以所述分类损失函数值来对所述使用空间注意力机制的电压波形特征提取器、所述基于MetaNet模块的工作功率-电压波形交互特征提取器和所述分类器进行训练。

4.根据权利要求3所述的基于物联网的充电车位管理方法，其特征在于，提取所述电压信号的电压波形特征以得到电压波形特征图，包括：将所述电压信号的波形图通过使用空间注意力机制的电压波形特征提取器以得到所述电压波形特征图。