1.一种电力线载波信道的分层建模方法，其特征在于，包括：采集多种终端的接入特征和拓扑变化规律；根据所述接入特征和拓扑变化规律，计算所述终端对应的电力线载波信道的评价函数；基于所述评价函数和所述评价函数的经验值，将所述电力线载波信道划分为若干层；针对每一层电力线载波信道，分别通过预先训练好的共享神经网络进行建模，并通过共享权重实现电力线载波信道参数的层间共享；其中，建模的结果用于配电网数据的传输；所述接入特征包括终端所在电力线载波信道的电压、电流、阻抗特性和运行状态；所述拓扑变化规律包括拓扑变化频率和电力线分支数；所述根据所述接入特征和拓扑变化规律，计算所述终端对应的电力线载波信道的评价函数，具体为：根据下式计算所述评价函数θ：其中，V为终端所在电力线载波信道的电压，I为终端所在电力线载波信道的电流，L为电力线分支数，Z j 为第j个分支的阻抗特性，S为运行状态，所述运行状态包括离网运行指标和并网运行指标，f为拓扑变化频率，α为终端所在电力线载波信道的电压的权重，β为终端所在电力线载波信道的电流的权重，λ为所述阻抗特性的权重，μ为所述运行状态的权重，γ为所述电力线分支数的权重，ν为所述拓扑变化频率的权重。
2.如权利要求1所述的一种电力线载波信道的分层建模方法，其特征在于，所述基于所述评价函数和所述评价函数的经验值，将所述电力线载波信道划分为若干层，具体为：根据历史数据计算所述评价函数的经验值，进而计算得到所述经验值的最小值和最大值；其中，所述历史数据包括所述接入特征的历史数据和所述拓扑变化规律的历史数据；根据所述最小值和最大值，确定每一层电力线载波信道的阈值；根据所述评价函数和所述阈值，并按照预设的间隔，将所述电力线载波信道划分为若干层。
3.如权利要求1或2所述的一种电力线载波信道的分层建模方法，其特征在于，所述共享神经网络的训练方法包括：定义第k层电力线载波信道的基础神经网络包括输入层、隐含层和输出层，且所述基础神经网络的权重矩阵为 其中， 为所述输入层的权重， 为所述隐含层的权重， 为所述输出层的权重，t指第t次训练；以电力线载波信道参数的预测误差和均方误差最小作为目标函数，对所述基础神经网络进行训练，并在训练过程中共享权重，获得所述训练好的共享神经网络。
4.一种电力线载波信道的分层建模装置，其特征在于，包括采集模块、计算模块、分层模块和建模模块；其中，所述采集模块，用于采集多种终端的接入特征和拓扑变化规律；所述计算模块，用于根据所述接入特征和拓扑变化规律，计算所述终端对应的电力线载波信道的评价函数；所述分层模块，用于基于所述评价函数和所述评价函数的经验值，将所述电力线载波信道划分为若干层；所述建模模块，用于针对每一层电力线载波信道，分别通过预先训练好的共享神经网络进行建模，并通过共享权重实现电力线载波信道参数的层间共享；其中，建模的结果用于配电网数据的传输；所述接入特征包括终端所在电力线载波信道的电压、电流、阻抗特性和运行状态；所述拓扑变化规律包括拓扑变化频率和电力线分支数；所述计算模块根据所述接入特征和拓扑变化规律，计算所述终端对应的电力线载波信道的评价函数，具体为：所述计算模块根据下式计算所述评价函数θ：其中，V为终端所在电力线载波信道的电压，I为终端所在电力线载波信道的电流，L为电力线分支数，Z j 为第j个分支的阻抗特性，S为运行状态，所述运行状态包括离网运行指标和并网运行指标，f为拓扑变化频率，α为终端所在电力线载波信道的电压的权重，β为终端所在电力线载波信道的电流的权重，λ为所述阻抗特性的权重，μ为所述运行状态的权重，γ为所述电力线分支数的权重，ν为所述拓扑变化频率的权重。
5.如权利要求4所述的一种电力线载波信道的分层建模装置，其特征在于，所述分层模块基于所述评价函数和所述评价函数的经验值，将所述电力线载波信道划分为若干层，具体为：所述分层模块根据历史数据计算所述评价函数的经验值，进而计算得到所述经验值的最小值和最大值；其中，所述历史数据包括所述接入特征的历史数据和所述拓扑变化规律的历史数据；根据所述最小值和最大值，确定每一层电力线载波信道的阈值；根据所述评价函数和所述阈值，并按照预设的间隔，将所述电力线载波信道划分为若干层。
6.如权利要求4或5所述的一种电力线载波信道的分层建模装置，其特征在于，所述分层建模装置还包括训练模块，所述训练模块用于：定义第k层电力线载波信道的基础神经网络包括输入层、隐含层和输出层，且所述基础神经网络的权重矩阵为 其中， 为所述输入层的权重， 为所述隐含层的权重， 为所述输出层的权重，t指第t次训练；以电力线载波信道参数的预测误差和均方误差最小作为目标函数，对所述基础神经网络进行训练，并在训练过程中共享权重，获得所述训练好的共享神经网络。
