CN115688246B - 一种局部坐标系下的水库库容模拟方法及装置 - Google Patents

Abstract

本发明提供了一种局部坐标系下的水库库容模拟方法及装置，该方法包括：获取目标河道上多个观测点相对于局部坐标系的位置信息，以及各观测点采集的水位流量数据，局部坐标系是基于目标河道的河流流向建立的；将各观测点的位置信息以及水位流量数据输入到一维水动力模型中，求解一维水动力模型得到目标河道在目标时间点的水位线，一维水动力模型是结合糙率函数建立的，糙率函数为以局部坐标系下的空间位置为自变量，以糙率为因变量的连续函数；根据目标河道各断面的断面地形、相邻断面间的距离，以及目标河道在目标时间点的水位线，计算目标河道的库容。本发明将目标河道作为一个整体模拟得到一条连续的水位线，在此基础上计算得到的库容更准确。

Description

一种局部坐标系下的水库库容模拟方法及装置

技术领域

本发明涉及工程仿真与数值模拟领域，具体涉及一种局部坐标系下的水库库容模拟方法及装置。

背景技术

大型水库库区范围广大，支流众多，其防洪、发电和航运功能的实现依赖于对水库的水位流量过程的准确认知。在降雨较为集中的时期，水库上游来流较大，水库调度面临着严重挑战，同时水库精细化运行要求的提出，对水位流量信息精度提出了更高的要求。现有的静态库容计算和动态库容的计算基于分布式水动力模型进行计算，通过对多个河段的整合实现整个河流的水位模拟，进而计算出水库的静态库容和动态库容。分布式水动力模型将整个水库上游划分为多个河段，在确定各河段的糙率参数后，结合各河段的糙率参数分别预测各河段的水库水位，从而结合各河段的水库水位计算水库库容。

由于河段划分和每个河段的糙率参数率定过于依赖人工经验，预测模拟的水库水位容易瞬态变化，导致模拟预测水位线不连续。该方法计算中也容易忽略河流的弯曲形态和河道断面的差异，难以掌握整体的水位变化情况，进而影响到静态库容计算和动态库容的计算，不符合水库精细化运行要求。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中难以掌握整体的水位变化情况，进而影响到库容计算的缺陷，从而提供一种局部坐标系下的水库库容模拟方法及装置。

本发明第一方面提供了一种局部坐标系下的水库库容模拟方法，包括如下步骤：获取目标河道上多个观测点相对于预先建立的局部坐标系的位置信息，以及各观测点采集的水位流量数据，局部坐标系是基于目标河道的河流流向建立的；将各观测点相对于局部坐标系的位置信息以及各观测点的水位流量数据输入到预先建立的一维水动力模型中，求解一维水动力模型得到目标河道在目标时间点的水位线，一维水动力模型是结合糙率函数建立的，糙率函数为以局部坐标系下的空间位置为自变量，以糙率为因变量的连续函数；根据目标河道各断面的断面地形、相邻断面间的距离，以及目标河道在目标时间点的水位线，计算任意相邻两个断面之间的水体体积；根据各相邻两个断面之间的水体体积的和确定目标河道的库容。

可选地，在本发明提供的局部坐标系下的水库库容模拟方法中，若目标河道存在支流，该方法还包括：根据各支流入流位置的水位以及各支流的断面地形分别确定各支流库容；根据各相邻两个断面之间的水体体积以及各支流库容的和，确定目标河道的库容。

可选地，在本发明提供的局部坐标系下的水库库容模拟方法中，还包括：将各观测点采集的水位流量数据，以及根据水位流量数据计算得到的目标河道的库容对应存入数据库。

可选地，在本发明提供的局部坐标系下的水库库容模拟方法中，还包括：获取各观测点采集的当前水位流量数据；在数据库中确定与当前水位流量数据相似度最高的水位流量数据；将与当前水位流量数据相似度最高的水位流量数据所对应的目标河道的库容确定为当前水位流量数据对应的目标河道的库容。

可选地，在本发明提供的局部坐标系下的水库库容模拟方法中，一维水动力模型包括水流量连续方程和水流运动方程，水流运动方程是结合糙率函数建立的，通过如下步骤确定糙率函数：获取各观测点采集的历史水位流量数据；将各观测点采集的历史水位流量数据输入到预先建立的优化目标函数中，优化目标函数是结合第一初始神经网络模型、第二初始神经网络模型、水动力模型建立的，水动力模型中的水沙参数是通过第一初始神经网络模型确定的，水动力模型中的糙率是通过第二初始神经网络模型确定的，优化目标函数是根据各水动力模型的模拟残差的和确定的；求解优化目标函数，对第一网络模型参数和第二网络模型参数进行优化，得到使得优化目标函数的值最小的第一网络模型优化参数和第二网络模型优化参数，第一网络模型参数为第一初始神经网络模型中的参数，第二网络模型参数为第二初始神经网络模型中的参数；结合包含有第二网络模型优化参数的第二初始神经网络模型确定糙率函数。

可选地，在本发明提供的局部坐标系下的水库库容模拟方法中，水动力模型的模拟残差包括水流连续方程的残差和水流运动方程的残差。

可选地，在本发明提供的局部坐标系下的水库库容模拟方法中，第一初始神经网络模型确定的水沙参数包括流量和水位，优化目标函数还包括第一初始神经网络模型输出的流量对实际流量的逼近误差，以及第一初始神经网络模型输出的水位对实际水位的逼近误差。

本发明第二方面提供了一种局部坐标系下的水库库容模拟装置，包括：数据采集模块，用于获取目标河道上多个观测点相对于预先建立的局部坐标系的位置信息，以及各观测点采集的水位流量数据，局部坐标系是基于目标河道的河流流向建立的；水位模拟模块，用于将各观测点相对于局部坐标系的位置信息以及各观测点的水位流量数据输入到预先建立的一维水动力模型中，求解一维水动力模型得到目标河道在目标时间点的水位线，一维水动力模型是结合糙率函数建立的，糙率函数为以局部坐标系下的空间位置为自变量，以糙率为因变量的连续函数；水体体积计算模块，用于根据目标河道各断面的断面地形、相邻断面间的距离，以及目标河道在目标时间点的水位线，计算任意相邻两个断面之间的水体体积；库容计算模块，用于根据各相邻两个断面之间的水体体积的和确定目标河道的库容。

本发明第三方面提供了一种计算机设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，从而执行如本发明第一方面提供的局部坐标系下的水库库容模拟方法。

本发明第四方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使计算机执行如本发明第一方面提供的局部坐标系下的水库库容模拟方法。

本发明技术方案，具有如下优点：

本发明提供的局部坐标系下的水库库容模拟方法及装置，用于模拟目标河道水位线的一维水动力模型是结合糙率函数建立的，因此通过实施本发明能够将目标河道作为一个整体，模拟得到一条连续的水位线，在此基础上，结合连续的水位线以及各断面的断面地形、相邻断面间的距离计算得到的目标河道的库容更准确。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中局部坐标系下的水库库容模拟方法的一个具体示例的流程图；

图2为本发明实施例中依据河流流向建立的局部坐标系；

图3为本发明实施例中局部坐标系下的水库库容模拟装置的一个具体示例的原理框图；

图4为本发明实施例中计算机设备的一个具体示例的原理框图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

本发明实施例提供了一种局部坐标系下的水库库容模拟方法，如图1所示，包括如下步骤：

步骤S11：获取目标河道上多个观测点相对于预先建立的局部坐标系的位置信息，以及各观测点采集的水位流量数据，局部坐标系是基于目标河道的河流流向建立的。

在一可选实施例中，依据河流流向建立的局部坐标系如图2所示，河流流向方向为正。

在本发明实施例中，观测点相对于局部坐标系的位置信息，即为延水流方向的位置，并非在直角坐标系中的位置。

步骤S12：将各观测点相对于局部坐标系的位置信息以及各观测点的水位流量数据输入到预先建立的一维水动力模型中，求解一维水动力模型得到目标河道在目标时间点的水位线，一维水动力模型是结合糙率函数建立的，糙率函数为以局部坐标系下的空间位置为自变量，以糙率为因变量的连续函数。

在本发明实施例中，糙率函数是沿河流方向变化的连续函数。

在一可选实施例中，可以预测任意时间点的水位线作为目标时间点的水位线，示例性地，可以在各观测点采集到水位流量数据后，可以将预测到的10分钟后的水位线确定为目标时间点的水位线。

在一可选实施例中，将各观测点采集的实时水位流量数据输入到一维水动力模型中，采用有限差分方法进行求解，即可实时计算目标河道的水位线。

河道的糙率受河道断面影响，目标河道的河道断面沿程变化，糙率自然也是沿程变化的，目标河道的水位线也是连续的，若将目标河道划分为多个河段，并分别为各河段设置不同的糙率参数，结合各河段的糙率参数模拟各河段的水位，将各河段的水位相结合得到的目标河道的水位线是分段的，而并非一条连续的曲线，可见，将目标河道分为多个河段，采用分布式水动力模型模拟得到的水位线与实际情况不符。这是因为河道断面的变化是渐变的，极少会出现一个河段的不同位置处的断面相同，相邻另一河段断面发生突变的情况，因此，将目标河道划分为多个河段，分别为每个河段确定一个糙率参数本身是不合理的，从而模拟得到的水位线也是不合理的。

本发明实施例中用于模拟水位线的一维水动力模型是基于连续的糙率函数建立的，连续的糙率函数能够体现出糙率沿程变化的过程，因此，通过本发明实施例中的一维水动力模型模拟水位线时，将目标河道作为一个整体，模拟预测的结果中水位线是连续的，更加符合天然河道的水位演变情况，并且无需对多个河段进行依次计算，模拟结果更加精确可靠。

步骤S13：根据目标河道各断面的断面地形、相邻断面间的距离，以及目标河道在目标时间点的水位线，计算任意相邻两个断面之间的水体体积。

在一可选实施例中，通过各断面的断面地形和水位线，可以计算得到各断面的过流断面的面积，然后结合各断面的过流断面的面积和各相邻断面间的距离，可以计算得到各相邻断面之间的水体体积。

步骤S14：根据各相邻两个断面之间的水体体积的和确定目标河道的库容。即，将所有相邻断面之间的水体体积求和，即可得到目标河道的库容。

在一可选实施例中，上述步骤S12中预测得到不同目标时间点的水位线，在步骤S14中可以计算得到目标河道在不同目标时间点的库容，对水位线进行动态模拟，可以实现对目标河道库容的动态计算。

本发明实施例提供的局部坐标系下的水库库容模拟方法，用于模拟目标河道水位线的一维水动力模型是结合糙率函数建立的，因此通过实施本发明实施例能够将目标河道作为一个整体，模拟得到一条连续的水位线，在此基础上，结合连续的水位线以及各断面的断面地形、相邻断面间的距离计算得到的目标河道的库容更准确。

在一可选实施例中，若目标河道存在支流，本发明实施例提供的方法还包括：

首先，根据各支流入流位置的水位以及各支流的断面地形分别确定各支流库容。

然后，根据各相邻两个断面之间的水体体积以及各支流库容的和，确定目标河道的库容。

在一可选实施例中，对于目标河道中的干流以及每一条支流，都可以执行上述步骤S11-步骤S14分别计算干流及各支流的水体体积，将目标河道干流及各支流的水体体积的和确定为目标河道的库容。

在一可选实施例中，在执行上述步骤S14后，本发明实施例提供的方法还包括如下步骤：

将各观测点采集的水位流量数据，以及根据水位流量数据计算得到的目标河道的库容对应存入数据库。

在一可选实施例中，本发明实施例提供的方法还包括如下步骤：

首先，获取各观测点采集的当前水位流量数据。

然后，在数据库中确定与当前水位流量数据相似度最高的水位流量数据。

需要说明的是，各观测点在当前时段采集的当前水位流量数据形成一组数据，数据库中也是将同一时段各观测点采集的水位流量数据作为一组数据进行存储，因此，将当前水位流量数据与数据库中的水位流量数据进行比较时，是将各观测点采集的当前水位流量数据作为一组数据，与数据库中的各组数据进行比较。在数据库中确定与当前水位流量数据相似度最高的水位数据流量，实际是在数据库中确定与当前工况相似度最高的工况。

最后，将与当前水位流量数据相似度最高的水位流量数据所对应的目标河道的库容确定为当前水位流量数据对应的目标河道的库容。

在本发明实施例中，重复执行上述步骤S11-步骤S14，可以得到目标河道在不同工况下的库容，将不同工况下的库容存入数据库，当数据库中的数据足够多时，可以在确定目标河道的当前工况后，将当前工况与历史工况进行比较，将与当前工况相似度最高的历史工况所对应的库容确定为当前库容。

在一可选实施例中，在数据库中确定与当前水位流量数据相似度最高的水位流量数据后，将相似度的值与预设值进行比较，当相似度的值大于预设值时，将与当前水位流量数据相似度最高的水位流量数据所对应的目标河道的库容确定为当前水位流量数据对应的目标河道的库容。

本发明实施例提供的局部坐标系下的水库库容模拟方法，通过计算不同工况对应的库容，并将工况及库容对应存储，需要计算目标河道的库容时，将当前工况与历史工况进行比较，从而得到当前库容，通过本发明实施例确定库容时，不需要再次模拟水位线，只需要进行简单的工况比较就可以确定库容，提高了库容的计算效率。

在一可选实施例中，一维水动力模型包括水流量连续方程和水流运动方程，水流运动方程是结合糙率函数建立的：

水流量连续方程：

水流运动方程：

其中，t表示时间，x表示局部坐标系下的空间位置，B表示水面宽，Z表示水位，Q表示流量，q_L表示单位河长上的旁侧入流流量，u表示断面平均流速，g表示重力加速度，A表示过水断面面积，n(x)表示糙率函数，R表示水力半径。

在一可选实施例中，通过如下步骤确定糙率函数：

首先，获取各观测点采集的历史水位流量数据。

在一可选实施例中，在河道弯道处，河道断面的沿程变化幅度较大，因此，在实际应用过程中，为了使得糙率函数能够更准确地体现不同位置处的糙率，可以在弯道处设置更多的观测点，采集更多的历史水位流量数据。

然后，将各观测点采集的历史水位流量数据输入到预先建立的优化目标函数中，优化目标函数是结合第一初始神经网络模型、第二初始神经网络模型、水动力模型建立的，水动力模型中的水沙参数是通过第一初始神经网络模型确定的，水动力模型中的糙率是通过第二初始神经网络模型确定的，优化目标函数是根据各水动力模型的模拟残差的和确定的。

在一可选实施例中，第一初始神经网络模型的输出包括Z_s＝Z_s(x,t；θ_u)、Q_s＝Q_s(x,t；θ_u)等中的一项或多项，其中，Z_s表示水位，Q_s表示流量，x表示空间位置，t表示时间，θ_u表示第一网络模型参数，在求解优化目标函数时，需要对第一网络模型参数进行优化，x所表示的空间位置是指在局部坐标系，沿着河流方向的距离。

在一可选实施例中，第二初始神经网络模型的输出包括n_s＝n_s(x；θ_p)，其中，n_s表示糙率，θ_p表示第二网络模型参数，在求解优化目标函数时，需要对第二网络模型参数进行优化。

其次，求解优化目标函数，对第一网络模型参数和第二网络模型参数进行优化，得到使得优化目标函数的值最小的第一网络模型优化参数和第二网络模型优化参数，第一网络模型参数为第一初始神经网络模型中的参数，第二网络模型参数为第二初始神经网络模型中的参数。

在一可选实施例中，采用经典的梯度下降类方法求解优化目标函数，直到找到最优的第一网络模型参数和第二网络模型参数。

最后，结合包含有第二网络模型优化参数的第二初始神经网络模型确定糙率函数。

在发明实施例提供的局部坐标系下的水库库容模拟方法中，由于优化目标函数是根据水动力模型的模拟残差的和确定的，其中，水动力模型中的糙率是通过第二初始神经网络模型确定的，在对优化目标函数求解的过程中确定的第二神经网络模型的第二网络模型优化参数，能够使得水动力模型的模拟残差的和最小，由此可见，本发明实施例提供的方法是在物理过程的强约束的基础上实现第二初始神经网络模型进行优化的，利用本发明实施例提供的方法优化得到糙率函数更符合实际物理过程。并且，本发明实施例提供的方法通过将水动力模型的控制方程放到优化的目标函数中，可以直接利用梯度类优化算法优化这个目标函数，无需对方程进行迭代。同时在目标函数中引入了物理驱动项(即各水动力模型的模拟残差)，使得该优化算法需要更少的观测数据。该方法无需求解控制方程即可得到具有物理意义的糙率参数的最优解，从而得到最优的糙率函数，可以有效提高河道水位流量变化过程的模拟效率和精度。

在一可选实施实施例中，构建优化目标函数时所使用的水动力模型的模拟残差包括水流连续方程的残差和水流运动方程的残差，即，优化目标函数是根据水流连续方程的残差与水流运动方程的残差的和建立的。

在一可选实施例中，建立优化目标函数时的水动力模型的模拟残差包括：

其中，e₁表示水流连续方程的残差，e₂表示水流运动方程的残差，B表示水面宽，Z_s表示水位，Q_s表示流量，t表示时间，x表示空间位置，q_L表示单位河长上的旁侧入流流量，A表示水断面面积，g表示重力加速度，n_s表示糙率，R表示水力半径，其中，Z_s＝Z_s(x,t；θ_u)，Q_s＝Q_s(x,t；θ_u)，n_s＝n_s(x；θ_p)，θ_u表示第一网络模型参数，θ_p表示第二网络模型参数。

在一可选实施例中，优化目标函数还包括第一初始神经网络模型输出的流量对实际流量的逼近误差e₃＝Q_s-Q^*，以及第一初始神经网络模型输出的水位对实际水位的逼近误差e₄＝Z_s-Z^*，其中，Q_s表示第一初始神经网络模型输出的流量，Q^*表示实际流量，Z_s表示第一初始神经网络模型输出的水位，Z^*表示实际水位，实际流量和实际水位是通过观测得到的。

在一可选实施例中，优化目标函数为：

在本发明实施例中，通过对优化目标函数进行求解，直到得到第一网络模型优化参数和第二网络模型优化参数，使得两个神经网络模型的输出尽可能地满足控制方程和尽可能地逼近观测数据。

本发明实施例提供了一种局部坐标系下的水库库容模拟装置，如图3所示，包括：

数据采集模块21，用于获取目标河道上多个观测点相对于预先建立的局部坐标系的位置信息，以及各观测点采集的水位流量数据，局部坐标系是基于目标河道的河流流向建立的，详细内容参见上述实施例中对步骤S11的描述，在此不再赘述。

水位模拟模块22，用于将各观测点相对于局部坐标系的位置信息以及各观测点的水位流量数据输入到预先建立的一维水动力模型中，求解一维水动力模型得到目标河道在目标时间点的水位线，一维水动力模型是结合糙率函数建立的，糙率函数为以局部坐标系下的空间位置为自变量，以糙率为因变量的连续函数，详细内容参见上述实施例中对步骤S12的描述，在此不再赘述。

水体体积计算模块23，用于根据目标河道各断面的断面地形、相邻断面间的距离，以及目标河道在目标时间点的水位线，计算任意相邻两个断面之间的水体体积，详细内容参见上述实施例中对步骤S13的描述，在此不再赘述。

库容计算模块24，用于根据各相邻两个断面之间的水体体积的和确定目标河道的库容，详细内容参见上述实施例中对步骤S14的描述，在此不再赘述。

本发明实施例提供了一种计算机设备，如图4所示，该计算机设备主要包括一个或多个处理器31以及存储器32，图4中以一个处理器31为例。

该计算机设备还可以包括：输入装置33和输出装置34。

处理器31、存储器32、输入装置33和输出装置34可以通过总线或者其他方式连接，图4中以通过总线连接为例。

处理器31可以为中央处理器(Central Processing Unit，CPU)。处理器31还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器32可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据局部坐标系下的水库库容模拟装置的使用所创建的数据等。此外，存储器32可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器32可选包括相对于处理器31远程设置的存储器，这些远程存储器可以通过网络连接至局部坐标系下的水库库容模拟装置。输入装置33可接收用户输入的计算请求(或其他数字或字符信息)，以及产生与局部坐标系下的水库库容模拟装置有关的键信号输入。输出装置34可包括显示屏等显示设备，用以输出计算结果。

本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储计算机指令，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的局部坐标系下的水库库容模拟方法。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (9)

1.一种局部坐标系下的水库库容模拟方法，其特征在于，包括如下步骤：

获取目标河道上多个观测点相对于预先建立的局部坐标系的位置信息，以及各观测点采集的水位流量数据，所述局部坐标系是基于所述目标河道的河流流向建立的；

将各观测点相对于局部坐标系的位置信息以及各观测点的水位流量数据输入到预先建立的一维水动力模型中，求解所述一维水动力模型得到所述目标河道在目标时间点的水位线，所述一维水动力模型是结合糙率函数建立的，所述糙率函数为以局部坐标系下的空间位置为自变量，以糙率为因变量的连续函数；

根据所述目标河道各断面的断面地形、相邻断面间的距离，以及所述目标河道在目标时间点的水位线，计算任意相邻两个断面之间的水体体积；

根据各相邻两个断面之间的水体体积的和确定所述目标河道的库容；

所述一维水动力模型包括水流量连续方程和水流运动方程，所述水流运动方程是结合糙率函数建立的，

通过如下步骤确定所述糙率函数：

获取各观测点采集的历史水位流量数据；

将各观测点采集的历史水位流量数据输入到预先建立的优化目标函数中，所述优化目标函数是结合第一初始神经网络模型、第二初始神经网络模型、水动力模型建立的，所述水动力模型中的水沙参数是通过所述第一初始神经网络模型确定的，所述水动力模型中的糙率是通过所述第二初始神经网络模型确定的，所述优化目标函数是根据各水动力模型的模拟残差的和确定的；

求解所述优化目标函数，对第一网络模型参数和第二网络模型参数进行优化，得到使得所述优化目标函数的值最小的第一网络模型优化参数和第二网络模型优化参数，所述第一网络模型参数为所述第一初始神经网络模型中的参数，所述第二网络模型参数为所述第二初始神经网络模型中的参数；

结合包含有所述第二网络模型优化参数的第二初始神经网络模型确定所述糙率函数。

2.根据权利要求1所述的局部坐标系下的水库库容模拟方法，其特征在于，若所述目标河道存在支流，所述方法还包括：

根据各支流入流位置的水位以及各支流的断面地形分别确定各支流库容；

根据各相邻两个断面之间的水体体积以及各支流库容的和，确定所述目标河道的库容。

3.根据权利要求1所述的局部坐标系下的水库库容模拟方法，其特征在于，还包括：

将所述各观测点采集的水位流量数据，以及根据所述水位流量数据计算得到的目标河道的库容对应存入数据库。

4.根据权利要求3所述的局部坐标系下的水库库容模拟方法，其特征在于，还包括：

获取各观测点采集的当前水位流量数据；

在所述数据库中确定与所述当前水位流量数据相似度最高的水位流量数据；

将与所述当前水位流量数据相似度最高的水位流量数据所对应的目标河道的库容确定为所述当前水位流量数据对应的目标河道的库容。

5.根据权利要求1所述的局部坐标系下的水库库容模拟方法，其特征在于，

所述水动力模型的模拟残差包括水流连续方程的残差和水流运动方程的残差。

6.根据权利要求1或5所述的局部坐标系下的水库库容模拟方法，其特征在于，所述第一初始神经网络模型确定的水沙参数包括流量和水位，

所述优化目标函数还包括第一初始神经网络模型输出的流量对实际流量的逼近误差，以及第一初始神经网络模型输出的水位对实际水位的逼近误差。

7.一种局部坐标系下的水库库容模拟装置，其特征在于，包括：

数据采集模块，用于获取目标河道上多个观测点相对于预先建立的局部坐标系的位置信息，以及各观测点采集的水位流量数据，所述局部坐标系是基于所述目标河道的河流流向建立的；

水位模拟模块，用于将各观测点相对于局部坐标系的位置信息以及各观测点的水位流量数据输入到预先建立的一维水动力模型中，求解所述一维水动力模型得到所述目标河道在目标时间点的水位线，所述一维水动力模型是结合糙率函数建立的，所述糙率函数为以局部坐标系下的空间位置为自变量，以糙率为因变量的连续函数；

水体体积计算模块，用于根据所述目标河道各断面的断面地形、相邻断面间的距离，以及所述目标河道在目标时间点的水位线，计算任意相邻两个断面之间的水体体积；

库容计算模块，用于根据各相邻两个断面之间的水体体积的和确定所述目标河道的库容；

所述一维水动力模型包括水流量连续方程和水流运动方程，所述水流运动方程是结合糙率函数建立的，

通过如下步骤确定所述糙率函数：

获取各观测点采集的历史水位流量数据；

将各观测点采集的历史水位流量数据输入到预先建立的优化目标函数中，所述优化目标函数是结合第一初始神经网络模型、第二初始神经网络模型、水动力模型建立的，所述水动力模型中的水沙参数是通过所述第一初始神经网络模型确定的，所述水动力模型中的糙率是通过所述第二初始神经网络模型确定的，所述优化目标函数是根据各水动力模型的模拟残差的和确定的；

求解所述优化目标函数，对第一网络模型参数和第二网络模型参数进行优化，得到使得所述优化目标函数的值最小的第一网络模型优化参数和第二网络模型优化参数，所述第一网络模型参数为所述第一初始神经网络模型中的参数，所述第二网络模型参数为所述第二初始神经网络模型中的参数；

结合包含有所述第二网络模型优化参数的第二初始神经网络模型确定所述糙率函数。

8.一种计算机设备，其特征在于，包括：

至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，从而执行如权利要求1-6中任一项所述的局部坐标系下的水库库容模拟方法。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求1-6中任一项所述的局部坐标系下的水库库容模拟方法。