集中供热是一项重要的公共事业,目前我国集中供热发展迅速,供热规模不断扩大。集中供热系统主要包括热源、供热管网和热用户三部分,其中供热管网是供热系统中的薄弱环节,随着供热管网使用年限的增加,管网故障率也在增加。管网泄漏是供热管网的主要故障之一,供热管网泄漏会造成能源浪费和经济损失,降低用户采暖质量甚至影响整个供热系统的运行。因此,科学和精确地诊断供热管网泄漏故障,具有极大的经济优势和现实意义。本文采用深度卷积神经网络对供热管网泄漏进行诊断。首先,在Python平台的Tensor Flow深度学习框架下,分别建立了供热管网泄漏程度和泄漏位置诊断的卷积神经网络模型,经过计算和对比,针对网络模型输入为数据复杂性不高的一维数据,设计了含有卷积—池化的网络结构,并具体对网络结构的参数和优化方法进行了设置。同时,为了进一步提高模型训练速度以及解决训练中内部协变量平移的问题,在供热管网泄漏位置诊断模型中引入批量归一化层。其次,以实验室的供热实验管网为研究对象,通过实验获得管网的正常工况和泄漏工况运行数据,并建立其仿真模型。该模型能够对管网的正常和泄漏工况进行模拟,获得相应的管网仿真数据。数据集根据泄漏量分为正常工况（无泄漏）、泄漏率1.1%、2.5%、4%和5.5%,将这5类分别添加0～4的标签分类,用于训练和测试供热管网泄漏程度诊断模型;将以上5种泄漏量和13个不同泄漏位置组合成53种泄漏工况,分别添加0～52的标签分类,用于训练和测试供热管网泄漏位置诊断模型。实际应用中,泄漏数据通常没有标签,对泄漏数据的精确分类难度较大,为解决这一情况,将实验数据和仿真数据按照一定比例划分成训练集对模型进行训练,获得对实验数据依赖低的模型,以实验数据作为测试集对模型的训练情况进行测试评价。最后对供热管网泄漏程度诊断的卷积神经网络模型进行训练,确定了模型的最佳卷积-池化层层数、卷积核个数、卷积核尺寸、学习率等重要参数,测试结果显示,管网泄漏程度诊断模型识别准确率为98.82%,宏平均F1为0.988,基本完成对泄漏程度的诊断。采用该供热管网泄漏程度诊断模型相同的参数设置,对不带批量归一化层的供热管网泄漏位置诊断的卷积神经网络模型进行测试,得到模型的识别准确率为96.78%。由于数据标签增多,相同参数设置的位置诊断模型的识别准确率变低,将供热管网泄漏位置诊断模型加上批量归一化层,并通过调整层位置,确定卷积—批量归一化层—激活函数—池化—全连接结构的模型具有最高的识别效果和迭代速度,对实验供热管网的泄漏位置诊断准确率为97.75%,宏平均F1为0.977。