城市供水管网泄漏与爆管事故是国内外供水行业普遍存在的问题,事故突发性强、危害性大、影响范围广。供水管道的泄漏,一方面造成了水资源的浪费,一方面又影响着居民的生活质量和生活成本。如何控制和降低供水管道的泄漏,减少水资源浪费,保证管道正常运行,具有重要意义。近年来,随着人工智能、大数据等新技术的发展,越来越多的新方法应用到故障检测中。在众多方法中,支持向量机(Support Vector Machines,SVM)算法展示了优越的性能。SVM能够在获取有限的特征信息基础上,最大限度的发掘其隐含的分类信息,更适用于故障诊断这种实际的工程问题。最小二乘支持向量机算法(Least Squares Support Vector Machines,LSSVM)是标准SVM的一种扩展,具有更快的求解速度和更少的求解参数。如采用粒子群算法(Particle Swarm Optimization,PSO)对LSSVM参数进行优化,能够产生更优的诊断效果。本文以管网泄漏前后的压力变化值作为研究对象,建立了不同泄漏工况下压力变化与泄漏位置和泄漏量的PSO-LSSVM诊断模型。对模型中学习样本的选取进行了深入的研究,分析了样本类型和数量对模型精度的影响,得出了提高学习样本的密度可以改善模型的预测精度的结论。对于大型复杂供水管网,采集泄漏时的学习样本数据是十分困难的,多点泄漏的数据采集更加难以实现。为了解决这个问题,本文提出一种无需大量增加样本数量,仍具有较好定位效果的改进算法。算法仅需选取一个学习样本,提高样本密度,形成增样样本。将增样样本与学习样本的均方误差共同作为PSO-LSSVM算法的适应度函数,使PSO算法在优化参数时既要考虑学习样本的均方误差又要兼顾增样样本的均方误差,从而提高模型的推广能力。本文还研究了增样样本的选取方法,并对增样样本的类型和数量进行分析。研究表明,增样样本可以在学习样本中任意选取,且只需要选取1个增样样本就能使模型推广能力得到提高。最后,利用EPANETH软件模拟了某城市供水管网,采集了不同泄漏工况下的管网压力数据,分别对低密度学习样本、高密度学习样本和改进后算法进行了仿真实验。结果表明,以低密度学习样本构建的PSO-LSSVM诊断模型(算法1),平均绝对误差达到11.73;提高学习样本密度后构建的模型(算法2),平均绝对误差为0.33;改进算法的平均绝对误差为2.12,比算法1降低了9.61,仅比算法2增加了1.79。结合输出编号规则,在泄漏位置判断中,算法1正确率仅为37.70%,无法满足预测精度要求;算法2为98.36%,改进算法正确率为100%,而改进算法在样本获取数量上,由算法2的150组减少为55组,减少了63%,简化了算法运算,说明了改进算法的优越性。