能源和环境问题是人类进步和社会发展过程中始终面临的棘手问题。为解决这两大问题,塑造一个低碳能源的未来,整个能源系统一直在努力寻找更多智能和绿色的选择。作为电网的终端用户,家庭能源对电力的消耗约占电力市场的60%。世界各国相继提出需求响应（Demand response,DR）策略,促使用户积极主动参与家庭能源管理系统（Home energy management system,HEMS）的优化和调度。然而,家庭用户行为的不确定性、用电设备类型的多样性以及各种设备工作状态的复杂性给家庭能源管理带来了严峻的挑战。为了实时智能优化调度家庭用户的用电设备,本文在数据驱动框架下提出一种基于预测的深度强化学习家庭能源管理系统调度方法。主要研究工作如下:1.在家庭能源管理系统中,考虑到室外环境温度的未来变化信息对用户满意度产生的影响,本文提出对室外环境的温度建立预测模型。针对室外环境温度呈现非线性和非高斯的特点,本文提出一种基于广义互熵长短期记忆（Generalized corr-entropy assisted long short-term memory,GC-LSTM）神经网络的温度预测方法。该方法结合LSTM神经网络的学习记忆能力和GC处理非高斯数据鲁棒性强的特点,建立精确的温度预测模型预测未来环境温度的变化趋势。通过与其它同类算法对比,证明所提出的方法具有更高的预测精度和更强的鲁棒性。2.将上述GC-LSTM温度预测模型与模型自由的竞争性-双深度网络（Duelingdouble deep Q-Network,Dueling-DDQN）算法相结合,对包含光伏发电、储能系统和电动车等在内的家庭用电设备进行智能优化调度。根据家庭环境的实时变化信息,以数据驱动的方式对家庭能源管理系统进行离线训练和在线测试。在训练过程中通过将每个用电设备的动作与奖励相结合,使智能体快速学习到一个满意的动作,同时提高算法的收敛速度。通过实验仿真、算例分析和不同基准对比验证所提出方法在家庭能源管理系统中的实用性和有效性。3.针对家庭能源管理系统的大功率用电设备—供热通风与空气调节系统（Heating,Ventilation,Air-conditioning and Cooling,HVAC）的节能问题,进一步提出采用基于多步预测深度强化学习（Multi-Step Predictive Deep Reinforcement Learning,MSP-DRL）算法框架的HVAC智能优化管理系统。在智能电网实时电价的机制下,使用带有未来预测温度信息的深度确定性策略梯度（Deep Deterministic Policy Gradient,DDPG）算法,以达到在对HVAC系统进行控制时,能同时做到有效减少耗电成本和保证用户的满意度的目的。