随着中国经济的快速高质量发展,建筑能源的短缺以及环境污染等问题层出不穷,使得建筑节能成为必然趋势。其中建筑能耗中电力能源消耗较大,系统结构复杂等特点,减少建筑能耗浪费一直被视为节能领域的重点方向。同时建筑物数量的不断增加以及人们对舒适生活的高要求,使得建筑节能迫在眉睫。为了实现建筑节能的目的,高效精确的能耗预测是采取相关后续节能措施的重要前提。在本文中,分析了建筑能耗的现状和存在的问题,以及传统强化学习算法在建筑能耗预测应用方面存在收敛速度慢、学习效率低以及仅适用于小规模状态空间等问题,在此基础上探讨了一种基于元强化学习的方法研究,根据建筑能耗数据的马尔科夫性,在强化学习中引入了元学习思想,再通过梯度下降法来更新模型参数,训练出一个高精度系统模型,以提高建筑能耗预测的效率和精确度。主要提出了以下两种改进的深度强化学习算法,其主要内容如下:（1）为了解决传统强化学习算法的计算时间成本大,学习效率低等问题,提出了一种基于元学习的DQN（Deep Q-Network）算法研究,其中采用的是MAML（Model-Agnostic Meta-Learning）框架算法,在强化学习算法的学习过程中引入元学习的思想,解决了训练样本量不足导致的学习效率低以及过拟合的问题,同时提出的新算法利用内在奖赏函数训练得到合适的模型参数,使得智能体在学习的过程中仅通过少量训练数据就可以取得较好的收敛效果,以提高整体算法的学习率和精确度。将所提出的算法用于N-way K-shot和Grid world问题中,实验证明新算法比原始的DQN算法具有更好的收敛性。（2）为了逐步提高算法对训练样本的学习效率,在Meta-DQN算法框架基础上引入了近端策略优化（Proximal Policy Optimization,PPO）算法进行优化拓展,其中采用了重要性采样,对采样样本进行一个重要性评判以此确定该样本对学习任务的影响程度,提高了Agent对策略的探索效率,在此基础上添加了一个优势函数,此函数可增大优质动作在Agent未来与环境交互时出现的次数,提高智能体的有效学习能力,最后为了加大Agent的探索力度加入了OU动作噪音。（3）当今社会发展迅速,先进的智能家具设备越来越普及,建筑能耗问题也得到了广泛关注。由于对目前已有的建筑能耗数据和影响消耗的关键因素分析不足,以及实验样本量不足的问题,将导致预测精度无法满足实际需求。采用元强化学习算法以及PPO算法优化模型参数,实现算法对新环境的快速适应,并以大型办公建筑为研究对象,将其建筑能耗数据作为网络输入进行参数学习,以提高预测模型的准确性,为后续用电调度提供参考,实现建筑节能的目的。