近年来,随着人口增长和经济发展,建筑行业能耗逐年增加。过多的建筑能耗不仅加剧了能源短缺情况,还排放了大量的二氧化碳,严重阻碍国家“双碳”目标的实现。因此,建筑节能至关重要。建筑能耗预测作为建筑节能的基础,在获取控制设备的最优策略、规划能源调度及评估建筑系统运行方面起着不可替代的作用。深度强化学习（Deep Reinforcement Learning,DRL）将深度学习（Deep Learning,DL）的感知能力与强化学习（Reinforcement Learning,RL）的决策能力相融合,可以处理高维连续状态空间中的复杂问题,因而在建筑能耗预测领域受到了广泛关注。在使用深度强化学习预测建筑能耗时,处理离散动作空间算法可以花费更少的计算资源和计算时间收敛,但其最终的预测精度低于连续动作空间算法。一个重要的原因是,离散动作空间算法的预测精度与建筑能耗所属的预测空间大小息息相关。在预测空间未改变其原有含义情况下,大范围预测空间中的离散动作空间算法容易陷入局部最优,故而降低了算法所构建的能耗预测模型精度。本文通过变换建筑能耗所属预测空间的大小及含义,以离散动作空间算法深度Q网络（Deep Q Network,DQN）为基础进行建筑能耗预测研究,其主要内容包括三个部分:（1）提出一种基于缩减预测空间的DQN（Shrunken-prediction-space DQN,S-DQN）建筑能耗预测方法。该方法将原始预测空间平均划分为多个子空间,并通过深度森林（Deep Forest,DF）状态分类器对不同子空间进行统一表示,生成缩减的预测空间。同时,将状态类别概率与原始状态相结合构建新状态作为网络输入,以提高算法的鲁棒性。最终实验结果表明,15状态类别的S-DQN算法所构建的建筑能耗预测模型精度最高,具有明显优势。（2）提出一种基于转换预测空间的DQN（Transformed-prediction-space DQN,T-DQN）建筑能耗预测方法。首先,将原始预测空间在能耗函数一阶差分基础上进行一次转换,而后利用集合封闭性原理及深度森林符号分类器对其进行二次转换。最终,利用符号集合与转换预测空间替代原始预测空间,并以此构建建筑能耗预测模型。实验结果表明,T-DQN算法可获取优于S-DQN算法的能耗预测精度。（3）提出一种基于转换缩减预测空间的DQN（Transformed and Shrunken-pre-diction-space DQN,TS-DQN）建筑能耗预测方法。该方法在利用一阶差分、集合封闭性原理及深度森林符号分类器生成转换预测空间的基础上,将转换预测空间平均划分为多个子空间,并使用深度森林状态分类器对其统一表示,最终生成转换缩减的预测空间,TS-DQN算法便在此预测空间基础上构建建筑能耗预测模型。最终的实验结果表明,8状态类别的TS-DQN算法在S-DQN,T-DQN等其他算法中具有最高的预测精度,证明了其在建筑能耗预测方面的优越性。本文针对离散动作空间算法在建筑能耗预测中的缺陷,采用缩减原始预测空间大小,转换原始预测空间含义,缩减转换的预测空间三种方式提出了新的建筑能耗预测模型,验证了离散动作空间算法在建筑能耗预测领域的潜力。