随着我国经济等各方面大力协同发展,我国的能源消耗问题是亟需面对的一大难题,而当中占比较高的则是建筑能耗,且占比量仍然不断上升,因此,对建筑的节能优化研究问题近年来广泛受到关注。在各类建筑能耗中,中央空调的耗能比例较高,所以对中央空调进行有效的节能优化,是降低我国建筑耗能的一种主要措施。本研究为了进一步改善中央空调的控制策略,通过使用深度学习中的深度确定性策略梯度算法（Deep Deterministic Policy Gradient,DDPG）来得到较好的控制策略,从而实现能源的有效节约。然而,深度确定性策略梯度算法中有双网络结构而产生的不稳定及单评论家评估不准确的问题,会使得实际应用的最终效果不理想。本研究对原始的DDPG算法进行了一系列改进,研究了一种基于多重指数移动平均评估的DDPG算法,同时利用模糊C均值算法（Fuzzy C-means,FCM）优化的深度双Q网络（Double Deep Q Network,DDQN）对空调机组的负荷进行预测,通过预测到的下一时刻的负荷值给出最优控制,从而实现能源的显著节约。主要包括以下三部分内容:（1）针对DDPG算法中双网络结构的不稳定及单评论家评估不准确的问题,研究了一种基于多重指数移动平均评估的DDPG算法。该算法通过EMA-Q网络（Exponential Moving Average-Q Network）和目标Q网络合作得出目标更新值,并对多个评论家给出的Q值求平均,降低单评论家评估的不准确性。此外,样本池部分引入双重经验回放方法,采用两个样本池分别存储不同的经验,提高算法的收敛性能。实验部分将基于多重指数移动平均评估DDPG算法应用于倒立摆和山地小车中,并与原始DDPG算法进行对比。（2）针对空调负荷具备时序性以及干扰性较高的属性,研究了一种基于FCM优化DDQN的负荷预测方法,相较于原来的针对整个样本进行负荷预测模型的建立,FCM算法首先将样本进行聚类,然后再根据样本的不同类别来进行负荷预测模型的构建,经过FCM算法聚类后的样本,后期作为预测模型的输入时代表性更强,后续的负荷预测准确精度也更高。为了验证该预测方法的有效性,通过将某环境学院记录的实际建筑空调负荷数据输入预测模型之中来模拟空调的实时运行,并将利用FCM聚类后的优化DDQN的负荷预测方法与未引入FCM优化的DDQN负荷预测方法实验数据进行对比分析。（3）将基于多重指数移动平均评估的DDPG算法结合预测得到的下一区间负荷,对空调系统进行更好的控制优化。首先对中央空调系统作了简要的分析,使用基于多重指数移动平均评估的DDPG算法对不同负荷区间进行了变量的优化,变量选择的是冷冻水出水温度、冷却水流量、冷冻水出回水温差,得到最优的参数值,并且根据FCM-DDQN算法提前预测出下一时刻的负荷具体值,选取最优的动作变量值,从而实现空调系统的节能优化。