需求响应的家庭能源系统（Demand、Response、DR）可以有效地促进节能减排。家用能源系统具有很强的不确定性，这就要求DR的优化策略具有自动快速调整的能力。本文研究了DR知识与强化学习相结合的优化方法。首先，建立了二者整合的优化框架，形成知识与强化学习的互补机制。然后，对家用设备进行建模，建立其DR优化知识规则集。然后，以知识向学习样本的转化为核心，设计了知识融入强化学习的模型，重点研究了知识样本的行动概率、多样化知识、随机探索概率等的动态调整，设计了与DQN的知识融合算法和网络。算例表明，该方法能自动适应家庭的不确定性，能耗比知识规则法低11.1%。与标准DQN相比，在相同的收敛标准下，该方法的能量消耗降低了3.3%，收敛时间仅为标准DQN的1/6。