时至今日,道路上大部分车辆仍然依靠内燃机（ICE）将化石燃料中的化学能转化为机械能。化石燃料不仅是有限的资源,而且在燃烧时会产生一氧化碳（CO）、二氧化碳（CO2）以及氮氧化物（NOx）等对环境和人类具有不利影响的有害气体。为了应对能源和环境问题,世界各大汽车制造商投入研发了大量的混合动力汽车（HEV）、插电式混合动力汽车（PHEV）及纯电动汽车（BEV）,以满足不同客户的需求。尽管这些汽车的销量在持续攀升,但汽车制造商已经逐渐意识到燃料电池汽车（FCV）可能是个人交通电气化的最终解决方案。相较于以燃油为主要动力来源的内燃机汽车和混合动力汽车,燃料电池汽车的温室气体排放量为零,更加绿色环保。与纯电动汽车相比,燃料电池汽车具有加料快和行驶里程长的优点。目前,汽车行业已经在发展商用燃料电池汽车技术方面取得了重大进展。然而,将燃料电池技术推向大规模生产还存在一些挑战。除了高昂的成本,如何有效提升燃料电池汽车的经济性,开发具有更高节氢潜力的整车能量管理策略也是当下研究的重点和难点所在。因此,本文从建立完整的燃料电池汽车整车模型出发,重点研究基于BP神经网络的短期车速预测算法,并在此基础上进行融合车速预测的燃料电池汽车等效氢耗最小策略开发。本文的主要研究内容有:1)首先进行燃料电池汽车建模研究。通过对燃料电池汽车道路行驶受力分析,从而获得其整车动力学模型。在此基础上,依托Matlab/Simulink平台开发建立燃料电池汽车动力系统各部件模型。同时,针对非线性燃料电池系统模型进行合理简化,着重研究空气供给侧建模,得到燃料电池系统简化模型。考虑到燃料电池工作时的极化现象,详细分析了不同极化现象产生压降的原因并建立压降机理模型,进而推导得到燃料电池输出电压模型。2)开展基于BP神经网络的短期车速预测算法研究。概要介绍了神经网络的定义及神经元模型的基本结构,通过公式推导详细阐述了BP神经网络的训练过程。基于此,提出基于BP-NN的车速预测模型。此后,逐步进行车速预测模型的参数选择、工况特征参数选取、输入输出神经元选定来最终确定所建车速预测模型的拓扑结构,进而完成车速预测模型的训练和预测。在选定的CLTC-P工况下对不同速度预测算法进行对比分析,进一步验证了本文提出的BP-NN车速预测模型的准确性和合理性。3)融合短期车速预测的等效氢耗最小策略开发。针对燃料电池汽车,基于前期建立的短期车速预测模型,设计了车速预测与等效氢耗最小算法（ECMS）相结合的能量管理策略,详细分析了等效因子在ECMS中的作用,并建立了基于车速预测的自适应等效因子调整模型。基于此,将本文开发的融合车速预测的能量管理策略（AECMS-pre）与不考虑车速预测的能量管理策略（AECMS-nopre）进行对比分析,验证本文提出的自适应等效因子调整方案的合理性。为探究所开发能量管理策略的节氢潜力,将其与动态规划策略（DP）、离线PMP以及基于规则的策略（Rule-based）进行对比分析,证实了本文建立的融合车速预测的等效氢耗最小策略具有接近全局最优分配的能力。最后,完成控制策略的硬件在环测试,结果表明所开发的整车能量管理策略具备良好的实时性。