本文以插电式混合动力汽车为研究对象,分别对功率分流和多模式混合动力汽车两种模型下的能量管理问题展开研究,基于二次规划、动态规划、极小值原理、神经网络、模型预测控制理论等提出了考虑发动机启停的全局能量管理策略、基于规则拟合的在线能量管理策略以及多神经网络的预测能量管理策略。本文主要工作内容如下:(1)分别对功率分流插电式混合动力汽车以及一种多模式插电式混合动力汽车进行了详细的建模与分析,并推导出不同模型在不同工作状态下的能量流动关系以及状态方程,并建立了电池简化模型以及介绍了发动机最优工作曲线,为后续的推导和简化提供依据。(2)针对功率分流插电式混合动力汽车,提出了一种基于二次规划和遗传算法的全局能量管理策略。根据简化模型建立了电池功率与油耗之间的二次关系并验证其拟合精度。将发动机启停作为时间序列,使用遗传算法优化发动机启停顺序,并结合二次规划计算电池功率序列,实现对油耗的全局优化。仿真结果表明,所提出的方法可以有效实现经济行驶,最大省油比例达到10.46%,有效提高了燃油经济性。(3)针对一种多模式插电式混合动力汽车,提出了基于最优规则拟合的实时能量管理策略。首先在大量不同种类、不同长度的工况下求解全局最优的运行模式和电池功率,同时将最优解数据集作为训练集,对运行模式进行分类,用于在线的驾驶模式识别;结合工况识别提取出最优数据集中电池功率的规则用于在线获取功率分配命令。仿真结果表明,所提出的方法能使电池荷电状态轨迹与动态规划的轨迹相似,并且与放电-维持策略相比总代价最高可以减少10.92%。(4)针对多模式插电式混合动力汽车,在前述研究的基础上提出了一种基于多神经网络的实时预测能量管理策略。使用庞特里亚金极小值原理求得不同工况下的最优协状态,并应用循环神经网络对协状态进行训练,实现对协状态的在线预测,便于在线求解最优电池功率。对比分析了基于反向传播神经网络、径向基神经网络的速度预测方法及预测精度,最终选择径向基神经网络作为速度预测器。结合模式识别神经网络、协状态估计神经网络和速度预测器,建立了基于模型预测控制的实时能量管理策略。设计了等效油耗最小策略和普通的基于极小值原理的模型预测控制用于在线策略的对比。仿真结果表明,所提出的新的训练特征可以有效的将模式识别的准确率96.65%提高至99.08%,计算时间最多节省57.31%;与放电-维持策略相比,总花费可减少7.43%,达到动态规划离线最优的34.8%;与等效油耗最小策略相比总花费可减少12.2%-34.68%。