当前社会存在的日益严重的能源短缺和环境污染问题,正在促使新能源汽车行业快速发展以减轻由于传统燃油汽车所引起的一系列社会问题。在目前所存在的新能源汽车中,插电式混合动力汽车(Plug-in Hybrid Electric Vehicle,PHEV)是一种替代传统燃油汽车的最佳选择。PHEV装配有高成本、大容量的可以从外界电网充电的动力电池。因此,PHEV在实际的公路上行驶时,可以更多的工作在纯电动模式来达到降低燃油消耗和减少尾气排放的目的。但是,由于频繁的充放电会对电池造成不可逆转的损耗,因此会缩短电池的使用寿命,在PHEV的整车使用寿命结束之前更换动力电池会很大程度的增加PHEV的整车使用成本。所以,设计考虑电池寿命的能量管理策略对降低PHEV的使用成本有着不可忽略的重要意义。本论文以插电式通勤混合动力汽车为研究对象,研究了两种兼顾燃油消耗和电池寿命损耗多目标能量管理优化控制策略。主要的研究内容如下:设计了考虑电池寿命的基于循环神经网络的自适应等效燃油消耗最小能量管理策略(Recurrent Neural Network-Based Adaptive Equivalent Consumption Minimization Strategy,RNN-A-ECMS)。策略设计包括离线设计和在线设计两部分,其中,离线设计包括两部分,一是利用动态规划(Dynamic Programming,DP)获取的SOC最优参考轨迹与历史交通数据离线训练一个RNN网络;另一部分是使用粒子群优化算法(Particle Swarm Optimization,PSO)和庞特里亚金最小值原理(Pontryagin’s Minimum Principle,PMP)离线建立ECMS中等价因子的初始值和权重系数分别根据不同SOC和需求功率变化的MAP图。其中的权重系数是用于平衡能量消耗和电池寿命这两个相互矛盾的优化目标。在线设计部分是将离线训练好的RNN网络和两个MAP图通过一个比例积分控制器集成为在线的RNN-A-ECMS能量管理控制系统,可根据当前的交通信息实时调整等效燃油消耗中的等价因子和权重系数的值,从而提高所设计的能量管理策略的控制性能和对驾驶工况的适应性。利用差分进化算法(Differential Evolution,DE)直接求解多目标能量管理优化控制问题,来取缔平衡能量消耗和电池寿命两个相互矛盾目标的权重因子。设计了基于差分进化算法考虑电池寿命的自适应等效燃油消耗最小能量管理策略(Differential Evolution-Based Adaptive Equivalent Consumption Minimization Strategy,A-ECMS)。为了避免由于在线运行时对帕累托解集之外的控制量遍历而增加的计算复杂度,在设计考虑电池寿命的能量管理策略时先利用历史交通信息根据不同的交通特征进行了路径分段处理,在每一段路径利用差分进化算法将燃油消耗和电池寿命作为两个独立的目标函数进行直接优化求解,获取能量管理控制变量关于路段数、电池荷电状态(State-of-Charge,SOC)和需求功率的帕累托解集MAP图。在能量管理控制策略在线运行时,通过查找帕累托解集MAP图来确定A-ECMS控制变量寻优范围进行瞬时优化求解。这样设计的A-ECMS,既增加了最优解的选择范围提高优化效果,又能减少能量管理策略在线计算的复杂度提高实时性。为了充分验证所提出的能量管理控制策略的有效性以及对实际交通不同工况的适应性,本文采用了MATLAB/Simulink和GT-SUITE搭建的联合仿真平台进行仿真实验验证,并且与其他能量管理策略进行了仿真实验对比,给出了结果分析。