混合动力汽车是解决环境污染和能源短缺问题的一条可行之路。在新能源的辅助下,如何进一步提高混合动力汽车的燃油经济性是一个重要的研究课题。全局工况已知的能量管理策略已经成熟,但可实时应用、在线应用的能量管理问题仍有待突破。为解决这一问题,本文系统的研究了混合动力汽车的能量管理策略。本文以单轴并联式混合动力电动汽车为研究对象,在对其动力系统建模后,用动态规划算法得到车辆在三种典型工况下的燃油经济性、电池荷电状态范围、工况末端时刻电池荷电状态、平均发动机效率、平均电机效率、平均电机能量回收效率等六个方面的性能参数。为克服动态规划算法需要全局工况信息且离线应用的局限性,本文研究了三种不同的能量管理算法:基于随机动态规划、基于正交小波基神经元动态规划以及基于随机模型预测控制的能量管理策略。基于随机动态规划的能量管理策略将未知工况对车辆的不确定性影响用驾驶员需求转矩表示,用非线性离散化方法将该转矩建模为一步马尔可夫链。在完成“状态-动作-阶段代价”数据采集后,用策略迭代法对能量管理问题进行求解。该方法采用了按照电池荷电状态区间变化的电池荷电状态阶段代价函数,更符合实际中电池的使用情况。实验结果表明,该方法在三种城市工况下都有较强的适应性。同时,该方法得到的策略是一个表格,在应用中可通过查表的方式获得最优控制动作。基于随机动态规划的能量管理策略存在用策略迭代法求解时计算量过大的问题。为解决上述问题,本文进一步研究了基于正交小波基神经元动态规划的能量管理策略。首先,提出了一种正交小波基神经网络,给出了网络结构的确定方法、隐层激活函数的确定方法、网络权值和小波参数更新方法。随后,将该神经网络用在正交小波基神经元动态规划能量管理策略的评价网络中。最后用一个修正模块对动作网络输出的控制动作进行修正,获取真正的控制动作。实验结果显示,该方法有在线应用的潜力。基于随机动态规划的能量管理策略是基于一步马尔可夫链的驾驶员需求转矩模型求解最优控制问题,因此会带来模型误差问题。本文研究了基于随机模型预测控制的能量管理策略。首先,建立了车辆的状态空间预测模型。随后,将动态规划法和多步即时差分算法相结合应用到滚动优化中。三种工况下的实验结果显示,与基于随机动态规划的能量管理策略相比,该方法因为反馈校正和滚动优化的特点,可以有效解决模型误差问题,得到更好的车辆燃油经济性和动力系统部件效率。本文对基于动态规划、随机动态规划、正交小波基神经元动态规划和随机模型预测控制算法的四种能量管理策略进行了比较研究和实验。结果显示:基于正交小波基神经元动态规划和基于随机模型预测控制的能量管理方法可以得到次优的燃油经济性和车辆部件效率;基于随机动态规划的方法因为有离散误差和马尔可夫链模型误差问题,与后两种方法相比,燃油经济性和车辆部件效率均较低。