氢能作为能源清洁利用的终极手段,将在我国实现双碳目标的进程中发挥重要作用。重卡作为交通领域中污染最严重的车型,氢燃料电池重卡的发展对缓解环境污染具有重要意义。由于纯燃料电池重卡的输出特性偏软,成本较高,无法满足重卡的动力性和经济性要求。因此,氢燃料电池重卡往往会选择大功率燃料电池与锂离子动力电池共同作为重卡的驱动源。锂离子动力电池在大功率燃料电池以及重卡特殊行驶工况的影响下,会导致其充放电情况复杂,影响其热安全性。而传统的电池热模型由于计算复杂、精度不高、工况适应性差,难以对动力电池的外表面温度进行准确预测,因此研究适用于燃料电池重卡动力电池的温度预测模型对燃料电池重卡动力电池热管理,以及整车热安全都具有重要意义。本课题以山西省科技厅重大专项:重卡燃料电池动力系统及整车集成技术项目（20181102009）为依托,以氢燃料电池重卡辅助动力电池为研究对象,针对传统动力电池热模型对氢燃料电池重卡的辅助动力电池进行温度预测时,存在的热模型计算量偏大、计算时间长以及由于未考虑历史温度的影响致使估算误差增大等问题,以提高燃料电池重卡的辅助动力电池外表面温度预测精度为目标,研究了燃料电池重卡辅助动力电池的温度实时预测模型,并对其进行了验证。本文主要完成了以下工作:（1）根据目标车型的整车参数要求,首先对氢燃料电池重卡的动力系统构型进行分析与选型,确定了燃料电池与辅助动力电池并联驱动的电电混合动力构型。其次针对目标车型的动力性要求,对整车动力系统关键部件进行了选型与参数匹配,并搭建了氢燃料电池重卡的整车Cruise模型。在综合考虑燃料电池工作特性的基础上,进行了CWTVC工况仿真研究,获得了燃料电池作为主动力源情况下辅助动力电池的运行工况。（2）针对燃料电池重卡动力电池充放电情况复杂、外表面温度难以预测的问题,建立了以动力电池充放电电流、充放电持续时间、环境温度以及历史温度为输入,电池外表面温度为输出的长短期记忆循环神经网络（LSTM-RNN）模型。由于输入因素较多,为提高电池温度预测模型的准确性,保证模型能够快速收敛,建立了余弦退火衰减学习率与Adam优化算法复合优化的LSTM-RNN融合模型。该策略使用Adam优化算法对模型训练过程中的参数进行更新迭代,同时采用余弦退火衰减学习率策略对参数迭代过程中的学习率进行优化,提高了预测模型的鲁棒性,保证模型可以快速找到全局最优解。（3）搭建了锂离子电池模拟工况实验平台,设计和完成了单体电芯以及电池组在不同环境温度下的模拟工况温升试验,对预测模型所需要的训练数据以及验证数据进行采集,完成了对LSTM-RNN融合模型的训练。在此基础上,根据实际工程经验搭建了底部水冷和侧边风冷耦合的实验平台。通过对实验平台的总体设计、硬件设计以及软件设计等工作,进行了燃料电池重卡辅助动力电池的高温散热与低温加热实验,完成了燃料电池重卡辅助动力电池外表面温度预测模型的实验验证工作。对于在大功率燃料电池以及重卡工况影响下的辅助动力电池而言,本文的研究可以提高其外表面温度预测模型的精度,并为辅助能源的热管理提供依据,对燃料电池重卡整车热管理以及改善整车动力性具有重要意义。