能量管理策略作为混合动力汽车的大脑,控制整车及各个零部件的工作状态,一直是各个车企、科研院所研究的热点。当前主流的能量管理策略中,基于规则的和基于等效燃油消耗最小的能量管理策略均存在工况适应性差,且最优控制参数难以确定等局限性,而基于全局优化算法的能量管理策略在应用时,需预知未来全部行驶工况信息,实际控制中可行性差。针对以上问题,本文以基于P2构型的混合动力汽车为研究对象,以提高整车燃油经济性为研究目的,分别开展基于行驶工况识别和基于行驶工况预测的混合动力汽车能量管理策略研究,以解决上述两个问题。完成的主要研究工作总结如下:1)提出基于粒子群优化支持向量机的行驶工况识别算法。针对当前行驶工况识别算法在理论应用方面存在一定的局限性,如神经网络理论中网络结构设置;聚类算法中初始值对聚类结果影响较大,容易陷入局部最优;模糊控制器识别时,隶属度函数大多根据经验选择,只有反复调试才可以提高识别精度等。本文提出基于粒子群优化支持向量机的行驶工况识别算法。离线建模结果表明,相对于基于神经网络和未经优化的支持向量机算法建立的离线行驶工况识别模型,提出的基于粒子群优化支持向量机的行驶工况识别算法的精度明显提高。2)针对等效燃油消耗最小能量管理策略的优化问题,是一个不连续、非可导的双层多目标优化问题,提出一种内外层嵌套的双层多目标粒子群寻优算法,用于等效燃油消耗最小能量管理策略中充放电等效因子和发动机与电机功率分配方式的同时寻优。该算法在提高整车燃油经济性的同时,使电池具有良好的电量保持性能。寻优结果形成策略最优参数或规则库,为基于行驶工况识别的等效燃油消耗最小能量管理策略奠定基础。仿真结果表明,与未经优化的等效燃油消耗最小能量管理策略相比,经过内外层嵌套的双层多目标粒子群算法优化的等效燃油消耗最小能量管理策略在四种典型工况下的整车燃油经济性和电池的电量保持性能均有所提高。3)以一段随机行驶工况为例,分析了识别周期和更新周期对在线识别精度的影响。利用交叉验证法确定了最佳识别周期和更新周期,并对基于行驶工况识别的规则能量管理策略和等效燃油消耗最小能量管理策略进行验证分析。结果表明,与未采用行驶工况识别的能量管理策略相比,基于行驶工况识别的规则能量管理策略可使燃油经济性提高8.34%,而基于行驶工况识别的等效燃油消耗最小能量管理策略可使燃油经济性提高9.74%,并且采用行驶工况识别技术后,两种策略的SOC变化曲线相对平滑,电池充放电次数明显减少,有效提高了系统效率和电池寿命。4)提出一种基于随机马尔科夫模型预测控制的能量管理策略。针对动态规划算法应用在混合动力能量管理策略的求解过程时,需提前预知全部行驶工况信息,因此将行驶工况预测技术与动态规划算法相结合,提出一种基于随机马尔科夫模型预测控制的能量管理策略。以马尔科夫链作为模型预测控制中的预测模块,以动态规划算法作为预测时域内的求解算法,在预测时域内滚动求解。仿真结果表明,基于多步马尔科夫模型工况预测的能量管理策略下的整车燃油经济性最佳,与基于行驶工况识别的规则能量管理策略和基于行驶工况识别的ECMS相比,分别提高19.78%和9.96%。