燃料电池汽车在使用过程中不产生污染性气体,是在当前全球空气污染和石油资源紧张背景下传统燃油汽车向新能源汽车转型的理想方向之一。燃料电池汽车能量管理策略的制定是一项必要工作,其控制效果的好坏与车辆的动力性和经济性等指标密切相关。本文以一款搭载燃料电池和锂电池组混合动力系统的插电式燃料电池汽车为研究对象,开展对其能量管理策略制定的研究,在满足整车动力性能要求的基础上对燃料电池汽车的氢耗和锂电池的衰退进行优化,开展了以下工作:首先,介绍了燃料电池汽车的常见构型并对其优缺点进行了逐一分析,对不同类型的能量管理策略进行了探讨。随后,确定了本文燃料电池汽车的构型以及整车参数和动力性要求,在此基础上对燃料电池混合动力系统的关键部件进行参数匹配和选型,紧接着对其进行数值建模,构建了燃料电池汽车能量管理策略的仿真基础。考虑到行驶工况与能量管理策略之间的密切联系,本文利用神经网络方法将复杂的行驶工况进行处理以增加能量管理策略对行驶工况的适应性,开展了行驶工况识别和行驶工况预测的研究。在工况识别方面,对典型行驶工况数据的特征参数进行主成分分析和聚类分析处理,建立了以特征参数降维后的主成分为学习向量量化神经网络输入的工况识别方法。在车速预测方面,为提高误差反向传播神经网络的预测精度,提出了结合式的车速预测方法。为优化整车氢耗,设计了里程自适应等效氢耗最小策略,其等效因子根据由交通流量信息确定的剩余纯电行驶里程进行调整并通过参考SOC轨迹进行惩罚,通过仿真验证了该策略在氢耗优化方面的有效性。考虑到锂电池衰退对能量管理策略的影响,引入电池衰退程度的评价指标严重性因子,并结合工况识别结果根据电池衰退程度进行电池功率的反馈调整,该策略在减缓电池衰退上的优势通过仿真得以验证。最后,结合车速预测建立了预测式里程自适应等效氢耗最小策略以进一步优化整车氢耗,并建立了综合考虑氢耗和电池衰退情况的深度增强学习能量管理策略。将二者进行结合,构建了预测式分层能量管理策略框架,根据不同的电池衰退严重性因子阈值对氢耗优化和电池衰退优化进行权衡控制,在典型循环工况下验证了其均衡优化效果。