随着能源短缺及环境污染问题的日益严重,以纯电动汽车为代表的新能源汽车成为当今汽车行业发展的重要方向。然而,纯电动汽车的续航能力和电池组的温度适应性制约了电动汽车的应用。一方面,高温和低温环境下充放电分别会导致电池组的热量聚集和锂枝晶产生,引起内部短路和热失控等安全事故。另一方面,驾驶过程中大幅度的加减速以及电池热管理过程中过度的冷却或加热消耗了大量能量,导致电动汽车续航里程下降。因此,为了保证电动汽车的安全稳定运行并缓解里程焦虑,将电池组维持在适宜温度的同时减小整车的能量消耗至关重要。本文对电池热管理系统和整车能耗系统的建模以及电动汽车电池组温度与整车能量协同优化策略的设计进行了研究,主要内容如下:首先,为了实现高温和低温环境下电池组的有效冷却和加热,基于能量守恒定律和逆卡诺循环原理建立了面向控制的电池热管理系统三阶模型。该模型分别对电池组和换热器进行了集总处理,简化了模型的复杂度,同时基于三个状态变量充分描述了冷却液、制冷剂和电池之间的热量传递关系。此外,本文建立了电动汽车的整车能耗模型,模型描述了车速、驱动能耗和热管理系统热交换速率间的关系,以及整车能耗与电池生热速率间的关系。通过在AVL Cruise中搭建整车模型,验证了电池热管理系统和整车能耗模型的准确性。然后,针对电池的生热和热交换速率与整车能耗紧密耦合,使得在未来较长时域内对电池温度和整车能量优化的计算过于复杂的问题,提出了基于迭代动态规划—深度Q网络（Iterative Dynamic Programming-Deep Q Network,IDP-DQN）的车速规划与电池温度优化策略。首先根据前瞻域内的交通状态信息采用IDP策略调节车辆加速度进而对未来车速进行规划,以减小全局总驱动能耗,提高能量利用率。其中IDP策略可以在迭代过程中缩小状态量和控制量边界的同时降低网格密度,从而减少计算和存储负担并提升优化性能。然后,针对热管理系统模型中存在幂次项和指数项导致系统具有强非线性的问题,采用DQN算法基于规划得到的多个工况和所建立的系统模型训练离线模型,得到不同状态量下的最优水泵和压缩机转速,从而解决高维连续状态下长时域的电池组温度优化问题。通过和传统控制策略进行对比验证了IDP-DQN优化策略的有效性。最后,针对IDP在前瞻域内规划的全局车速难以应对实际路况中前车减速等突发状况,且DQN训练过程中采用已有的驾驶工况不能完全反应实际交通状态的问题,提出了基于学习型模型预测控制（Learning-based Model Predictive Control,LMPC）的电池温度与整车能量协同优化策略,以综合考虑全局和实时交通状态对电池温度和整车能耗的影响。LMPC中集成了基于高斯过程回归的残差模型,使状态预测模型在预测过程中不断的自学习和更新以提高估计精度。为保证全局工况下电动汽车的节能效果以及实时交通状态下车辆的安全性和稳定性,在上层LMPC控制器中,将IDP规划得到的全局最优车速作为参考车速,并基于实时交通信息调节驱动转矩从而对电动汽车的车速进行优化。下层LMPC在每一时刻接收上层LMPC在预测时域内得到的实时最优车速,并根据所建立的目标函数平衡温度偏差和能量消耗之间的关系,从而充分考虑实时车速对电池生热和热交换速率的影响。同时,下层LMPC的目标温度由DQN基于全局最优车速计算得出,反映了全局工况下热管理系统中传热过程的慢变特性。在VISSIM软件上搭建交通仿真模型,实现电动汽车的车速规划模拟。在此基础上,对比了双层LMPC优化策略与IDP-PI-DQN策略下的电动汽车经济性。结果表明,与IDP-PI-DQN策略相比,高温和低温环境下电池组的平均老化速率分别降低了6.8%和5.5%,百公里能耗分别降低了10.3%和11.1%;证明了本文提出的电池组温度与整车能量协同优化策略的优越性。