作为混合动力汽车（Hybrid electric vehicle,HEV）向纯电动汽车(（Pure Electric vehicle,PEV）过渡的产品,可外接电网充电的插电式混合动力汽车（Plug-in hybrid electric vehicle,PHEV）装配更大容量的动力电池,兼具了HEV和PEV的优点,成为了目前新能源汽车研究的热点。作为PHEV的核心技术之一,能量管理控制策略直接影响整车的燃油经济性。然而目前应用于PHEV的能量管理策略鲁棒性不高,难以适应不同行驶工况和行驶条件,在燃油经济性方面仍有较大的提升空间。本文结合课题组承担的国家重点研发计划项目,以一款装备CVT的PHEV为研究对象,以等效油耗最小控制策略（Equivalent fuel consumption minimization strategy,ECMS）为研究主线,研究了等效因子的全局最优化序列,引入了基于神经网络的智能控制方法,开发了一种鲁棒性和燃油经济性较高的在线能量管理控制策略。具体研究内容有:1.针对一款装备CVT的插电式混合动力汽车,对其动力系统构型进行了分析;基于Matlab/Simulink平台搭建了面向实时控制的前向仿真模型,包括基于PID控制原理的驾驶员模型,基于实验数据的发动机、电机和CVT数值模型,基于等效电路的动力电池理论模型,以及基于汽车纵向动力学的整车模型;分析了整车工作模式并制定了模式切换规则。2.基于庞特里亚金最小值原理建立了ECMS数学模型;通过对发动机瞬时燃油消耗率和电池瞬时等效燃油消耗率的数值拟合,将最优控制变量的搜索空间缩小为一个有限的可选值空间,建立了实时性更强的近似等效燃油消耗最小控制策略（A-ECMS）模型;对A-ECMS中的关键控制参数等效因子进行了仿真分析,结果表明,固定值的等效因子对于PHEV的不同初始条件和行驶工况的改变适应性不足。3.针对以上问题,引入动态规划（DP）算法得到了等效因子全局最优化序列,提出了一种基于时变等效因子的DP-AECMS策略。首先基于DP模型,以等效因子为控制变量,以每一时刻经A-ECMS策略求解得到的电池SOC为状态变量,发动机燃油消耗最小为目标,设计了一种将A-ECMS策略嵌套入DP的DP-AECMS算法。然后对DP-AECMS算法的计算效率、边界值误差和离散精度进行了分析,提高了DP-AECMS算法的计算速度和精度。最后应用DP-AECMS算法计算了NEDC工况下的等效因子全局最优化序列,并应用于A-ECMS控制策略的仿真。结果表明,相比于固定等效因子的控制策略,基于DP-AECMS的控制策略能有效提高整车的燃油经济性,与直接应用DP求解的全局最优结果非常接近。4.为适应不同行驶工况,引入了基于BP神经网络的智能控制方法,提取等效因子的全局最优化序列与行驶工况和车辆状态之间的非线性关系,实现了DPAECMS控制策略的在线应用。首先应用DP-AECMS算法计算了在拥堵路况、城市路况和高速路况三种典型工况下的等效因子全局最优化序列,作为神经网络的训练样本。然后搭建了BP神经网络模型并利用样本数据对网络进行了训练,基于训练后的神经网络设计了在线控制器。最后,在10-NEDC工况下对在线控制器进行了验证,结果表明,结合神经网络的DP-AECMS在线控制策略能适应不同的行驶工况,与应用相同神经网络直接识别DP结果的策略相比,本文所提出的控制策略的鲁棒性更好,燃油经济性提高了2.46%。