插电式混合动力汽车（PHEVs）具有比传统混合动力汽车高得多的节油率,且不存在纯电动汽车中被广受诟病的“里程焦虑”问题,因此近年来广受工业界的关注。然而,由于存在两套较大的动力系统,PHEVs的购置成本仍然较高,需进一步提升PHEVs的燃油经济性以抵消其购置成本的增加。随着车联网的发展和车辆智能化程度的提高,道路和交通信息的准确预测和车载有效利用成为可能。通过融合前方的道路和交通信息,车载控制系统不仅可以规划出最节油的行驶车速,而且能实现预测性的能量管理,从而进一步提高动力系统的运行效率。很显然,车速规划和预测性能量管理是两个相互耦合的问题:求解能量管理问题需要车速轨迹作为输入,而车速规划问题中能耗成本的计算取决于所采用的能量管理策略。因此,需对车速和动力系统的能量管理进行协同优化,而协同优化可能会导致计算成本急剧升高,无法满足车载实时应用的需要。为解决该问题,本文以某插电式电动校车为研究对象,提出了一种基于双层迭代优化的车速和电量协同规划框架,并对该框架内的“预测性能量管理”和“双层迭代优化”这两个关键问题进行了研究。首先,通过大量数值仿真试验发现,全局最优荷电状态（So C）随累积驱动能量呈近似线性关系。该特征对快速规划全局So C轨迹具有重要意义。为了找到该全局最优特征背后的理论解释,采用极小值原理（PMP）对全局最优能量管理问题的求解进行了解析推导。结果表明:i)发动机-发电机组（APU）仅当直流母线需求功率超过阈值时才会启动,且该阈值与整个行程的累积需求能量有关;ii)APU启动时的输出功率恒定。结合这两点结论对混合动力模式和纯电动模式下So C变化量与驱动功率的比值进行了比较分析,论证了全局So C随累积驱动能量呈近似线性关系的基本原因。基于全局最优So C轨迹的线性特征和上述理论推导的结论,设计了两种预测性能量管理策略:i)根据推导得到的APU最优工作行为,提出了一种基于总需求能量预测的规则型能量管理策略;ii)基于全局最优So C随累积驱动能量线性变化的特征,并结合PMP推导得到的APU功率的解析解,提出了一种基于全局So C轨迹快速规划和瞬时功率分配解析优化的预测性能量管理策略。不同工况下的仿真结果表明:两种策略的控制效果都接近离线PMP得到的全局最优解。虽然前者的计算效率优于后者,但其控制性能对总需求能量预测的精度具有较强的依赖性,而后者只需预测交通流和地形信息,且对预测误差具有更高的鲁棒性。结合上述第二种预测性能量管理策略,提出了一种全局车速与动力系统能量管理的协同优化方法。该方法分为两层,上层利用前向动态规划算法求解车速规划问题,下层采用上述第二种预测性能量管理方法求解能量管理优化问题。上下层反复迭代直至能耗之差小于设定值。仿真结果表明,所提出的方法在保证实时性的前提下能实现车速与So C的协同优化,并和采用动态规划算法离线优化得到的结果具有相似的燃油经济性。最后针对本文所提出的策略,搭建了相应的模型在环测试（MIL）平台,测试结果表明本文所提出的两种预测性能量管理策略均能实现接近全局最优的燃油经济性,迭代过程能够提高全局车速与能量管理协同优化方法接近1%的燃油经济性。