随着环境污染和能源消耗问题日趋严重,插电式混合动力汽车(Plug-in Hybrid Electric Vehicle,PHEV)作为传统汽车向纯电动汽车过渡的产物,因其具有较好的节能减排性能,而受到了广泛、持续的研究。网联化是未来汽车的发展趋势,车联网技术的发展为PHEV的能量管理策略制定提供了新的思路。本文以一款单轴并联插电式混合动力汽车为研究对象,在融合网联信息的基础上(本文主要涉及的网联信息包括了全球定位系统(Global Positioning System,GPS)提供的位置信息,地理信息系统(Geographic Information System,GIS)提供的海拔信息以及智能交通系统(Intelligent Transport System,ITS)提供的交通信息),以进一步提升PHEV的燃油经济性为目标,对PHEV能量管理策略的制定开展以下工作:(1)将网联信息与等效燃油消耗最小化的策略(Equivalent Consumption Minimization Strategy,ECMS)相结合。首先针对PHEV可以从电网充电的特性,建立以单位里程需求能量为核心参数的等效系数估计方法;然后使用粒子群算法优化获取最优的等效系数;最后融合网联交通信息,通过神经网络对单位里程需求能量进行预测,并构建基于单位里程需求能量预测的ECMS策略。提出的策略在一段实际工况进行仿真以验证其有效性。(2)将网联信息与模型预测控制(Model Predictive Control,MPC)相结合。首先通过多元线性回归建立PHEV的主要动力部件的状态方程并构建线性的模型预测控制器;然后为提升MPC的控制效果,融合网联信息对未来5s的参考SOC和参考车速进行预测,并将预测结果应用于MPC的控制中,提出分层随机模型预测控制。提出的策略在综合工况下进行仿真,验证算法的优越性。(3)为制定更具普适性的能量管理策略,结合通过网联信息进行规划的参考SOC,将增强学习(Reinforcement Learning,RL)算法应用于PHEV能量管理策略的制定。同时,为了提升增强学习在不同行驶工况下的适应性,提出概率转移矩阵的更新方法。通过对比电量消耗电量保持(Charging Depleting-Charging Sustaining,CDCS)和传统的优化策略结果,验证基于RL策略的有效性。