在严峻的环境挑战和能源可持续发展背景下,氢能的重要性日益凸显。质子交换膜燃料电池（后简称燃料电池）作为一种高效率、零排放的能源转化装置,在氢能经济中扮演着举足轻重的角色。特别是在交通运输领域,配备燃料电池动力系统的汽车将在低碳能源转型中发挥长效积极作用,助力我国达成“碳达峰”和“碳中和”战略目标。然而,燃料电池在汽车动力系统,尤其是全功率式架构仍面临诸多关键技术难题,如:受内部物质传输限制而导致的缓慢动态响应,使得燃料电池在快速变载工况下的可输出功率不足,容易出现物质饥饿现象,影响使用寿命;动力系统能量流管理实时性要求高、优化目标多且复杂度高,在考虑有限的燃料电池动态性能前提下,较难同时实现最优或近似最优的燃料经济性和小容量峰值电池荷电状态稳定维持。为助力燃料电池汽车大规模示范运营,本文围绕燃料电池在全功率式动力系统架构下应用所面临的动态性能差和能量管理复杂的技术难题,开展了针对性研究,提出了整车功率需求短期预测方法,探索其分别在燃料电池系统控制和整车动力系统能量流控制中的应用,达到改善燃料电池内部物质传输质量,提高动态性能,以及提高动力系统燃料经济性和峰值电池荷电状态维持能力的研究目标。具体研究内容如下:（1）研究了燃料电池整车功率需求短期预测方法。基于时序数据短期变化趋势,利用线性回归关系提取输入输出变量,建立了基于机器学习算法的回归预测模型。根据递归思想,使用滑动窗分析和相空间重构理论建立了基于递归最小二乘支持向量机的时间序列递归预测模型。利用回归预测模型和递归预测模型复现了相关研究中出现过的未来时刻预测数据曲线相对于未来时刻真实数据曲线沿着时间轴向后偏移的时相失配现象,并分析了预测时间范围与时相失配程度的关系。厘清了回归预测模型的结果出现时相失配现象的机理,基于此提出了一种基于迭代学习框架的功率需求迭代回归预测模型。通过算例分析详细对比了其与回归预测模型和递归预测模型的预测性能差异,验证了所提议预测模型的有效性。对比了不同机器学习算法作为迭代学习框架学习元的预测效果。分析了迭代学习框架参数（迭代步长和迭代次数）对迭代回归预测模型预测误差的影响,并对其在多工况下的预测泛化能力进行了验证。（2）研究了融合功率需求预测的燃料电池动态性能提升方法。从控制响应速度、寄生功率等方面分析了实时控制燃料电池子系统部件改变多运行状态参数以提升动态性能的可行性,选取了氢气供应压力作为实时提升燃料电池动态性能的控制变量。基于实验研究了燃料电池动态性能对氢气供应压力的敏感性,建立了单直流道燃料电池多物理场三维瞬态模型,用于分析氢气压力对燃料电池内部物质传输的影响机理,从而以传质的角度对实验现象提供了合理解释。分析了氢气供应压力对系统氢气利用率的影响规律,提出了根据负荷自适应切换氢气供应压力的控制需求。设计了一种可变压力式氢气供应系统,并融合整车功率需求预测方法开发了匹配该系统的氢气供应压力智能切换控制策略。通过实验对提议方法进行了有效性验证。并讨论了该系统所产生的阳极压力波动效应对燃料电池耐久性的可能影响。基于仿真模型论证了通过阴极阳极压力联动控制来减小氢气压力切换瞬间的阴阳极压力差的可行性。（3）研究了融合功率需求预测的全功率式燃料电池汽车能量管理策略。对车辆动力系统进行了建模,推导了等效消耗最小化策略（Equivalent consumption minimization strategy,ECMS）的基本优化问题,分析了ECMS策略等效因子对电池SOC（State of charge）维持效果的影响规律。通过仿真分析了基于反馈控制器原理的自适应ECMS策略在不同电池初始SOC、初始等效因子、策略标定参数和工况下的电池SOC维持性能和燃料经济性。为了减少标定参数,提高工况适应性,同时保证近似最优的燃料经济性和电池SOC维持效果,提出了一种融合整车功率需求预测的优化导向自适应ECMS策略。在特定工况下对提议策略的能量管理效果进行了仿真研究。对比了不同电池初始SOC条件下不同自适应ECMS策略的电池SOC轨迹波动率和工况氢气消耗量,证明了提议策略具有燃料经济性和电池SOC维持性能的优势。计算了所提议的优化导向预测自适应ECMS策略完成一次等效因子优化和更新的平均耗时,证明了该策略实时应用的可行性。对比了提议策略在特定工况下分别使用短期需求功率的真实数据和预测数据进行仿真的结果,论证了该策略对需求功率预测误差干扰的鲁棒性。最后,对提议策略的多工况适应能力进行了验证分析。