插电式混合动力汽车（Plug-in Hybrid Electric Vehicles,PHEV）兼具纯电动车和传统燃油车的优点,具有广阔的发展前景。能量管理策略可以协调发动机与电机的功率输出,是提高PHEV燃油经济性的重要手段。本文以单轴并联式混合动力汽车为研究对象,针对规则的CD-CS（Charge Depleting-Charge Sustaining）能量管理策略和自适应等效燃油消耗最小策略（Adaptive Equivalent Fuel Consumption Minimization Strategy,A-ECMS）存在的局限性,提出了SOC轨迹规划、A-ECMS能量管理策略和短期车速预测相结合的分层能量管理策略。具体研究内容如下:（1）基于Matlab/Simulink平台,采用理论建模与实验建模相结合的方法搭建PHEV的纵向动力学模型与关键部件模型;搭建CD-CS能量管理策略,并在10倍SC03工况下验证整车模型的有效性与CD-CS能量管理策略的合理性,为后续PHEV能量管理策略的研究奠定基础。（2）基于微观交通仿真软件VISSIM搭建青岛理工大学至青岛黄海学院的实地交通模型,并将获取的交通信息作为门控循环单元（Gated Recurrent Unit,GRU）车速预测模型的数据集;基于Pytorch深度学习框架搭建GRU车速预测模型,并将预测出的全局车速用于SOC轨迹规划;在通过与CD-CS能量管理策略进行对比,验证SOC轨迹规划的必要性后,依据单位时间电池电能消耗量与车速、加速度的关系提出了基于工况分类的全局SOC规划方法,并通过调整电量分配因子s来获取近似全局最优SOC轨迹。（3）对ECMS能量管理策略中的等效因子进行工况敏感性探究,并在此基础上搭建基于SOC反馈的A-ECMS能量管理策略;探究线性惩罚SOC轨迹跟随策略的惩罚力度对燃油经济性的影响,并在此基础上提出一种多项式惩罚函数;在5倍实地工况下进行仿真验证,结果表明:多项式惩罚SOC轨迹跟随策略可以在实现轨迹跟随的同时进一步提升车辆的燃油经济性。（4）对指数平滑、灰色预测和径向基神经网络（Radial Basis Function Neural Network,RBFNN）进行预测精度对比,选取RBFNN作为短期车速预测模型,并对径向基扩展速度、历史车速时长和预测时域等模型参数进行寻优;将短期预测车速用于下一时刻的电池SOC值预测,进而实现A-ECMS能量管理策略中等效因子的优化;结合全局SOC规划、多项式惩罚SOC轨迹跟随策略和RBFNN短期车速预测,提出了短期车速预测分层能量管理策略:上层控制器为基于GRU全局车速预测的SOC轨迹规划,下层控制器为结合短期车速预测的多项式惩罚SOC轨迹跟随策略。5倍实地工况下的仿真结果表明:短期车速预测分层能量管理策略相较于普通多项式惩罚SOC轨迹跟随策略燃油经济性提升了5.77%。