在化石资源日渐枯竭、环境问题日益突出的今天,发展节能、环保的纯电动汽车成为时代的需求。电动汽车因其无尾气污染、国家政策补贴等因素受到市场的青睐,但是续驶里程也成为大规模推广的制约性因素。而双电机四驱汽车可以在总驱动转矩不变的情况下,充分利用两电机工作效率的差异分布,合理决策前后电机的转矩分配,扩大动力系统的节能空间。已有双电机动力系统的匹配研究多集中于行星排式耦合驱动机构,对双电机四驱构型的研究较少;此外,针对此构型的现有能量管理策略中,对如何实现局部时域内的SOC轨迹规划研究较少。针对上述问题,本文以双电机四驱汽车为研究对象,重点研究基于工况能量权值的多动力源匹配方法及工况适应能力强且具有预测能力的能量管理策略。本文首先对双电机四驱汽车动力系统的匹配设计进行了研究。基于整车动力层,结合现有的匹配理论,确定极限稳定工况和短时加速工况两种情况下需求的动力源总功率;基于能量权值方法对常见出行工况进行数理分析,重点关注各动力源的高效区间与工况高能量权值区间匹配,确定动力源部件的特性参数;基于续驶里程需求确定电池参数。最后通过Cruise仿真软件验证了匹配设计的合理性,为后文模型的搭建提供数据支撑。接着,基于MATLAB/Simulink建立了双电机四驱汽车的前向仿真平台。依据驾驶员的操纵逻辑,搭建了纵向驾驶员模型;按照部件内部的原理和特性搭建了前后电机及电池模型并建立了车辆纵向模型。最后基于比例控制策略,以NEDC工况作为测试工况并与Cruise模型进行仿真对比,验证了仿真模型的整车纵向性能及能量求解性能的准确性,为后文控制策略的实施奠定模型基础。然后,制定了基于工况识别的局部SOC轨迹规划方法。首先基于前向动态规划算法制定了全局优化策略,为后文确定不同类型工况的最优轨迹奠定基础。考虑到不同类型工况的SOC最优轨迹变化趋势不同,基于随机森林算法设计了工况识别器,并基于k均值聚类方法筛选核心特征参量,作为工况识别的特征输入,并设计了新组合工况对其在线工况识别性能进行验证。通过探究时域和空间域上各类工况SOC最优轨迹的变化趋势,得到各类工况在空间域上SOC变化趋势形式统一且具有明显线性的结论,并以此为基础初步确定空间域上局部线性斜率,接着基于局部线性逼近全局波动的思想,通过设计模糊控制器探究局部工况特征与SOC相对斜率之间的关系,对线性斜率进行局部修正,进而确定空间域上局部SOC轨迹,最后通过组合城市工况验证了局部SOC轨迹规划方法的有效性,为后文能量管理策略预测时域的决策提供重要参考。最后,基于模型预测控制对整车能量优化问题进行了建构,并对策略内部预测时域轨迹规划及预测模型进行说明。首先,基于预测时域内的工况信息,结合空间域上局部SOC轨迹规划方法,确定预测空间域SOC参考轨迹,再结合预测信息完成SOC轨迹空间域—时域的转化。之后,基于径向基神经网络构建了车速预测模型,并探究了预测时域长度及扩展宽度系数两参数对预测准确性的影响,并基于预测值与实际值的均方根误差最低确定了上述两参数。再结合随机森林工况识别器,采用相应工况数据训练得到各类型工况下的车速预测模型。最后通过高速工况、郊区工况及城市工况构建了综合全工况,验证整车能量策略中各模块的协作效果,仿真结果表明,工况识别器的识别准确性较高,在综合全工况下的在线识别准确率为88.6%,车速预测效果较好,单步预测误差最大为[-2.5+2.5]km/h。将上述策略与全局优化策略及比例策略分别进行对比,仿真结果表明,与全局策略相比,本文制定的控制策略能实现约95.13%的全局优化效果;与比例策略相比,能有效改善14.28%的整车经济性。