能量管理控制是插电式混合动力车辆（PHEV）的关键技术之一,其目标是在满足车辆动力性需求和系统约束的前提下,通过优化控制车载多能量源的功率分配,最大限度地降低动力系统的能耗和排放。随着智能交通系统（ITS）和车联网（V2X）的发展,准确、及时地获取未来道路交通信息成为可能。融合未来道路和交通信息的预测性能量管理控制技术有望显著提升PHEV的燃油经济性,但同时也带来了计算负担过重、计算成本过高等问题。因此,设计一种控制效果好且计算效率高的预测性能量管理控制方法十分重要。本论文基于一种双层的预测性能量管理控制框架,针对上、下两层算法均提出了新的控制策略,旨在降低计算负担的同时提升PHEV的燃油经济性。本文在对电池电量消耗的全局最优特征进行大量离线仿真分析的基础上,提出了一种新的基于预测工况分割的参考电池荷电状态（So C）轨迹规划方法。该方法利用ITS系统获取全行程的工况（车速和坡度）预测信息,之后基于有序样本聚类算法和Gap Statistic标准将整个行程分割为具有不同能量需求特征的多个子工况段,最后根据电池电量消耗的全局最优特征对每个子路段的参考So C轨迹进行规划。仿真结果表明,在包含复杂地形的工况中,该方法生成的参考So C轨迹可以非常接近于动态规划算法离线计算得到的全局最优So C轨迹。针对下层控制提出了一种基于复合电池模型的两阶段MPC方法。该方法将MPC的预测域划分为两个连续的阶段,在阶段（1）使用一阶RC模型以更好地满足电池的功率约束,而在阶段（2）使用Rint模型以降低优化问题的复杂度。为了进一步提高计算效率,基于严格的数学推导对阶段（1）中的一阶RC模型进行了降阶处理,将其由二状态模型转化为等效的一状态模型。为求解MPC预测域内的最优控制问题,提出了一种更适合处理可行域与状态边界的前向动态规划算法（FDP）。仿真结果表明,所提出的两阶段MPC方法在保证计算效率的前提下提高了电池功率约束的处理能力。最后针对所设计的基于预测控制的能量管理方法,搭建了模型在环测试（MIL）平台,对算法的控制效果进行了仿真测试和验证。结果表明相较于传统方法,所提出的控制算法在不增加计算量的前提下,在燃油经济性和电池功率约束处理上具有更好的表现。