随着动力电池技术的不断发展,在轨道交通中利用动力电池研发更节能和环保的新型混合动力列车成为趋势。柴电混合动力列车是改造传统内燃机车的方案之一,柴电混合动力系统可以通过制定合理的能量管理控制策略,优化控制柴油发电机组与电池的功率分配,对比传统内燃机车可提高燃油效率,因此运行成本更低,有更优的经济性。为了优化柴电混合动力系统的能量管理系统策略,本论文首先建立了柴电混合动力列车的整车模型,其中主要包含列车的动力学模型、柴油发电机组油耗模型、动力电池模型与规则能量管理策略模型。随后,根据庞特里亚金极小值原理,以柴电混合动力列车全程柴油消耗量最小化为目标,对能量管理策略进行优化设计,得到基于庞特里亚金极小值原理的离线能量管理策略,并利用列车历史工况验证其有效性。之后,为了满足部分列车提高电池使用寿命的要求,通过建立电池寿命损耗模型,添加与寿命损耗相关的惩罚因子改进基于极小值原理的能量管理策略。针对能量管理控制策略的在线实时运算,本论文研究了基于庞特里亚金极小值原理的模型预测能量管理策略,可应用于在线实时优化控制。为了更加有效的进行工况预测,对比分析了基于马尔科夫链与基于神经网络的两种工况预测模型,最终选择精度更高的基于神经网络的工况预测方法。随后,通过分析庞特里亚金极小值原理算法中协态变量λbat的调节规律,提出两种在线调节方法:基于电池SOC规划的协态变量λbat调节方法与基于神经网络的协态变量λbat自适应调节方法,最终得到基于电池SOC规划的模型预测能量管理与基于神经网络参数自适应的模型预测能量管理。最后,基于列车实际运行工况,仿真试验并对比分析各能量管理策略下的经济性,得出以下结论,基于极小值原理的离线能量管理策略可获得全局最优解,对比阈值规则策略平均经济性提高4.89%。而对于在线能量管理策略,基于神经网络自适应调节协态变量λbat的模型预测能量管理,其经济性最优,对比阈值规则策略平均经济性提高4.45%,同时可靠性较高,计算速度快,且可以实现能量管理策略在线运行,具有很强的工程应用前景。