Die Elektromobilität wird mit zunehmender Aufmerksamkeit von Forschern, Regierungen und Automobilherstellern beachtet, da die elektrischen und hybriden Antriebstechnologien die wichtigsten Probleme im Transportsektor (Treibhausgasemissionen und Abhängigkeit von begrenzten fossilen Brennstoffen) angehen. Stromspeichersysteme (Batterien und Superkondensatoren) sind wichtige Bestandteile von Elektroantrieben, um im Vergleich zu herkömmlichen benzinbetriebenen Fahrzeugen eine angemessene Fahrleistung und Reichweite zu erreichen. </br> Die verfügbaren Stromspeichertechnologien müssen jedoch noch konsequent weiterentwickelt werden, um eine vergleichbare Leistungs- und Energiedichte zu erreichen. Andererseits haben Power Management Strategien (PMSs), die optimale Leistungsverhältnisse, Betriebsgrenzen und Lastverteilung in Hybridantrieben definieren, ein erhebliches Potenzial bewiesen, um die begrenzten Fähigkeiten von elektrischen Speichersystemen zu nutzen und damit die Elektromobilität auf ein wettbewerbsfähiges Leistungsniveau zu bringen.</br> Der Konflikt zwischen Echtzeit-Anwendbarkeit und Lösungsoptimalität von Power Management Methoden ist in der jüngeren Literatur noch immer eine ungelöste Herausforderung. Die Analyse modernster Ansätze zur Lösung dieses Konflikts stellt das situationsbasierte PMS (SB-PMS) als vielversprechenden Ansatz dar, der optimal situative Steuerungsentscheidungen für Hybridantriebe in Echtzeit bei geringerem Rechenaufwand definiert. SB-PMSs leiden jedoch an zwei wesentlichen Defiziten: erstens, begrenzte lokale Optimalität der situativen Lösungen; zweitens, das Fehlen einer optimalen Definition für Fahrzeugzustände in Bezug auf mehrere charakteristische Variablen (Fahrzeuggeschwindigkeit, Leistungsbedarf, ...., etc.), um die optimal gelegene Lösung für jeden Zustand definieren zu können.</br> Die Suche nach geeigneten Lösungen für diese offenen Herausforderungen in SB-PMSs trägt zur optimalen Steuerung von Elektro- und Hybridfahrzeugen bei.</br> Diese Arbeit schlägt einen systematischen Ansatz zur Lösung der oben genannten Probleme von PMS in einem vollelektrischen Fahrzeug vor, dessen Antriebsstrang eine Brennstoffzelle, eine Batterie und einen Superkondensator umfasst. Zur Definition des Fahrzeugzustands, werden zunächst eine Reihe von charakteristischen Variablen anhand der Relevanz in der Literatur ausgewählt. Diese Variablen werden als Achsen in einem mehrdimensionalen Raum (Grid-space) dargestellt, wobei Fahrzeugzustände abgebildet werden können. Diskrete Werte ausgewählter Kenngrößen werden optimiert, um eine bessere Darstellung der Fahrzeugzustände im Grid-space zu erreichen. Somit werden situative Steuerungsentscheidungen für Fahrzeugzustände im Grid-space offline optimiert. Diese situativ optimalen Lösungen werden mittels SB-PMS in die Online-Steuerung integriert und können bei entsprechenden Fahrzeugsituationen eingesetzt werden.</br> Verschiedene Konstellationen von ausgewählten Variablen, die den Fahrzeugzustand definieren, werden untersucht, um die beste Leistung von SB-PMS zu erreichen. Um die lokale Optimalität von SB-PMSs zu berücksichtigen, wird die Online-Optimierung der gefundenen Lösungen mit Hilfe der dynamischen Programmierung (DP) und der modellprädiktiven Regelung (MPC) durchgeführt. Definierte Fahrzeugzustände werden implementiert, um einen Zustandsraum für DP zu erzeugen, wobei die Synergiekraft des Superkondensators als manipulierte Variable berücksichtigt wird, um eine bessere Optimalität für begrenzte Vorhersagehorizonte zu erreichen. Auf der anderen Seite ist MPC als ableitungsfreie Optimierungsmethode implementiert, um durch Iteration der situativen Lösungen eine bessere Optimalität für erweiterte Vorhersagehorizonte zu erreichen. Sowohl DP- als auch MPC-Algorithmen werden an die Echtzeit-Anwendbarkeit in Bezug auf die Vorhersagelänge und Berechnungsschritte bei der Online-Optimierung angepasst.</br> Eine vergleichende Bewertung der vorgeschlagenen Methoden erfolgt anhand der globalen optimalen Lösung als Referenz. Nach den vorliegenden Ergebnissen kann mit SB-PMS eine Verbesserung der Energieeffizienz um 11,19 % erreicht werden. Diese Leistung kann unter Berücksichtigung vordefinierter Routen auf 35,21 % gesteigert werden, was 91,57 % der globalen optimalen Lösung entspricht. Außerdem kann DP die von SB-PMS bereitgestellte Energieeffizienz auf 18,78 % deutlich verbessern, indem es optimale Steuerstrategien für kurze Vorhersagehorizonte findet. Darüber hinaus ist das Erzielen von nahezu optimalen Lösungen in Echtzeit mit MPC möglich, wodurch eine Verbesserung der Energieeffizienz um 35,1 % (91,29 % der globalen optimalen Lösung) erreicht werden kann.