Problem. The growing demand for sustainable and energy-efficient transportation has intensified interest in plug-in hybrid electric vehicles as an effective alternative to conventional internal combustion engine vehicles. However, the efficiency and flexibility of these systems are significantly constrained by traditional energy management strategies, which lack adaptability to real-world dynamic driving conditions, road scenarios, and individual driving styles. The need for real-time, predictive, and intelligent control algorithms has become critical to optimize energy use, reduce fuel consumption, and ensure the stability of hybrid propulsion systems. Goal. The objective of this study is to analyze and systematize state-of-the-art machine learning methods for optimizing energy management systems in plug-in hybrid electric vehicles, to identify the key technical challenges and to outline the prospects for the development of intelligent, adaptive energy management systems capable of real-time decision-making in uncertain and variable environments. Methodology. This research is based on a comprehensive review of existing literature and technical implementations, focusing on the use of deep learning, reinforcement learning, and predictive control approaches within energy management systems for plug-in hybrid electric vehicles. The study investigates architectural configurations of plug-in hybrid electric vehicles powertrains, their operational modes, functional requirements of energy management systems, and evaluates machine learning algorithms for power distribution optimization, battery health monitoring, predictive energy control, and personalized driving strategies. Results. The analysis confirms that machine learning-enhanced energy management systems can significantly improve fuel economy, adaptability, and operational reliability under varying road and climatic conditions. Reinforcement learning methods enable continuous policy improvement, predictive models allow proactive energy flow planning, and modular energy management systems architectures enhance system scalability and fault tolerance. The integration of machine learning also facilitates fault detection, battery degradation prediction, and utilization of alternative energy sources such as solar or vibrational energy. These solutions collectively contribute to more intelligent and efficient energy management in modern hybrid vehicles. Originality. This study offers a structured classification of machine learning applications in energy management systems for plug-in hybrid electric vehicles, substantiates the advantages of modular control system architectures, and introduces a novel perspective on incorporating behavioral analysis of driver style into energy management systems strategy personalization. It also highlights underexplored areas such as the use of environmental energy inputs (solar, piezoelectric) and outlines methodological considerations for their integration using predictive analytics. Practical value. The findings provide a foundation for the design of next-generation energy management systems in hybrid vehicles, contributing to enhanced fuel efficiency, extended battery life, and improved environmental performance. The proposed insights can be used by researchers and developers to implement intelligent control systems, reduce development time, and align plug-in hybrid electric vehicle design with smart mobility and sustainability goals.

У статті представлено огляд сучасних підходів до оптимізації енергоспоживання в гібридних електромобілях, що підключаються до мережі (PHEV), із використанням алгоритмів машинного навчання (ML). Актуальність дослідження зумовлена необхідністю підвищення ефективності PHEV для зниження витрати палива та рівня шкідливих викидів, а також складністю керування енергопотоками між двигуном внутрішнього згоряння та електродвигуном за різних умов руху. Для досягнення поставленої мети застосовано інтелектуальні підходи керування енергоспоживанням, зокрема алгоритми глибокого навчання, методи навчання з підкріпленням та модельно-передбачувальне керування, призначені для адаптивного керування розподілом енергії в режимі реального часу. Розглянуто ключові параметри та функції системи керування енергією, визначено ключові технічні виклики та тенденції розвитку. Особливу увагу приділено динамічній адаптації EMS до умов руху, прогнозуванню енергетичних потреб, моніторингу технічного стану акумулятора, а також персоналізованим стратегіям керування, що реалізуються на основі алгоритмів ML. Результати дослідження підтверджують, що застосування ML-стратегій керування енергією дає змогу наблизитися до оптимального режиму енергоспоживання та підвищує економію палива порівняно з традиційними методами на основі правил. У висновках визначено основні виклики впровадження ML у системи PHEV, серед яких потреба у великому обсязі даних для навчання, забезпечення швидкодії алгоритмів та їхня надійність в умовах невизначеності. Також окреслено напрямки подальших досліджень. Проте, попри значний прогрес, залишаються невирішені питання та перспективні напрями для подальших досліджень задля вдосконалення EMS у PHEV. Проте, попри значний прогрес, залишаються невирішені питання та перспективні напрями для подальших досліджень. У цьому огляді узагальнено наявні знання, виявлено наукові прогалини та наголошено на важливості подальших досліджень задля вдосконалення EMS у PHEV.