Sedan industriella revolutionen har hastigheten av global uppvärmning och föroreningar i miljön ökat betydligt. Företag i fordonsindustrin arbetar aktivt för att göra sina produkter mer hållbara genom att bland annat minska utsläppen, minimera användningen av icke-förnybara resurser samt att återvinna. En batteridriven elbil (BEV) är en möjlig lösning för renare transport och marknaden har ökat signifikant. Men med den nuvarande batteriteknologin skulle stora byggmaskiner som grävmaskiner behöva tunga batterier för att möta sina energibehov, vilket ökar den totala vikten. Bränslecellshybriddrivna fordon (FCHEV) med vätgas är en potentiell lösning för medelstora och stora byggmaskiner som kombinerar bränsleceller och batterier för att tillhandahålla energin. Byggmaskiner har en växlande effekt och utför vanligtvis upprepande arbetsmönster, men en bränslecell reagerar långsammare på grund av den kemiska processen. Därför behövs ett effektivt energihanteringssystem för att möta effektbehovet, uppfylla systembegränsningar, minska vätgasförbrukningen samt att begränsa bränslecell- och batteridegraderingen. Syftet med denna avhandling är att utveckla en kontrollenhet och ett estimeringsinstrument för maskinbelastning för ett sådant FCHEV system. En ny energihanteringsstrategi föreslås genom att formulera den som ett optimeringsproblem och använda modellprediktiv reglering (MPC) för att minimera målfunktionen som involverar vätgasförbrukning och hastighetsbegränsningar. Kontrollenheten ger en optimal fördelning av bränslecell- och batterikraft över en tidsperiod som uppfyller det efterfrågade effektbehovet och följer systembegränsningarna. Maskinbelastningsestimeringen är baserad på autokorrelation och integreras med kontrollenheten. Estimeringsinstrumentet fungerar som en ingång till kontrollenheten som optimerar fördelningen av kraften mellan batteriet och bränslecellen. Jämfört med den tidigare realtidsfördelningsfunktionen för effekt som användes av Volvo Construction Equipment AB (Volvo CE) visade det sig att MPC kombinerat med autokorrelationsbaserad belastningsestimering främst använde ett mycket smalare fönster för batteriets laddningstillstånd (SoC), vilket öppnar upp möjligheten att minska batteristorleken i maskinen. Transienter i bränslecellens effekt minskar också, vilket minskar dess nedbrytning och förbättrar livslängden. / Ever since the industrial evolution, the rate of global warming and pollution in the environment have gone up significantly. Automotive companies are actively working towards making their products more sustainable in terms of reducing emissions, minimizing resource utilization of non-renewables, recycling, and several other steps. A pure battery electric vehicle (BEV) is a possible solution for cleaner transport and has seen widespread adoption among users. However, with the current battery technology, large construction machines such as excavators would need heavy batteries to meet their energy demand, pushing up the overall weight. Hydrogen driven Fuel Cell Hybrid Electric Vehicles (FCHEV) are a potential solution for medium and large sized construction machines having both fuel cells and batteries to supply energy. Construction machines have a highly transient power and generally perform repeating patterns of work but a fuel cell is slow reacting device due to the chemistry involved. Hence there is a need for an efficient energy management system to meet the power demand, satisfy system constraints, reduce hydrogen consumption and limit fuel cell and battery degradation. This thesis aims to develop a controller and a machine load predictor for such a FCHEV. A novel energy management strategy is proposed by formulating it as an optimization problem and using Model Predictive Control (MPC) to minimize the objective function that involves hydrogen consumption and rate constraints. The controller yields an optimal fuel cell and battery power split over a time-horizon that fulfills the demanded power and obeys the system constraints. An auto-correlation-based machine load predictor is integrated with the controller. The predictor serves as an input to the controller that optimizes the power split between the battery and fuel cell. Compared to the previous real-time power-split function used by Volvo Construction Equipment AB (Volvo CE), the MPC combined with the auto-correlation-based load predictor was found to primarily use a much narrower battery State of Charge (SoC) window, thus opening up the potential to reduce battery size in the machine. Transients in the fuel cell power are also reduced, thus slowing down its degradation and improving the lifetime.