一、现代控制理论:能控性与能观性判据
1. 背景与意义
在状态空间法(State-Space Representation)中,系统的动态由以下方程描述:
- 状态方程 : x ˙ ( t ) = A x ( t ) + B u ( t ) \dot{x}(t) = A x(t) + B u(t) x˙(t)=Ax(t)+Bu(t)
- 输出方程 : y ( t ) = C x ( t ) + D u ( t ) y(t) = C x(t) + D u(t) y(t)=Cx(t)+Du(t)
其中:
- x ∈ R n x \in \mathbb{R}^n x∈Rn 是状态向量(内部变量)
- u ∈ R m u \in \mathbb{R}^m u∈Rm 是控制输入
- y ∈ R p y \in \mathbb{R}^p y∈Rp 是可测量输出
- A , B , C , D A, B, C, D A,B,C,D 是系统矩阵
问题 :我们能否通过输入 u ( t ) u(t) u(t) 控制所有状态?能否通过输出 y ( t ) y(t) y(t) 推断出所有状态?
这就引出了两个核心概念:
2. 能控性(Controllability)
定义
一个线性时不变(LTI)系统是完全能控的 ,如果对于任意初始状态 x ( 0 ) x(0) x(0) 和任意目标状态 x f x_f xf,存在一个有限时间 T > 0 T > 0 T>0 和一个容许控制输入 u ( t ) u(t) u(t)( 0 ≤ t ≤ T 0 \le t \le T 0≤t≤T),使得系统在时间 T T T 内从 x ( 0 ) x(0) x(0) 转移到 x f x_f xf。
直观理解:"我能把系统'开'到任何想去的状态吗?"
判据(针对 LTI 系统)
(1) Kalman 秩判据(最常用)
构造 能控性矩阵 :
C = [ B A B A 2 B ⋯ A n − 1 B ] ∈ R n × n m \mathcal{C} = [B \quad AB \quad A^2B \quad \cdots \quad A^{n-1}B] \in \mathbb{R}^{n \times nm} C=[BABA2B⋯An−1B]∈Rn×nm
若 rank ( C ) = n \text{rank}(\mathcal{C}) = n rank(C)=n(即满秩),则系统完全能控。
注意:即使 m = 1 m=1 m=1(单输入),只要 C \mathcal{C} C 满秩,系统仍可能能控。
(2) PBH 判据(Popov--Belevitch--Hautus)
系统能控 ⟺ \iff ⟺ 对所有复数 s s s,矩阵 [ s I − A B ] [sI - A \quad B] [sI−AB] 满秩。
等价地:对 A A A 的每一个特征值 λ i \lambda_i λi,都有
rank ( [ λ i I − A B ] ) = n \text{rank}([\lambda_i I - A \quad B]) = n rank([λiI−AB])=n
(3) Gram 矩阵判据(理论性强,计算复杂)
定义能控性格拉姆矩阵:
W c ( 0 , T ) = ∫ 0 T e A τ B B ⊤ e A ⊤ τ d τ W_c(0, T) = \int_0^T e^{A\tau} B B^\top e^{A^\top \tau} d\tau Wc(0,T)=∫0TeAτBB⊤eA⊤τdτ
系统能控 ⟺ \iff ⟺ W c ( 0 , T ) W_c(0, T) Wc(0,T) 正定(对某个 T > 0 T > 0 T>0)。
3. 能观性(Observability)
定义
一个系统是完全能观的 ,如果通过在有限时间区间 [ 0 , T ] [0, T] [0,T] 内观测输出 y ( t ) y(t) y(t),能够唯一确定 初始状态 x ( 0 ) x(0) x(0)。
直观理解:"我看到输出,能反推出系统内部到底发生了什么吗?"
判据(LTI 系统)
(1) Kalman 秩判据
构造 能观性矩阵 :
O = [ C C A C A 2 ⋮ C A n − 1 ] ∈ R p n × n \mathcal{O} = \begin{bmatrix} C \\ CA \\ CA^2 \\ \vdots \\ CA^{n-1} \end{bmatrix} \in \mathbb{R}^{pn \times n} O= CCACA2⋮CAn−1 ∈Rpn×n
若 rank ( O ) = n \text{rank}(\mathcal{O}) = n rank(O)=n,则系统完全能观。
(2) PBH 能观性判据
系统能观 ⟺ \iff ⟺ 对 A A A 的每一个特征值 λ i \lambda_i λi,
rank ( [ λ i I − A C ] ) = n \text{rank}\left( \begin{bmatrix} \lambda_i I - A \\ C \end{bmatrix} \right) = n rank([λiI−AC])=n
(3) 能观性格拉姆矩阵
W o ( 0 , T ) = ∫ 0 T e A ⊤ τ C ⊤ C e A τ d τ W_o(0, T) = \int_0^T e^{A^\top \tau} C^\top C e^{A \tau} d\tau Wo(0,T)=∫0TeA⊤τC⊤CeAτdτ
能观 ⟺ \iff ⟺ W o W_o Wo 正定。
4. 对偶原理(Duality)
能控性与能观性是对偶的:
- 系统 ( A , B ) (A, B) (A,B) 能控 ⟺ \iff ⟺ 对偶系统 ( A ⊤ , C ⊤ ) (A^\top, C^\top) (A⊤,C⊤) 能观。
- 这意味着很多结论可以互相转换。
二、Matlab 实现:ctrb, obsv, rank
1. 函数说明
| 函数 | 功能 | 语法 |
|---|---|---|
ctrb(A, B) |
计算能控性矩阵 C \mathcal{C} C | Co = ctrb(A, B) |
obsv(A, C) |
计算能观性矩阵 O \mathcal{O} O | Ob = obsv(A, C) |
rank(M) |
计算矩阵 M M M 的数值秩(使用 SVD) | r = rank(M) |
⚠️ 注意:
rank使用默认容差(tolerance),对于病态矩阵可能误判。可指定容差:rank(M, tol)。
2. 完整示例
matlab
% 定义系统矩阵
A = [0 1 0;
0 0 1;
-6 -11 -6]; % 特征值 -1, -2, -3
B = [0; 0; 1];
C = [1 0 0];
% 计算能控性与能观性矩阵
Co = ctrb(A, B); % 3x3
Ob = obsv(A, C); % 3x3
% 判断秩
rank_Co = rank(Co); % =3 → 能控
rank_Ob = rank(Ob); % =3 → 能观
if rank_Co == size(A,1)
disp('系统完全能控');
else
disp(['能控性秩 = ', num2str(rank_Co)]);
end
if rank_Ob == size(A,1)
disp('系统完全能观');
else
disp(['能观性秩 = ', num2str(rank_Ob)]);
end
3. 常见误区
- 不能仅凭传递函数判断:传递函数可能存在零极点对消,掩盖了不能控或不能观的模态。
- 数值秩 vs 理论秩 :浮点误差可能导致
rank返回小于理论值。可用svd查看奇异值衰减。
三、规则基 EMS(能量管理系统)逻辑
1. 什么是规则基 EMS?
Rule-based Energy Management Strategy (RB-EMS) 是一种基于预设逻辑规则的能量分配策略,广泛用于:
- 混合动力汽车(HEV)
- 微电网(Microgrid)
- 多能源系统(风光储柴)
其核心思想:不依赖优化算法,而是通过 if-else 规则直接决策。
2. 核心机制
(1) 阈值判断(Threshold-based Decision)
根据关键状态变量设定阈值,触发动作。例如:
| 应用场景 | 状态变量 | 阈值逻辑 |
|---|---|---|
| 电池 SOC 管理 | S O C SOC SOC | 若 S O C < 20 % SOC < 20\% SOC<20%,启动发电机充电;若 S O C > 80 % SOC > 80\% SOC>80%,停止充电 |
| 功率分配 | 负载功率 P l o a d P_{load} Pload | 若 P l o a d > P m a x _ b a t t e r y P_{load} > P_{max\_battery} Pload>Pmax_battery,启用电堆 |
| 温度保护 | 电池温度 T T T | 若 T > 50 ∘ C T > 50^\circ C T>50∘C,降功率运行 |
(2) 模式切换(Mode Switching)
系统被划分为若干工作模式,根据条件切换:
示例:HEV 的三种模式
- 纯电模式(EV Mode) : S O C > 30 % SOC > 30\% SOC>30% 且 P d e m a n d < 30 k W P_{demand} < 30kW Pdemand<30kW
- 混合驱动模式(Hybrid Mode) : S O C < 30 % SOC < 30\% SOC<30% 或 P d e m a n d > 30 k W P_{demand} > 30kW Pdemand>30kW
- 再生制动模式(Regen Mode):车速下降且制动踏板踩下
切换逻辑通常用状态机(State Machine)实现。
3. 优缺点
| 优点 | 缺点 |
|---|---|
| ✅ 结构简单,易于实现 | ❌ 无法保证全局最优 |
| ✅ 实时性好,计算量小 | ❌ 规则依赖专家经验 |
| ✅ 可靠性高,适合嵌入式 | ❌ 难以适应复杂工况 |
4. 在论文中的作用
- Baseline 对照:用于对比优化算法(如 DP、ECMS、RL)的性能提升。
- 工程落地基础:许多量产系统仍以规则基为主,因其鲁棒性强。
总结
| 模块 | 核心要点 |
|---|---|
| 能控性/能观性 | 判断系统是否"可控"和"可观",Kalman 秩判据最实用 |
| Matlab 工具 | ctrb/obsv + rank 快速验证 |
| 规则基 EMS | 基于阈值和模式切换的启发式策略,简单可靠 |
在 Simulink 中设计 基于状态机的规则基能量管理系统(Rule-Based EMS) 是混合动力系统、微电网等多能源系统仿真的常用方法。下面我为你提供一个 通用、模块化、可复用的 Simulink 状态机 EMS 设计模板,适用于 HEV(混合动力汽车)、储能系统等场景。
一、整体架构(Simulink 模型结构)
+---------------------+
| Driver Model | ← 目标车速 / 功率需求
+----------+----------+
|
+----------v----------+
| Rule-Based EMS | ← 核心:状态机 + 阈值逻辑
| (Stateflow 或 State |
| Machine) |
+----------+----------+
|
+----------v----------+
| Powertrain Plant |
| (Engine, Motor, |
| Battery, etc.) |
+---------------------+
二、核心:Stateflow 状态机设计(推荐方式)
为什么用 Stateflow?
它是 Simulink 内置的状态机/流程图建模工具,支持图形化状态切换、条件判断、并行状态等,非常适合实现规则基 EMS。
示例:HEV 三模式状态机
1. 定义状态(States)
EV_Mode:纯电驱动Hybrid_Mode:发动机+电机联合驱动Regen_Mode:再生制动
2. 切换条件(Transitions)
使用 SOC 和 功率需求 P r e q P_{req} Preq 作为判断依据:
matlab
% Transition from EV_Mode to Hybrid_Mode
[ SOC < 0.3 || P_req > 30e3 ]
% Transition from Hybrid_Mode to EV_Mode
[ SOC > 0.4 && P_req < 20e3 ]
% Enter Regen_Mode when braking
[ brake_signal == 1 && v > 5 ]
3. 状态内动作(During / Entry / Exit)
- Entry:初始化模式参数(如关闭发动机)
- During:执行功率分配逻辑
- Exit:清理状态(如断开离合器)
Stateflow 图形示例(文字描述)
[EV_Mode]
|
| [SOC < 0.3 || P_req > 30kW]
v
[Hybrid_Mode] <--> [Regen_Mode]
^ ^
| [brake==1] | [brake==0 || v<5]
+------------------+
三、Simulink 实现步骤
步骤 1:创建主模型
- 新建 Simulink 模型
- 添加以下模块:
- From Workspace 或 Signal Builder:输入驾驶循环(如 WLTC)
- Driver Model(可选):将车速误差转为功率需求
- Stateflow Chart:EMS 控制器
- Powertrain Subsystem:包含发动机、电机、电池模型
步骤 2:构建 Stateflow 图
- 在 Simulink 中插入 Stateflow Chart
- 双击进入编辑器
- 创建三个状态:
EV_Mode,Hybrid_Mode,Regen_Mode - 添加转移箭头,并写入条件(如
[SOC < 0.3]) - 在每个状态中添加输出逻辑(例如设置
engine_on = 0)
步骤 3:定义输入/输出
- 输入信号 (需连接到 Stateflow):
SOC(电池荷电状态)P_req(总功率需求)v(车速)brake_signal(制动踏板信号)
- 输出信号 :
mode_id(当前模式编号)T_engine_ref(发动机转矩指令)T_motor_ref(电机转矩指令)
步骤 4:功率分配逻辑(在状态内部)
以 Hybrid_Mode 为例:
matlab
% 假设发动机工作在高效区(如 2000 rpm, 80 Nm)
T_engine_ref = 80;
% 剩余功率由电机补足
T_motor_ref = (P_req - T_engine_ref * w_engine) / w_motor;
四、完整 Simulink 模板资源(官方推荐)
MathWorks 提供了多个现成的参考模型,可直接学习或修改:
1. Hybrid Electric Vehicle Model (Power-Split)
- 链接:MathWorks HEV Example
- 特点:
- 包含基于规则的控制器
- 使用 Stateflow 实现模式切换
- 支持速度跟踪仿真
2. HEV Reference Application
- 链接:Hybrid and Electric Vehicle Reference Applications
- 包含:
- P0/P2/P4 架构
- 规则基 + 优化策略对比
- 工况:WLTC, UDDS
✅ 建议 :在 MATLAB 命令行输入
web('https://www.mathworks.com/help/sps/ug/hybrid-electric-vehicle-model.html')直接打开。
五、进阶技巧
1. 避免模式抖动(Chattering)
-
加入 迟滞(Hysteresis) :
matlab% 切出 EV 模式:SOC < 0.3 % 切回 EV 模式:SOC > 0.35 (而非 0.3)
2. 多级 SOC 管理
| SOC 区间 | 策略 |
|---|---|
| > 80% | 禁止充电,优先用电 |
| 30%~80% | 正常混合模式 |
| < 30% | 强制充电(CS 模式) |
3. 输出模式日志
在 Stateflow 中添加:
matlab
y_mode = 1; % EV
y_mode = 2; % Hybrid
y_mode = 3; % Regen
便于后续分析模式切换频率。
六、总结:模板要点
| 组件 | 推荐实现 |
|---|---|
| 状态机引擎 | Stateflow(图形化、易维护) |
| 输入信号 | SOC, P_req, v, brake |
| 输出信号 | mode_id, T_eng_ref, T_mot_ref |
| 防抖动 | 迟滞阈值 |
| 参考模型 | MathWorks 官方 HEV 示例 |
规则基能量管理系统(Rule-Based Energy Management System, Rule-Based EMS)因其结构简单、逻辑清晰、实时性强、易于工程实现等优点,在各类新能源系统中得到了广泛应用。以下是其在主要新能源场景中的具体应用形式与作用:
一、混合动力电动汽车(HEV / PHEV)
应用目标
- 优化发动机与电机之间的功率分配
- 提高燃油经济性,降低排放
- 维持电池荷电状态(SOC)在合理区间
典型规则逻辑
- 基于 SOC 的模式切换 :
- SOC > 60%:优先纯电驱动(EV Mode)
- 30% < SOC < 60%:混合驱动(Hybrid Mode)
- SOC < 30%:强制发动机充电(Charge Sustaining Mode)
- 基于功率需求的阈值判断 :
- 低功率需求 → 电机驱动
- 高功率需求(如爬坡、急加速)→ 发动机+电机联合输出
- 再生制动触发:制动踏板踩下且车速 > 5 km/h → 启动电机回收能量
✅ 优势:无需复杂计算,适合车载控制器(ECU)实时运行。
二、微电网(Microgrid)
应用目标
- 实现"源--网--荷--储"协同运行
- 平抑可再生能源波动(光伏/风电)
- 降低用电成本(利用分时电价)
典型规则策略
| 场景 | 规则示例 |
|---|---|
| 光伏大发 + 负荷低 | 多余电量 → 充电储能 |
| 夜间 + 电价低谷 | 电网购电 → 充电储能 |
| 负荷高峰 + 电价高 | 储能放电 + 减少电网购电 |
| 电网故障 | 切换至孤岛模式,由储能/柴油机支撑关键负荷 |
控制变量
- 储能充放电功率
- 柴油发电机启停
- 可中断负荷投切
✅ 优势:响应快,可靠性高,适合无通信或弱通信环境。
三、独立/并网储能电站
应用目标
- 参与电网调峰、调频
- 套利(Arbitrage):低买高卖
- 提升新能源消纳率
规则基 EMS 功能
- 削峰填谷 :
- 电价低谷(如 0:00--8:00)→ 充电
- 电价高峰(如 18:00--22:00)→ 放电
- 平滑新能源出力 :
- 光伏出力突降 → 储能瞬时补电
- 风电超发 → 储能吸收多余功率
- SOC 安全保护 :
- SOC > 95% → 禁止充电
- SOC < 5% → 禁止放电
📌 实际项目(如广西储能电站)中,常以规则基 EMS 作为基础调度层,再叠加优化算法处理复杂场景。
四、风光储一体化系统
挑战
- 风光出力具有强随机性和间歇性
- 需协调多种电源与储能
规则基策略设计
- 优先级规则 :
- 本地负荷优先由可再生能源供电
- 多余风光 → 充电储能
- 储能满后 → 弃风弃光(或参与市场)
- 风光不足 → 储能放电 → 电网购电
- 紧急备用规则 :
- 若预测未来 1 小时无光照且 SOC < 20% → 提前从电网充电
✅ 该策略在偏远地区、海岛微网中尤为实用。
五、电动商用车 / 重卡
特点
- 运行路线固定(如公交、物流车)
- 对可靠性要求极高
规则基 EMS 设计
- 基于行程的 SOC 管理 :
- 已知总里程 → 动态调整放电深度
- 终点站预留 20% SOC 以防延误
- 制动能量回收规则 :
- 下长坡时自动进入强回收模式
- 电池温度高时降低回收功率
六、与其他技术的融合趋势
虽然规则基 EMS 是"经典方法",但现代系统常采用混合架构:
| 架构 | 说明 |
|---|---|
| 规则基 + 优化算法 | 日常运行用规则控制,异常工况(如极端天气)切换至 MPC 或强化学习 |
| 规则基 + 预测信息 | 引入短期风光/负荷预测,动态调整阈值(如"预测明天阴天 → 今晚多充电") |
| 规则基 + 模糊逻辑 | 将硬阈值改为模糊规则(如"SOC 较低且功率需求较高 → 倾向启动发动机"),提升平滑性 |
总结:规则基 EMS 的核心价值
| 场景 | 核心作用 |
|---|---|
| HEV/PHEV | 模式切换、SOC 维持、再生制动 |
| 微电网 | 源荷储协调、孤岛切换、经济调度 |
| 储能电站 | 削峰填谷、平滑出力、安全保护 |
| 风光储系统 | 优先级调度、弃电控制、备用保障 |
💡 一句话总结 :
规则基 EMS 是新能源系统的"第一道防线"------它不追求最优,但确保系统始终"可控、安全、可用"。
储能系统与能量管理系统(EMS)的结合是实现高效、安全、经济运行的关键。EMS 作为储能系统的"大脑",通过实时监测、预测、优化和控制,最大化储能的价值。以下是二者结合优化的核心方式、技术路径与应用场景:
一、EMS 在储能系统中的核心功能
| 功能 | 说明 |
|---|---|
| 状态感知 | 实时采集电池 SOC/SOH、功率、电压、温度等数据(来自 BMS) |
| 负荷/发电预测 | 利用历史数据或 AI 模型预测未来用电/光伏/风电出力 |
| 优化调度 | 根据目标(成本最低、收益最大、寿命最长)制定充放电计划 |
| 模式切换 | 在并网/孤岛、充电/放电、调频/调峰等模式间智能切换 |
| 安全保护 | 触发过压、过流、过温等保护逻辑,防止热失控 |
🔗 关键接口 :EMS 与 BMS(电池管理系统) 、PCS(变流器) 、SCADA/电网调度系统 紧密协同。
二、优化结合的主要技术路径
1. 基于规则的优化(Rule-Based)
- 适用场景:对实时性要求高、模型不确定性强的场合(如微电网)
- 策略示例 :
- 电价低谷(0:00--8:00)→ 充电
- 电价高峰(18:00--22:00)→ 放电
- 光伏超发且 SOC < 90% → 充电
- 优点:简单可靠,易于工程部署。
2. 基于优化算法的 EMS
- 动态规划(DP):全局最优,但需已知未来信息(常用于离线仿真)
- 模型预测控制(MPC) :
- 滚动优化:每 5--15 分钟重新计算未来 1--4 小时的最优策略
- 可处理约束(如 SOC 限值、功率限值)
- 强化学习(RL) :
- 通过与环境交互学习最优策略
- 适合复杂、非线性场景(如多时间尺度调度)
3. 分层架构设计(主流工业方案)
+---------------------+
| 上层:优化层 | ← 运行经济性优化(小时级)
| (Optimization Layer)| - 套利策略
| | - 参与电力市场投标
+----------+----------+
↓
+----------v----------+
| 中层:调度层 | ← 功率分配(分钟级)
| (Dispatch Layer) | - 跟踪上层指令
| | - 平滑功率波动
+----------+----------+
↓
+----------v----------+
| 下层:控制层 | ← 设备执行(秒级)
| (Control Layer) | - PCS 控制
| | - BMS 安全保护
+---------------------+
三、典型应用场景与优化目标
| 应用场景 | 优化目标 | EMS 策略特点 |
|---|---|---|
| 用户侧储能 | 降低电费(削峰填谷) | 基于分时电价的充放电规则 + 需量管理 |
| 电网侧储能 | 提供调频/调峰服务 | 快速响应 AGC 指令,参与辅助服务市场 |
| 新能源配储 | 提高新能源消纳率 | 平滑光伏/风电出力,减少弃风弃光 |
| 微电网 | 保证供电可靠性 | 多源协调 + 孤岛检测 + 黑启动能力 |
| V2G(车网互动) | 车主收益最大化 | 聚合多车资源,参与需求响应 |
四、关键技术挑战与应对
| 挑战 | 优化对策 |
|---|---|
| 电池寿命衰减 | 在目标函数中加入老化成本项,避免深度充放电 |
| 预测误差 | 采用鲁棒优化或随机优化,考虑不确定性区间 |
| 多目标冲突 | 使用加权法或 Pareto 最优解(如经济性 vs 寿命) |
| 通信延迟 | 本地部署轻量化 EMS,关键控制不依赖云端 |
五、前沿趋势(2025--2026)
-
AI 增强型 EMS
- 利用 LSTM、Transformer 预测负荷/电价
- 强化学习实现自适应策略更新
-
云边协同架构
- 边缘端:实时控制(<100ms 响应)
- 云端:大数据分析、策略训练、远程诊断
-
电力市场深度耦合
- EMS 直接对接电力交易平台
- 自动申报充放电容量与价格
-
数字孪生集成
- 构建储能系统虚拟模型
- 在线仿真不同策略效果,辅助决策
六、总结:如何实现"储能 + EMS"价值最大化?
✅ 不是简单"加装 EMS",而是系统级协同设计:
- 明确目标:是降本?增收?保安全?还是提寿命?
- 匹配策略:简单场景用规则基,复杂场景用 MPC/RL
- 打通数据链:BMS → EMS → PCS → 电网/市场
- 持续迭代:基于运行数据优化策略参数
"飞行混动汽车"是近年来低空经济与新能源交通融合的前沿方向,尤其在 2025--2026 年 迎来关键突破。它并非传统意义上的"既能飞又能跑"的单一载具,而是指采用混合动力(油电结合)的电动垂直起降飞行器(eVTOL),部分产品具备陆地行驶能力或与地面车辆组合使用。以下是其核心技术、代表产品与发展趋势的详细解析:
一、为何需要"混动"?------纯电 eVTOL 的瓶颈
当前主流 eVTOL 多为纯电动,但面临两大挑战:
- 电池能量密度低:现有锂电约 250--300 Wh/kg,远低于航空燃油(~12,000 Wh/kg)
- 航程受限:纯电 eVTOL 续航普遍 < 250 km,难以满足城际出行需求
✅ 混动方案优势:
- 航程提升至 400--500+ 公里
- 减轻电池重量,降低起降能耗
- 利用现有加油站网络,补能更灵活
二、2025--2026 年代表性飞行混动汽车项目
1. 小鹏汇天 A868(中国)
- 类型:全倾转固定翼混动飞行汽车
- 动力系统:油电混合(具体构型未公开,推测为增程式或并联混动)
- 性能参数 :
- 最大航程:>500 公里
- 巡航速度:360 km/h
- 座舱容量:6 人
- 起降方式:垂直起降(VTOL) + 固定翼高效巡航
- 量产计划:2026 年规模化交付
- 特色 :可实现 广州---深圳 30 分钟直达(地面需 2 小时+)
📌 同期推出"陆地航母"分体式设计:飞行器可从地面车辆上分离起飞。
2. 本田混合动力 eVTOL(日本)
- 亮相时间:2026 年迪拜航展
- 航程 :249 英里(约 400 公里)
- 定位:城市空中出租车(UAM)
- 技术亮点 :
- 高效涡轮发电机为电池充电
- 噪音控制优于纯电多旋翼机型
- 符合 FAA 认证路径
3. 峰飞航空 V2000CG "凯瑞鸥"(中国)
- 类型:5 吨级大型 eVTOL(货运/客运)
- 虽以纯电为主,但已启动混动版本研发
- 目标:解决中远程物流航程限制
三、混动架构技术路线
目前飞行混动汽车主要采用以下两种构型:
| 架构 | 原理 | 优点 | 挑战 |
|---|---|---|---|
| 增程式(Series Hybrid) | 内燃机仅驱动发电机,电力驱动电机 | 电机工况稳定,控制简单 | 系统效率略低(两次能量转换) |
| 并联式(Parallel Hybrid) | 内燃机+电机均可直接驱动旋翼/推进器 | 高功率输出,效率高 | 控制复杂,机械耦合难度大 |
🔧 小鹏 A868 更可能采用增程式,以简化飞行控制逻辑。
四、核心挑战与应对
| 挑战 | 解决方案 |
|---|---|
| 适航认证 | 遵循 FAA/EASA Part 23 或中国 CAAC 新规,分阶段验证 |
| 安全冗余 | 多套动力系统 + 降落伞 + 自主避障 |
| 噪音控制 | 优化旋翼气动设计 + 混动降低电机高负荷运行时间 |
| 基础设施 | 建设 vertiport(垂直起降机场),兼容加油/充电 |
五、市场前景与政策支持
- 中国 :2026 年被业界称为"飞行汽车量产元年",工信部推动低空空域改革,深圳、合肥等地建设试飞基地。
- 美国:FAA 启动 8 个 eVTOL 试点项目,加速商业化进程。
- 市场规模 :赛迪研究院预测,2026 年中国低空经济规模将突破 1.5 万亿元。
六、未来展望
- 2026--2028:混动 eVTOL 在城际通勤、应急救援、高端商务领域率先落地
- 2030+:随着固态电池或氢燃料成熟,可能回归纯电或氢能路线
- 终极形态 : "陆空一体智能座舱" ------ 白天作为汽车通勤,下班后展开机翼飞回家。
基于最新公开资料(截至2026年4月),以下是飞行混动汽车 (以小鹏汇天 A868 为代表)的 动力系统框图 与 能量管理策略(EMS) 的详细解析:
一、动力系统框图(基于小鹏 A868 公开信息)
小鹏 A868 采用 "鲲鹏超级增程架构" ,属于 串联式混合动力 (增程式),其核心是 航空级混电动力内核。系统框图如下:
+---------------------+
| 航空燃油箱 | (高能量密度燃料)
+----------+----------+
|
v
+----------+----------+
| 微型涡轮发电机 | ← 高效发电单元(>92%效率)
| (Micro Turbine | - 功重比高(1.88 kW/kg)
| Generator, MTG) | - 输出50--300 kW电力
+----------+----------+
|
| 交流电 → 整流
v
+----------+----------+
| 高压直流母线 |
| (HV DC Bus, ~800V) |
+----------+----------+
|
+-----+-----+
| |
v v
+----+----+ +---+----+
| 电池组 | | 电驱系统 | ← 六套独立电驱单元
| (高密度 | |(6×电机+ | - 每套驱动一个倾转旋翼
| 锂电/半固态)| | 倾转机构)| - 支持垂直起降 + 固定翼巡航
+---------+ +--------+
^ |
| v
+------> 飞控计算机 <--------- 传感器(SOC, 温度, 转速...)
|
v
能量管理系统(EMS)
关键组件说明:
- 微型涡轮发电机 (MTG):
替代传统活塞发动机,重量轻、振动小、高空效率高,专为航空设计。 - 高密度电池组 :
孚能科技等供应商提供,可能采用半固态电池(能量密度 > 400 Wh/kg)。 - 六合一电驱系统 :
推重比达 12(行业领先),集成电机、电控、减速器、倾转机构。 - 高压平台 :
800V 架构降低电流损耗,提升功率传输效率。
✅ 优势:
- 燃油只用于发电,不直接驱动旋翼 → 控制简化
- 电池作为"缓冲池",吸收/释放瞬时功率(如起飞、机动)
- 航程 > 500 km,远超纯电 eVTOL(<250 km)
二、能量管理策略(EMS)设计
A868 的 EMS 核心目标:在保证安全的前提下,最大化航程、最小化油耗、延长电池寿命。
1. 多模式运行策略
| 飞行阶段 | EMS 策略 | 功率流 |
|---|---|---|
| 垂直起飞 | 电池全力放电(高功率需求) | 电池 → 电机 |
| 爬升/巡航 | MTG 发电 = 电机消耗 + 电池充电 | MTG → 电机 + 电池 |
| 下降/滑翔 | MTG 关闭,电池维持航电 | 电池 → 航电系统 |
| 紧急备用 | MTG + 电池同时输出(冗余) | MTG + 电池 → 电机 |
2. SOC 管理规则(带迟滞)
- 正常巡航 :维持 SOC 在 40%--60% 区间(避免深度充放电)
- 起飞前:SOC ≥ 50%(确保足够起飞功率)
- 低油量警告:若燃油 < 10%,强制 MTG 全功率发电,优先保电
3. 热管理协同
- 电池温度 > 45°C → 降低 MTG 发电功率,启动液冷
- MTG 出口废气 → 用于座舱供暖(冬季提升能效)
4. 故障容错逻辑
- 单电机失效 → EMS 重新分配功率,进入"跛行模式"
- 通信中断 → 切换至本地规则基控制(预设安全策略)
三、与地面混动汽车 EMS 的区别
| 维度 | 地面 HEV/PHEV | 飞行混动汽车(eVTOL) |
|---|---|---|
| 安全等级 | ASIL-B/C | DO-178C / DO-254(航空级) |
| 响应速度 | 100--500 ms | < 10 ms(飞控要求) |
| 优化目标 | 油耗、排放 | 航程、重量、可靠性 |
| 冗余设计 | 单点故障可接受 | 多重冗余(动力、控制、电源) |
| 能量源 | 汽油 + 锂电 | 航空燃油 + 高密度锂电/半固态 |
四、技术挑战与趋势
- 认证难题 :
混动 eVTOL 需同时满足 航空适航 (CAAC/FAA) 与 车规安全(ISO 26262) 标准。 - AI 增强 EMS :
未来将引入 强化学习,根据实时气象、空管指令动态调整策略。 - 氢混动路线 :
部分企业(如 ZeroAvia)探索 氢燃料电池 + 电池 架构,实现零碳飞行。
总结
小鹏 A868 的 "增程混动 + 智能 EMS" 架构,是当前平衡 航程、安全、成本 的最优解。
其 EMS 不仅是"省油算法",更是 飞行安全的核心保障系统。