新闻详情

新闻详情

首页 / 资讯中心 / 详情

Buck / Boost 一体成型电感铜耗解析

发布时间:2026/11/4 23:05:52来源:尧图网络
Buck / Boost 一体成型电感铜耗解析
公式书上\(P_{Cu}I_{dc}^2 R_{dc}I_{ac}^2 R_{ac}\)Buck、Boost 电感电流波形直流分量\(I_{dc}\)叠加三角波纹波交流分量\(I_{ac(rms)}\)不是纯直流也不是纯交流。为什么一体成型工程上经常只用 \(I_{rms}^2 R_{dc}\)忽略 \(I_{ac}\) 那一项1、电流幅值对比Buck 举例输出电流\(I_{out}\)就是电感直流\(I_{dc}\) 纹波电流峰峰值\(\Delta I_{pp}\)纹波有效值\(I_{ac(rms)}\frac{\Delta I_{pp}}{2\sqrt{3}}\)实际 Buck纹波系数一般 20%~40%。 举例\(I_{out}10A\)纹波\(\Delta I_{pp}3A\) \(I_{dc}10A\)\(I_{ac(rms)}\dfrac{3}{2\sqrt{3}}≈0.866A\)直流损耗\(I_{dc}^2R_{dc}100\cdot R_{dc}\)交流纹波损耗\(I_{ac}^2R_{ac}0.75 \cdot R_{ac}\)哪怕\(F_RR_{ac}/R_{dc}2\)交流项只有 \(1.5\cdot R_{dc}\)。 直流损耗 100 份交流损耗才 1.5 份占比很小。2、一体成型本身绕组结构特点关键点一体成型电感内部绕组大多是扁平铜片 / 粗铜导线单层或者少数 1‑2 层层数极少 →邻近效应几乎没有开关电源频率几十 kHz~ 几百 kHz铜导体厚度做的比集肤深度小 → \(F_RR_{ac}/R_{ac}≈1.05\sim1.3\)\(R_{ac}\)和\(R_{dc}\)差距不大。对比高频变压器很多层绕组\(F_R\)可以到 3‑6交流损耗占比巨大绝对不能丢\(I_{ac}^2R_{ac}\)。 功率一体成型电感恰恰相反层数少纹波电流本身幅值远小于直流。3、工程简化做法总电流有效值\(I_{L\_rms}\sqrt{I_{dc}^2I_{ac(rms)}^2}\) 工程直接近似\(P_{Cu}≈I_{L\_rms}^2\cdot R_{dc}\) 等价展开\(I_{L\_rms}^2R_{dc}I_{dc}^2R_{dc}I_{ac(rms)}^2R_{dc}\)相当于把\(R_{ac}\)强行用\(R_{dc}\)代替低估了交流纹波那部分损耗但因为\(I_{ac}\)本身数值很小带来误差通常只有百分之几产品规格书全部是这个简化。什么情况一体成型不能忽略交流项工作频率非常高1MHz铜厚大于集肤深度\(F_R\)明显变大纹波系数特别大比如 DCM 模式\(\Delta I_{pp}\)接近甚至大于直流电流小电流直流分量很小纹波成为电流主体。举极端 DCM 例子电感平均直流 2A纹波峰峰值 8A此时交流项就不能随便扔掉。总结 Buck/Boost 一体成型CCM 连续导通模式绝大多数应用直流分量占绝对主导地位\(I_{dc}\gg I_{ac(rms)}\)绕组层数少\(F_R\)不大。规格书、快速估算\(\boldsymbol{P_{Cu}≈I_{rms}^2R_{dc}}\)严谨仿真热设计用书本完整公式\(P_{Cu}I_{dc}^2R_{dc}I_{ac}^2R_{ac}\)\(R_{ac}F_R\cdot R_{dc}(T)\)同时带上温度修正。DCM 断续模式高频大纹波必须算交流损耗不能只靠\(I^2R_{dc}\)。补充记忆区分功率电感一体成型、功率磁环CCM直流损耗为主交流纹波铜耗次要高频变压器交流损耗趋肤 邻近往往是大头不可忽略
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/4 15:56:54

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/4 22:55:41

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/4 17:01:23

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/4 12:33:12

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/4 1:25:31

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/4 3:51:11

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉