BOOST电感选型(参数详细计算)
上一篇文章我们介绍了BUCK电路中电感的计算与选型,与BUCK类似,这篇来介绍下BOOST
BOOST电路原理简析

上图是一个异步BOOST电路拓扑图,我们先来简单回忆一下它是如何工作的:
1.Q闭合,Vin为Rload供电,Vin为L和Cout充电,同时为Rload供电;
2.Q断开,L和Cout放电,与Vin一起为Rload供电;
写出Q闭合与断开时L两端的电压,再结合电感公式,可以画出稳态下电感中电流随时间变化的图像;进一步可以推导出秒平衡;这些内容在之前一篇文章中已经详细写过,不了解的读者可以先去看下那一篇文章:https://blog.csdn.net/weixin_44634860/article/details/141941934
重要的电感公式和电容公式
电感公式:

电容公式:

电感电流值计算
BOOST稳态时,L中电流随时间变化的图像:

对于整个BOOST电路来说:输入功率Pin=输出功率Pout+损耗功率Ploss
P i n = V i n ∗ I i n P o u t = V o u t ∗ I o u t P l o s s = V D ∗ I o u t \begin{matrix}Pin=Vin*Iin \\Pout=Vout*Iout \\Ploss=V_{D}*Iout \end{matrix} Pin=Vin∗IinPout=Vout∗IoutPloss=VD∗Iout
由于Vin给电流输入的电流Iin都会流过电感,所以有:
I L = I i n I_{L}=Iin IL=Iin
整理得:
V i n ∗ I L = V o u t ∗ I o u t + V D ∗ I o u t = ( V o u t + V D ) ∗ I o u t Vin*I_{L}=Vout*Iout+V_{D}*Iout=(Vout+V_{D})*Iout Vin∗IL=Vout∗Iout+VD∗Iout=(Vout+VD)∗Iout
由此得:
I L = ( V o u t + V D ) ∗ I o u t V i n I_{L}=\frac{(Vout+V_{D})*Iout}{Vin} IL=Vin(Vout+VD)∗Iout
流过电感的平均电流已经知道,再计算出电感上的纹波电流Iripple,即可求出电感L上流过的最大电流;
一般DCDC输出电流纹波要求在输出电流的20%~40%;
所以稳态时流过电感的总电流为:
I L 总 = I L + I L × ( 0.2 ∼ 0.4 ) = ( V o u t + V D ) ∗ I o u t V i n × ( 1.2 ∼ 1.4 ) (异步 B O O S T 电感电流) I_{L总} =I_{L}+ I_{L}\times \left ( 0.2\sim 0.4 \right )=\frac{(Vout+V_{D})*Iout}{Vin} \times \left ( 1.2\sim 1.4 \right )(异步BOOST电感电流) IL总=IL+IL×(0.2∼0.4)=Vin(Vout+VD)∗Iout×(1.2∼1.4)(异步BOOST电感电流)
注意
使用同步BOOST时:输出功率Pout=效率η*输入功率Pin
P i n = V i n ∗ I i n P o u t = V o u t ∗ I o u t \begin{matrix}Pin=Vin*Iin \\Pout=Vout*Iout \end{matrix} Pin=Vin∗IinPout=Vout∗Iout
由于Vin给电流输入的电流Iin都会流过电感,所以有:
I L = I i n I_{L}=Iin IL=Iin
整理得:
V i n ∗ I L ∗ η = V o u t ∗ I o u t Vin*I_{L}*\eta =Vout*Iout Vin∗IL∗η=Vout∗Iout
由此得:
I L = V o u t ∗ I o u t V i n ∗ η I_{L}=\frac{Vout*Iout}{Vin*\eta } IL=Vin∗ηVout∗Iout
流过电感的平均电流已经知道,再计算出电感上的纹波电流Iripple,即可求出电感L上流过的最大电流;
一般DCDC输出电流纹波要求在输出电流的20%~40%;
所以稳态时流过电感的总电流为:
I L 总 = I L + I L × ( 0.2 ∼ 0.4 ) = V o u t ∗ I o u t V i n ∗ η × ( 1.2 ∼ 1.4 ) (同步 B O O S T 电感电流) I_{L总} =I_{L}+ I_{L}\times \left ( 0.2\sim 0.4 \right )=\frac{Vout*Iout}{Vin*\eta } \times \left ( 1.2\sim 1.4 \right )(同步BOOST电感电流) IL总=IL+IL×(0.2∼0.4)=Vin∗ηVout∗Iout×(1.2∼1.4)(同步BOOST电感电流)
疑问与解答
为什么我们要计算流过电感的电流值呢?求出后应该如何对电感的电流值进行选型呢?
因为电感一些关于电流的参数:饱和电流,温升电流,额定电流;
电感流过的电流值大于饱和电流时,电感进入磁饱和状态,电感量下降甚至失去电感特性,从而导致电路出现问题;大于温升电流时,电感器发热更严重,温升也会加快,甚至可能会烧毁电感;
一般情况下,会取饱和电流和温升电流中最小值的80%来作为额定电流;即:
I L 额定 = 0.8 × M A X { I L 饱和 , I L 温升 } I_{L额定}=0.8\times MAX\left \{ I_{L饱和}, I_{L温升} \right \} IL额定=0.8×MAX{IL饱和,IL温升}
我们所选择电感的额定电流需要大于BOOST电路稳定时流过电感电流量的1.3倍;即:
I L 额定 > I L 总 × 1.3 I_{L额定}> I_{L总} \times 1.3 IL额定>IL总×1.3
电感感值计算
同时,根据电感公式可知:
I r i p p l r = T o n × V i n L = T o f f × ( V o u t − V i n + V D ) L I r i p p l r = ( 0.2 ∼ 0.4 ) × I L \begin{matrix}Iripplr=\frac{Ton\times Vin}{L}= \frac{Toff\times( Vout-Vin+V_{D}) }{L} \\Iripplr=\left ( 0.2\sim 0.4 \right ) \times I_{L} \end{matrix} Iripplr=LTon×Vin=LToff×(Vout−Vin+VD)Iripplr=(0.2∼0.4)×IL
化简可得:
L = ( V o u t − V i n + V D ) × V i n × V i n ( 0.2 ∼ 0.4 ) × I o u t × f × ( V o u t + V D ) × ( V o u t + V D ) (异步 B O O S T 电感感值) L=\frac{\left ( Vout-Vin+V_{D} \right ) \times Vin\times Vin}{\left ( 0.2\sim 0.4 \right )\times Iout\times f\times (Vout+V_{D})\times (Vout+V_{D})} (异步BOOST电感感值) L=(0.2∼0.4)×Iout×f×(Vout+VD)×(Vout+VD)(Vout−Vin+VD)×Vin×Vin(异步BOOST电感感值)
L = ( V o u t − V i n ) × V i n × V i n × η ( 0.2 ∼ 0.4 ) × I o u t × f × V o u t × V o u t (同步 B O O S T 电感感值)此处计算时注意纹波电流中的 V D = 0 L=\frac{\left ( Vout-Vin\right ) \times Vin\times Vin\times \eta }{\left ( 0.2\sim 0.4 \right )\times Iout\times f\times Vout\times Vout}(同步BOOST电感感值)此处计算时注意纹波电流中的V_{D}=0 L=(0.2∼0.4)×Iout×f×Vout×Vout(Vout−Vin)×Vin×Vin×η(同步BOOST电感感值)此处计算时注意纹波电流中的VD=0
其中Ton与Toff的值同样在之前的文章中有详细计算过程,不再赘述;
由上述式子可以计算出一个电感感值的范围,在这个感值范围的电感可以使得输出电流的纹波在20%~40%这个区间内;
疑问与解答
为什么计算出电感感量在一个范围内?选择电感值足够大的电感使得输出纹波小于20%会有什么问题么?
所选电感感值过大时,输出纹波较小,电路动态响应较差,环路稳定性较好;
所选电感感值过小时,输出纹波较大,电路动态响应较好,环路稳定性较差;
为了平衡BOOST电路这几个性能,我们一般会选择输出电流纹波在输出电流的20%~40%;
总结
我们在设计BOOST电路时,首先要根据需求计算出电流值与电感值,然后再跟待选电感的参数进行比对,二者都符合要求才能进行选择;挑选出多个符合要求的电感后再根据价格,封装等其他因素综合考虑进行选型;最终以实测结果为主。
相关文章:
BOOST电感选型(参数详细计算)
上一篇文章我们介绍了BUCK电路中电感的计算与选型,与BUCK类似,这篇来介绍下BOOST BOOST电路原理简析 上图是一个异步BOOST电路拓扑图,我们先来简单回忆一下它是如何工作的: 1.Q闭合,Vin为Rload供电,Vin为L…...
EfficientNet-B6模型实现ISIC皮肤镜图像数据集分类
项目源码获取方式见文章末尾! 回复暗号:13,免费获取600多个深度学习项目资料,快来加入社群一起学习吧。 《------往期经典推荐------》 项目名称 1.【基于opencv答题卡识别判卷】 2.【卫星图像道路检测DeepLabV3Plus模型】 3.【G…...
Elasticsearch分词器基础安装
简介 Elasticsearch (ES) 是一个基于 Lucene 的搜索引擎,分词器是其核心组件之一,负责对文本数据进行分析和处理。 1. 文本分析 分词器将输入的文本拆分成一个个单独的词(tokens),以便后续的索引和搜索。例如&#x…...
Django-邮件发送
邮件相关协议: SMTP(负责发送): IMAP(负责收邮件): POP3(负责收邮件): 两者区别: Django发邮件: 邮箱相关配置: settings中&…...
SchooWeb2--基于课堂学习到的知识点2
SchoolWeb2 form表单input控件中各type中value值含义 默认值 text password hidden 提交给服务器的值 select option radio属性的name含义 name值相同表示是同一组单选框中的内容 script的位置 head标签 在head中使用script可以保证在页面加载时进行加载ÿ…...
Android.mk 写法
目录放在odm/bundled_uninstall_back-app/VantronMdm/VantronMdm.apk LOCAL_PATH : $(my-dir) include $(CLEAR_VARS) LOCAL_MODULE : VantronMdm LOCAL_MODULE_CLASS : APPS LOCAL_MODULE_PATH : $(TARGET_OUT_ODM)/bundled_uninstall_back-app LOCAL_SRC_FILES : $(LOCAL_M…...
精通Javascript 函数式array.forEach的8个案例
JavaScript是当今流行语言中对函数式编程支持最好的编程语言。我们继续构建函数式编程的基础,在前文中分解介绍了帮助我们组织思维的四种方法,分别为: array.reduce方法 帮你精通JS:神奇的array.reduce方法的10个案例 array.map方…...
忘记无线网络密码的几种解决办法
排名由简单到复杂 1网线直连; 2查看密码备份文件; 3问人要密码; 4已连接无线设备生成二维码扫描即可上网; 5路由器有wps功能,设备输入pin码可上网; 6已连接电脑右键wifi名,选择属性,…...
git add你真的用明白了吗?你还在无脑git add .?进入暂存区啥意思?
git add 命令用于将文件的改动添加到暂存区(staging area),为下一次提交做好准备。简单来说,它标记了哪些文件或改动会被纳入下次 git commit 中。以下是 git add 的作用和使用场景: 1. 作用 git add 将指定文件或文…...
Vue-Route
一、相关理解 1. vue-router的理解 vue的一个插件库,专门用来实现SPA应用 2. 对SPA应用的理解 单页Web应用整个应用只有一个完整的页面点击页面中的导航链接不会刷新页面,只会做页面的局部更新数据需要通过ajax请求获取 3. 路由的理解 什么是路由 …...
字符串逆序(c语言)
错误代码 #include<stdio.h>//字符串逆序 void reverse(char arr[], int n) {int j 0;//采用中间值法//访问数组中第一个元素和最后一个元素//交换他们的值,从而完成了字符串逆序//所以这个需要临时变量for (j 0; j < n / 2; j){char temp arr[j];arr[…...
芯片上音频相关的验证
通常芯片设计公司(比如QUALCOMM)把芯片设计好后交由芯片制造商(比如台积电)去生产,俗称流片。芯片设计公司由ASIC部门负责设计芯片。ASIC设计的芯片只有经过充分的验证(这里说的验证是FPGA(现场…...
【C/C++】函数的递归
1.什么是递归? 递归就是递推和回归,以数学函数f(x) x为例: 递推:f(x) f(x - 1) 1 ; f(x - 1) f(x - 2) 1 ; f(x - 2) …… 回归:……; f(x - 2) f(x - 1) 1 ; f(x - 1) f(x) 1; 可以看出, 递推和…...
《链表篇》---两两交换链表中的节点(中等)
题目传送门 1.定义一个虚拟节点链接链表 2.定义一个当前节点指向虚拟节点 3.在当前节点的下一个节点和下下一个节点都不为null的情况下。 定义 node1和node2。保存当前节点后面两个节点的地址。cur.next node2;node1.next node2.next;node2.next node1;cur node1; 4.返回re…...
Fakelocation 步道乐跑(Root真机篇)
前言:需要 Fakelocation,真机Root,步道乐跑,Dia,MT管理器系统需求 Fakelocation | MT管理器 | Dia | 环境模块 任务一 真机Root(德尔塔,过momo,刷环境模块) 任务二 前往Dia查看包名(…...
PyEcharts | 全局配置项中初始配置项和区域缩放配置项的使用
全局配置项可通过set_global_opts方法设置 一个图像主要的内容 引入包 from pyecharts.charts import Bar,Line from pyecharts import options as opts from pyecharts.faker import Faker from pyecharts.globals import ThemeType,RenderTypefrom pyecharts.globals imp…...
突破语言壁垒:Cohere 发布多语言大模型 Aya Expanse
前沿科技速递🚀 在多语言大模型领域,Cohere 再次迎来了突破!10月24日,Cohere的研究实验室 Cohere For AI 正式发布了最新的多语言AI模型家族 —— Aya Expanse。该系列模型开放了8B和32B参数两个版本,为全球AI爱好者带来了崭新的多…...
内容安全与系统构建加速,助力解决生成式AI时代的双重挑战
内容安全与系统构建加速,助力解决生成式AI时代的双重挑战 0. 前言1. PRCV 20241.1 大会简介1.2 生成式 Al 时代的内容安全与系统构建加速 2. 生成式 AI2.1 生成模型2.2 生成模型与判别模型的区别2.3 生成模型的发展 3. GAI 内容安全3.1 GAI 时代内容安全挑战3.2 图像…...
Scrapy源码解析:DownloadHandlers设计与解析
1、源码解析 代码路径:scrapy/core/downloader/__init__.py 详细代码解析,请看代码注释 """Download handlers for different schemes"""import logging from typing import TYPE_CHECKING, Any, Callable, Dict, Gener…...
shell基础-awk
awk 是一个强大的文本处理工具,广泛用于 Unix 和 Linux 系统中。它可以用来处理和分析文本文件,特别是那些包含结构化数据的文件。以下是 awk 的基础知识和一些常用示例。 基本概念 记录和字段: 记录:awk 处理的每一行文本称为一…...
2025最权威的十大降AI率工具推荐
Ai论文网站排名(开题报告、文献综述、降aigc率、降重综合对比) TOP1. 千笔AI TOP2. aipasspaper TOP3. 清北论文 TOP4. 豆包 TOP5. kimi TOP6. deepseek 人工智能生成内容工具广泛应用这件事引出了技术反思,此类工具能高效产出文本图像…...
Newhaven 5.0英寸TFT显示屏技术解析与应用指南
1. Newhaven 5.0英寸TFT显示屏核心特性解析 1.1 3M增强膜技术解析 这款5.0英寸TFT显示屏最显著的技术亮点在于采用了3M专利的增强膜技术。在实际应用中,我发现这种增强膜通过特殊的光学结构设计,能够有效提升背光利用率。具体来说,它采用了多…...
MySQL实现跨库在线迁移的方法_利用Binlog实时数据同步工具
MySQL跨库迁移不能只靠mysqldump,因其逻辑全量导出会锁表或阻塞写入,且无位点信息无法增量追平;必须结合binlog实时拉取回放实现秒级停机。MySQL跨库迁移为什么不能只靠mysqldump因为mysqldump是逻辑全量导出,锁表或至少阻塞写入&…...
AI人工智能未来发展趋势
当ChatGPT实现自然语言的深度交互,当AI机器人走进工厂车间,当智能算法助力疫苗研发提速,人工智能已从实验室的前沿探索,成为渗透社会各领域的核心生产力。当前,AI技术正处于从“弱智能”向“强智能”跨越的关键节点&am…...
BQ34Z100-G1电量计配置不求人:用咸鱼EV2400+BqStudio完成电池组参数学习的保姆级教程
BQ34Z100-G1电量计配置实战:从零搭建高精度电池管理系统 在新能源和储能系统蓬勃发展的今天,精确的电池电量计量已成为电池管理系统(BMS)的核心竞争力。德州仪器(TI)的BQ34Z100-G1阻抗跟踪电量计凭借其出色的精度和稳定性,在工业储能、电动工…...
Obsidian Importer:一站式笔记数据迁移终极指南
Obsidian Importer:一站式笔记数据迁移终极指南 【免费下载链接】obsidian-importer Obsidian Importer lets you import notes from other apps and file formats into your Obsidian vault. 项目地址: https://gitcode.com/gh_mirrors/ob/obsidian-importer …...
对比直接购买,使用 Taotoken 的 Token Plan 带来的成本优势感知
🚀 告别海外账号与网络限制!稳定直连全球优质大模型,限时半价接入中。 👉 点击领取海量免费额度 对比直接购买,使用 Taotoken 的 Token Plan 带来的成本优势感知 1. 从按需付费到套餐规划的成本视角转变 在直接使用各…...
Claude与Figma智能协作:基于MCP协议的设计自动化实践
1. 项目概述:当Claude遇上Figma,设计协作的智能革命如果你是一名产品设计师或前端工程师,大概率经历过这样的场景:在Figma里反复调整一个组件的间距,只为找到那个“感觉对了”的数值;或者为了统一整个项目的…...
人为什么要活着的庖丁解牛
它的本质是:**这个问题本身是一个 逻辑陷阱 (Logical Trap)。它预设了生命必须有一个 外部赋予的、预先定义的“目的” (Pre-defined Purpose),就像软件必须有“需求文档”一样。然而,宇宙是 无目的的 (Purposeless),生命是 涌现的…...
3大核心能力解析:Vin象棋如何用深度学习重塑中国象棋AI辅助体验
3大核心能力解析:Vin象棋如何用深度学习重塑中国象棋AI辅助体验 【免费下载链接】VinXiangQi Xiangqi syncing tool based on Yolov5 / 基于Yolov5的中国象棋连线工具 项目地址: https://gitcode.com/gh_mirrors/vi/VinXiangQi Vin象棋是一款基于YOLOv5深度学…...
