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…...
8k长序列建模,蛋白质语言模型Prot42仅利用目标蛋白序列即可生成高亲和力结合剂
蛋白质结合剂(如抗体、抑制肽)在疾病诊断、成像分析及靶向药物递送等关键场景中发挥着不可替代的作用。传统上,高特异性蛋白质结合剂的开发高度依赖噬菌体展示、定向进化等实验技术,但这类方法普遍面临资源消耗巨大、研发周期冗长…...
无法与IP建立连接,未能下载VSCode服务器
如题,在远程连接服务器的时候突然遇到了这个提示。 查阅了一圈,发现是VSCode版本自动更新惹的祸!!! 在VSCode的帮助->关于这里发现前几天VSCode自动更新了,我的版本号变成了1.100.3 才导致了远程连接出…...
C++ 基础特性深度解析
目录 引言 一、命名空间(namespace) C 中的命名空间 与 C 语言的对比 二、缺省参数 C 中的缺省参数 与 C 语言的对比 三、引用(reference) C 中的引用 与 C 语言的对比 四、inline(内联函数…...
如何为服务器生成TLS证书
TLS(Transport Layer Security)证书是确保网络通信安全的重要手段,它通过加密技术保护传输的数据不被窃听和篡改。在服务器上配置TLS证书,可以使用户通过HTTPS协议安全地访问您的网站。本文将详细介绍如何在服务器上生成一个TLS证…...
R语言速释制剂QBD解决方案之三
本文是《Quality by Design for ANDAs: An Example for Immediate-Release Dosage Forms》第一个处方的R语言解决方案。 第一个处方研究评估原料药粒径分布、MCC/Lactose比例、崩解剂用量对制剂CQAs的影响。 第二处方研究用于理解颗粒外加硬脂酸镁和滑石粉对片剂质量和可生产…...
热烈祝贺埃文科技正式加入可信数据空间发展联盟
2025年4月29日,在福州举办的第八届数字中国建设峰会“可信数据空间分论坛”上,可信数据空间发展联盟正式宣告成立。国家数据局党组书记、局长刘烈宏出席并致辞,强调该联盟是推进全国一体化数据市场建设的关键抓手。 郑州埃文科技有限公司&am…...
Kubernetes 节点自动伸缩(Cluster Autoscaler)原理与实践
在 Kubernetes 集群中,如何在保障应用高可用的同时有效地管理资源,一直是运维人员和开发者关注的重点。随着微服务架构的普及,集群内各个服务的负载波动日趋明显,传统的手动扩缩容方式已无法满足实时性和弹性需求。 Cluster Auto…...
pgsql:还原数据库后出现重复序列导致“more than one owned sequence found“报错问题的解决
问题: pgsql数据库通过备份数据库文件进行还原时,如果表中有自增序列,还原后可能会出现重复的序列,此时若向表中插入新行时会出现“more than one owned sequence found”的报错提示。 点击菜单“其它”-》“序列”,…...
Canal环境搭建并实现和ES数据同步
作者:田超凡 日期:2025年6月7日 Canal安装,启动端口11111、8082: 安装canal-deployer服务端: https://github.com/alibaba/canal/releases/1.1.7/canal.deployer-1.1.7.tar.gz cd /opt/homebrew/etc mkdir canal…...
手动给中文分词和 直接用神经网络RNN做有什么区别
手动分词和基于神经网络(如 RNN)的自动分词在原理、实现方式和效果上有显著差异,以下是核心对比: 1. 实现原理对比 对比维度手动分词(规则 / 词典驱动)神经网络 RNN 分词(数据驱动)…...
