【多相多级 DC-DC 转换器】减少输入电流的谐波和输出电压的波纹采用零电流开关技术ZCS以最小化开关损耗附Simulink仿真

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

多相多级 DC-DC 转换器在现代电力电子系统中发挥着重要作用，然而其输入电流谐波和输出电压波纹问题，以及开关损耗对系统效率的影响不容忽视 。本文针对这些问题，研究在多相多级 DC-DC 转换器中应用零电流开关（Zero Current Switching，ZCS）技术，以减少输入电流谐波、降低输出电压波纹，并最小化开关损耗 。通过分析 ZCS 技术的工作原理和实现方式，结合多相多级 DC-DC 转换器的拓扑结构，设计基于 ZCS 的控制策略 。仿真与实验结果表明，采用 ZCS 技术后，输入电流谐波含量显著降低，输出电压波纹得到有效抑制，同时开关损耗大幅减少，提升了转换器的整体性能和效率，为多相多级 DC-DC 转换器的优化设计提供了技术参考。

关键词

多相多级 DC-DC 转换器；零电流开关技术；输入电流谐波；输出电压波纹；开关损耗

一、引言

随着电力电子技术的不断发展，多相多级 DC-DC 转换器因其具有高功率密度、高效率、低输出电压纹波等优点，广泛应用于新能源发电、电动汽车、通信电源等领域 。然而，在实际运行过程中，多相多级 DC-DC 转换器存在输入电流谐波含量高、输出电压波纹较大以及开关损耗显著等问题 。输入电流谐波不仅会对电网造成污染，还可能影响其他用电设备的正常运行；输出电压波纹过大则会降低供电质量，影响负载的稳定工作；而开关损耗会降低转换器的效率，增加散热成本 。

零电流开关（ZCS）技术作为一种软开关技术，能够在开关器件开通或关断时，使其电流为零，从而有效降低开关损耗，减少电磁干扰 。将 ZCS 技术应用于多相多级 DC-DC 转换器，有望解决上述问题，提升转换器的性能和效率 。本文将深入研究 ZCS 技术在多相多级 DC-DC 转换器中的应用，分析其对减少输入电流谐波和输出电压波纹、降低开关损耗的作用机制，并通过仿真和实验验证其有效性。

二、多相多级 DC-DC 转换器工作原理与问题分析

（一）工作原理

多相多级 DC-DC 转换器通过多个功率变换单元（相）的并联或串联组合，实现输入电压到输出电压的转换 。以多相并联 DC-DC 转换器为例，各相开关管按照一定的相位差交替导通和关断，将输入直流电压转换为高频脉冲电压，再通过滤波电路将脉冲电压转换为稳定的直流输出电压 。通过增加相数，可以降低输出电压纹波，提高输出电流能力；多级结构则能够实现更高的电压增益 。

（二）存在的问题

1. 输入电流谐波：由于开关管的周期性通断，多相多级 DC-DC 转换器的输入电流呈现非正弦特性，含有大量谐波成分 。这些谐波电流注入电网后，会导致电网电压畸变，影响电网的电能质量，同时可能引发电网保护装置误动作 。

1. 输出电压波纹：尽管多相多级结构能够在一定程度上降低输出电压纹波，但由于滤波电路的局限性以及开关管的开关动作，输出电压仍然存在一定的波纹 。输出电压波纹过大，会对敏感负载的正常工作产生不利影响，如导致电子设备工作不稳定、性能下降等 。

1. 开关损耗：传统硬开关 DC-DC 转换器在开关管开通和关断瞬间，电压和电流存在重叠，会产生较大的开关损耗 。随着开关频率的提高，开关损耗占总损耗的比例越来越大，严重降低了转换器的效率 。

三、零电流开关（ZCS）技术原理

零电流开关（ZCS）技术的核心思想是在开关器件开通或关断时刻，使流过开关器件的电流为零 。根据实现方式的不同，ZCS 技术可分为准谐振型 ZCS 和脉冲频率调制（Pulse Frequency Modulation，PFM）型 ZCS 等 。

在准谐振型 ZCS 中，通过在电路中引入谐振电感和谐振电容，构成谐振回路 。当开关管关断时，电路中的电流通过谐振回路进行换流，使开关管电流在关断前下降到零；当开关管开通时，由于电流为零，开通损耗得以消除 。PFM 型 ZCS 则通过调节开关频率，使开关管在电流自然过零时进行开通或关断操作 。

ZCS 技术具有以下优点：一是能够显著降低开关损耗，提高转换器的效率；二是减少开关过程中的电压和电流变化率（dv/dt 和 di/dt），降低电磁干扰；三是延长开关器件的使用寿命，提高系统的可靠性 。

⛳️ 运行结果

📣 部分代码

🔗 参考文献

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇