CN112685951A - 一种双有源半桥直流变换器能耗优化方法 - Google Patents
一种双有源半桥直流变换器能耗优化方法 Download PDFInfo
- Publication number
- CN112685951A CN112685951A CN202011498445.9A CN202011498445A CN112685951A CN 112685951 A CN112685951 A CN 112685951A CN 202011498445 A CN202011498445 A CN 202011498445A CN 112685951 A CN112685951 A CN 112685951A
- Authority
- CN
- China
- Prior art keywords
- double
- active half
- state
- learning model
- bridge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005265 energy consumption Methods 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 title abstract description 20
- 230000010363 phase shift Effects 0.000 claims abstract description 36
- 230000009471 action Effects 0.000 claims abstract description 18
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000011217 control strategy Methods 0.000 claims description 8
- OIGNJSKKLXVSLS-VWUMJDOOSA-N prednisolone Chemical compound O=C1C=C[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 OIGNJSKKLXVSLS-VWUMJDOOSA-N 0.000 claims description 6
- 239000003990 capacitor Substances 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 2
- 230000009977 dual effect Effects 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000001939 inductive effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
Images
Landscapes
- Dc-Dc Converters (AREA)
Abstract
本发明公开了一种双有源半桥直流变换器能耗优化方法，先设置双有源半桥直流变换器的工作状态，再分别Q‑learning模型的目标函数、状态空间、动作空间和奖励函数，完成Q‑learning模型的搭建；然后使用MATLAB工具仿真Q‑learning模型进行训练，直到Q‑learning模型收敛，从而以获得双有源全桥直流变换器在最低损耗下的双重移相控制变量；最后根据得到的的双重移相控制变量，完成对双有源半桥直流变换器的控制，达到能耗优化的目的。
Description
技术领域
本发明属于电力电子器件技术领域，更为具体地讲，涉及一种双有源半桥直流变换器能耗优化方法。
背景技术
双主动半桥直流变换器由于具有许多优点，包括高功率密度、高电压传输比、易于实现软开关等，在新能源汽车、电力电子变压器、可再生能源发电等场合有着重要的应用。传统的双主动半桥由两个高频半桥和一个高频变压器组成，在以往文献中提出过多种控制方法，包括单移相控制和双重移相控制。
单移相控制简单易实现，而且可以在有效电压转换比为1时，实现在整个功率范围内的零电压开关操作。但这种控制方式在应用中存在两大限制，一方面单移相控制仅当有效电压转换比为1时，才可以在整个功率范围内进行零电压操作；另一方面，单移相控制会导致电路电流应力增大、无功环流增加，从而导致变换器的损耗增大，效率降低。
双重移相控制在一定程度上减小了双主动半桥直流变换器的无功环流和电流应力。该控制方法在两侧半桥外移相的基础上，都以相同的占空比(非0.5)驱动半桥开关管导通，通过优化两自由度的取值来达到所需的优化目标。但采用双重移相控制的双有源直流变换器的优化目标的实现过程存在复杂的计算，无法实现实时控制，同时也存在着功率损耗较高，变换器效率较低的问题。
发明内容
本发明的目的在于克服现有技术的不足，提供一种双有源半桥直流变换器能耗优化方法，利用Q-learning算法训练双有源半桥直流变换器的双重移相控制变量，完成对双有源半桥直流变换器的实时控制，并达到有效降低变换器的能耗的目的。
为实现上述发明目的，本发明一种双有源半桥直流变换器能耗优化方法，其特征在于，包括如下步骤：
(1)、设置双有源半桥直流变换器的工作状态，采集当前双有源半桥直流变换器的环境状态；
(1.1)、设置双有源半桥直流变换器的工作状态，包括输入侧电压V1的范围、输出侧电压V2的范围和期望的传输功率Po的范围，并根据这些范围值设置高频变压器的变比、均压电容大小和开关频率；
(1.2)、设置双有源半桥直流变换器一次侧开关管的导通占空比为D1，设置两侧半桥之间的移相比为D2；
(1.3)、采集当前双有源半桥直流变换器的环境状态，包括实际的输入侧电压V1、输出侧电压V2和传输功率Po；
(2)、建立Q-learning模型；
(2.1)、设置Q-learning模型的目标函数F：
其中，PA(·)是功率损耗函数，ΔP(·)表示功率误差函数，
为惩罚系数；
(2.2)、设置Q-learning模型的状态空间S：S＝[D1,D2]；
(2.3)、设置Q-learning模型的动作空间A：A＝{CD1,CD2}，其中，CDi＝[0,±1]×δ，i＝1,2，δ是S的量化量，D1和D2的增量ΔDi满足：ΔDi∈CDi；
(2.4)、设置Q-learning模型的奖励函数r(s,a)为：
其中，Fref为目标函数的参考值，Fmin为目标函数的最小值；ΔF＝Fc-Fp，Fc为目标函数在当前状态下的状态值，Fp为目标函数在前一状态下的状态值，ΔF为目标函数在相邻两个状态之间的差值；
(3)、利用MATLAB工具仿真Q-learning模型，运用ε-greedy搜索策略，不断探索最优控制策略，直到找到当前环境状态下对应的最佳动作；
(3.1)、将建立好的Q-learning模型输入到MATLAB中进行仿真，然后将采集到的V1、V2和Po输入至Q-learning模型，开始对Q-learning模型进行训练；
(3.2)、采用ε-greedy方法探索最优控制策略：在任一状态下，以小概率ε选取动作A，以1-ε选择Q值最大的动作，以Q值最大为依据不断地更新动作空间A，然后根据更新的动作空间去更新状态空间S；
(3.3)、经过N次的ε-greedy方法探索后，选择N次探索中最小的目标函数值Fmin作为状态更新中的参数，然后继续执行步骤(3.2)，直到Q-learning模型收敛；
(3.4)、生成Q值查找表，使得表中每一组V1、V2和Po都对应一组最佳的状态S＝[D1,D2]，并将最佳状态S所对应的状态值[D1,D2]作为双有源半桥直流变换器的最佳移相控制变量；
(4)、双有源半桥直流变换器的能耗优化；
实时采集双有源半桥直流变换器的操作环境V1、V2和Po，再根据Q值查找表寻找与当前操作环境相对应的最佳移相控制变量[D1,D2]，如果找到，则根据该组移相控制变量对双有源半桥直流变换器进行优化控制；如果未找到，则选择与当前操作环境最接近的值，然后找到与该值相对应的移相控制变量[D1,D2]，对双有源半桥直流变换器进行优化控制。
本发明的发明目的是这样实现的：
本发明一种双有源半桥直流变换器能耗优化方法，先设置双有源半桥直流变换器的工作状态，再分别Q-learning模型的目标函数、状态空间、动作空间和奖励函数，完成Q-learning模型的搭建；然后使用MATLAB工具仿真Q-learning模型进行训练，直到Q-learning模型收敛，从而以获得双有源全桥直流变换器在最低损耗下的双重移相控制变量；最后根据得到的的双重移相控制变量，完成对双有源半桥直流变换器的控制，达到能耗优化的目的。
同时，本发明一种双有源半桥直流变换器能耗优化方法还具有以下有益效果：
(1)、使用基于Q-learning算法的双有源半桥直流变换器能耗优化方法，与传统的双重移相控制策略相比，有效减小了双有源半桥直流变换器漏感电流峰值和有效值，降低了双有源半桥直流变换器在传输过程中的能量损耗。
(2)、使用基于Q-learning算法的双有源半桥直流变换器能耗优化方法，与传统的双重移相控制策略相比，解决了其计算复杂度增加和无法实现实时控制的问题，并可在不同的操作环境下获得优化策略。
(3)、使用基于Q-learning算法的双有源半桥直流变换器能耗优化方法，与使用启发式算法优化直流变换器能耗相比，提高了灵活性，简化了寻找最佳移相控制变量的流程，更具有实际操作性。
附图说明
图1是是双有源半桥直流变换器的拓扑结构图；
图2是双有源半桥在双重移相控制下的工作原理；
图3是一种双有源半桥直流变换器能耗优化方法流程图；
图4是双有源半桥在双重移相控制和本发明提出能耗优化方法下的工作波形。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
实施例
在本实施例中，如图1所示，双有源半桥直流变换器由两个高频半桥通过中间的高频变压器连接。V1和V2分别为变压器两侧直流电压，Vab和Vcd分别为两侧半桥直流电压，S1-S4为开关管，C1-C4为半桥均压电容。变压器的电压比为1：n，Lk表示变压器折算到一次侧的漏感和外部串联电感之和，iLk为流过Lk的电流。一次侧半桥(S1,S2)与低压直流端口V1接口连接，而二次侧半桥(S3,S4)与高压直流端口V2连接。双有源半桥在双重移相控制下的工作波形如图2所示，图中D1为双有源半桥一次侧开关管的导通占空比，D2为双有源半桥一次侧和二次侧半桥之间的移相比。
在本实施例中，如图3所示，本发明一种双有源半桥直流变换器能耗优化方法，包括如下步骤：
S1、设置双有源半桥直流变换器的工作状态，采集当前双有源半桥直流变换器的环境状态；
S1.1、设置双有源半桥直流变换器的工作状态，包括输入侧电压V1的范围为40～60V、输出侧电压V2为200V和期望的传输功率Po的范围为0～375W，并根据上述范围设置高频电源变压器的变比为1：2，均压电容的大小为20μF，串联电感的大小选择为5μH，开关频率设置为50kHz；
S1.2、设置双有源半桥直流变换器一次侧开关管的导通占空比为D1，设置两侧半桥之间的移相比为D2，D1和D2的范围为[-1,1]；
S1.3、采集当前双有源半桥直流变换器的环境状态，包括实际的输入侧电压V1、输出侧电压V2和传输功率Po；
S2、建立Q-learning模型；
S2.1、设置Q-learning模型的目标函数F：
其中，PA(·)是功率损耗函数，ΔP(·)表示功率误差函数，
为惩罚系数，在此实施例中设置惩罚系数
为1；
S2.2、设置Q-learning模型的状态空间S：S＝[D1,D2]；
S2.3、设置Q-learning模型的动作空间A：A＝{CD1,CD2}，其中，CDi＝[0,±1]×δ，i＝1,2，δ是S的量化量，δ取值为0.001，D1和D2的增量ΔDi满足：ΔDi∈CDi；
S2.4、设置Q-learning模型的奖励函数r(s,a)为：
其中，Fref为目标函数的参考值，Fmin为目标函数的最小值；ΔF＝Fc-Fp，Fc为目标函数在当前状态下的状态值，Fp为目标函数在前一状态下的状态值，ΔF为目标函数在相邻两个状态之间的差值；
S3、利用MATLAB工具仿真Q-learning模型，运用ε-greedy搜索策略，不断探索最优控制策略，直到找到当前环境状态下对应的最佳动作；
S3.1、将建立好的Q-learning模型输入到MATLAB中进行仿真，然后将采集到的V1、V2和Po输入至Q-learning模型，开始对Q-learning模型进行训练；
S3.2、采用ε-greedy方法探索最优控制策略：在任一状态下，以小概率ε选取动作A，以1-ε选择Q值最大的动作，在本实施例中ε的取值为0.01；以Q值最大为依据不断地更新动作空间A，然后根据更新的动作空间去更新状态空间S；
S3.3、经过N＝2000次的ε-greedy方法探索后，选择N次探索中最小的目标函数值Fmin＝120作为状态更新中的参数，然后继续执行步骤S3.2，直到Q-learning模型收敛；
S3.4、生成Q值查找表，如表1所示，使得表中每一组V1、V2和Po都对应一组最佳的状态S＝[D1，D2]，并将最佳状态s所对应的状态值[D1，D2]作为双有源半桥直流变换器的最佳移相控制变量；
| 操作环境[V<sub>1</sub>，V<sub>2</sub>，P<sub>o</sub>] | 移相控制变量[D<sub>1</sub>，D<sub>2</sub>] |
| … | … |
| [40，200，100] | [0.1381，0.0782] |
| [40，200，125] | [0.1596，0.0855] |
| [40，200，150] | [0.1806，0.0918] |
| [50，200，100] | [0.1269，0.0631] |
| [50，200，125] | [0.1469，0.0687] |
| [50，200，150] | [0.1664，0.0736] |
| [60，200，100] | [0.1229，0.0505] |
| … | … |
表1
S4、双有源半桥直流变换器的能耗优化；
在本实施例中，实时采集双有源半桥直流变换器的操作环境输入侧电压V1＝50V，输出侧电压V2＝200V，传输功率Po＝125W，再根据Q值查找表寻找与当前操作环境[V1，V2，Po]＝[50，200，125]相对应的最佳移相控制变量[D1，D2]＝[0.1469，0.0687]，后根据该组移相控制变量对双有源半桥直流变换器进行优化控制。双有源半桥直流变换器工作在传统双重移相控制下的工作波形如图4(a)所示，变换器工作在本发明提出的一种基于Q-learning算法的双有源半桥直流变换器能耗优化方法下的工作波形如图4(b)所示。
对比可知，本发明提出的一种基于Q-learning算法的双有源半桥直流变换器能耗优化方法能够明显减小变换器漏感电流峰值和有效值，并降低变换器在功率传输过程中的能量损耗。测量得到工作在传统双重移相控制下变换器漏感电流峰值为36.60A，工作在本发明提出的能耗优化方法下的变换器漏感电流峰值为24.66A，可知在本发明所提出的优化方法下变换器漏感电流峰值相比传统双重移相控制下的变换器漏感电流峰值明显减小；计算得到传统双重移相控制下的变换器电感电流有效值为10.90A，工作在本发明提出的变换器能耗优化方法下的变换器电感电流有效值为7.31A，可知在本发明所提出的优化方法下变换器电感电流有效值相比传统双重移相控制下的变换器电感电流有效值明显减小；计算得到传统双重移相控制下的变换器功率损耗为45.98W，工作在本发明提出的变换器能耗优化方法下的变换器功率损耗降低为15.82W，可知在本发明所提出的优化方法下变换器能量损耗相比传统双重移相控制下的变换器能量损耗显著降低。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
Claims (3)
1.一种双有源半桥直流变换器能耗优化方法，其特征在于，包括如下步骤：
(1)、设置双有源半桥直流变换器的工作状态，采集当前双有源半桥直流变换器的环境状态；
(1.1)、设置双有源半桥直流变换器的工作状态，包括输入侧电压V1的范围、输出侧电压V2的范围和期望的传输功率Po的范围，并根据这些范围值设置高频变压器的变比、均压电容大小和开关频率；
(1.2)、设置双双有有源半桥直流变换器一次侧开关管的导通占空比为D1，设置两侧半桥之间的移相比为D2；
(1.3)、采集当前双有源半桥直流变换器的环境状态，包括实际的输入侧电压V1、输出侧电压V2和传输功率Po；
(2)、建立Q-learning模型；
(2.1)、设置Q-learning模型的目标函数F：
其中，PA(·)是功率损耗函数，ΔP(·)表示功率误差函数，
为惩罚系数；
(2.2)、设置Q-learning模型的状态空间S：S＝[D1,D2]；
(2.3)、设置Q-learning模型的动作空间A：A＝{CD1,CD2}，其中，CDi＝[0,±1]×δ，i＝1,2，δ是S的量化量，D1和D2的增量ΔDi满足：ΔDi∈CDi；
(2.4)、设置Q-learning模型的奖励函数r(s,a)为：
其中，Fref为目标函数的参考值，Fmin为目标函数的最小值；ΔF＝Fc-Fp，Fc为目标函数在当前状态下的状态值，Fp为目标函数在前一状态下的状态值，ΔF为目标函数在相邻两个状态之间的差值；
(3)、利用MATLAB工具仿真Q-learning模型，运用ε-greedy搜索策略，不断探索最优控制策略，直到找到当前环境状态下对应的最佳动作；
(3.1)、将建立好的Q-learning模型输入到MATLAB中进行仿真，然后将采集到的V1、V2和Po输入至Q-learning模型，开始对Q-learning模型进行训练；
(3.2)、采用ε-greedy方法探索最优控制策略：在任一状态下，以小概率ε选取动作A，以1-ε选择Q值最大的动作，以Q值最大为依据不断地更新动作空间A，然后根据更新的动作空间去更新状态空间S；
(3.3)、经过N次的ε-greedy方法探索后，选择N次探索中最小的目标函数值Fmin作为状态更新中的参数，然后继续执行步骤(3.2)，直到Q-learning模型收敛；
(3.4)、生成Q值查找表，使得表中每一组V1、V2和Po都对应一组最佳的状态S＝[D1,D2]，并将最佳状态S所对应的状态值[D1,D2]作为双有源半桥直流变换器的最佳移相控制变量；
(4)、双有源半桥直流变换器的能耗优化；
实时采集双有源半桥直流变换器的操作环境V1、V2和Po，再根据Q值查找表寻找与当前操作环境相对应的最佳移相控制变量[D1,D2]，如果找到，则根据该组移相控制变量对双有源半桥直流变换器进行优化控制；如果未找到，则选择与当前操作环境最接近的值，然后找到与该值相对应的移相控制变量[D1,D2]，对双有源半桥直流变换器进行优化控制。
2.根据权利要求1所述的一种双有源半桥直流变换器能耗优化方法，其特征在于，所述导通占空比D1和移相比D2均满足：D1,D2∈[-1,1]。
3.根据权利要求1所述的一种双有源半桥直流变换器能耗优化方法，其特征在于，所述功率误差函数ΔP(·)满足：ΔP(D1,D2)＝(P′o-Po)2，其中，P′0表示训练过程中的传输功率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011498445.9A CN112685951B (zh) | 2020-12-17 | 2020-12-17 | 一种双有源半桥直流变换器能耗优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011498445.9A CN112685951B (zh) | 2020-12-17 | 2020-12-17 | 一种双有源半桥直流变换器能耗优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112685951A true CN112685951A (zh) | 2021-04-20 |
| CN112685951B CN112685951B (zh) | 2022-07-26 |
Family
ID=75448978
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011498445.9A Active CN112685951B (zh) | 2020-12-17 | 2020-12-17 | 一种双有源半桥直流变换器能耗优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112685951B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117674375A (zh) * | 2023-11-15 | 2024-03-08 | 燕山大学 | 一种新能源多能互补制氢系统能量管理方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107425713A (zh) * | 2017-08-24 | 2017-12-01 | 上海交通大学 | 一种自耦直流变换器及其控制方法 |
| CN110445352A (zh) * | 2018-11-26 | 2019-11-12 | 江西滨凌科技有限公司 | 一体式涡旋压缩机的变频器功耗减少的方法及装置 |
| CN111600492A (zh) * | 2020-06-12 | 2020-08-28 | 电子科技大学 | 一种双有源全桥直流变换器的效率优化控制方法 |
-
2020
- 2020-12-17 CN CN202011498445.9A patent/CN112685951B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107425713A (zh) * | 2017-08-24 | 2017-12-01 | 上海交通大学 | 一种自耦直流变换器及其控制方法 |
| CN110445352A (zh) * | 2018-11-26 | 2019-11-12 | 江西滨凌科技有限公司 | 一体式涡旋压缩机的变频器功耗减少的方法及装置 |
| CN111600492A (zh) * | 2020-06-12 | 2020-08-28 | 电子科技大学 | 一种双有源全桥直流变换器的效率优化控制方法 |
Non-Patent Citations (4)
| Title |
|---|
| SEUNG-RAE JO 等: "Development of a Hardware Simulator for Reliable Design of Modular Multilevel Converters Based on Junction-Temperature of IGBT Modules", 《ELECTRONICS》 * |
| 刘闯 等: "基于人工智能的电力电子变换器开路故障诊断研究综述", 《电网技术》 * |
| 胡广: "双主动半桥直流变换器效率优化策略研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
| 马喜强: "大口径火炮射击诸元计算器的关键技术研究", 《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117674375A (zh) * | 2023-11-15 | 2024-03-08 | 燕山大学 | 一种新能源多能互补制氢系统能量管理方法 |
| CN117674375B (zh) * | 2023-11-15 | 2024-06-07 | 燕山大学 | 一种新能源多能互补制氢系统能量管理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112685951B (zh) | 2022-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110212774B (zh) | 一种双有源桥dc-dc变换器及其回流功率优化方法 | |
| CN111600492B (zh) | 一种双有源全桥直流变换器的效率优化控制方法 | |
| CN113346758B (zh) | 一种双有源桥四自由度优化调制控制方法 | |
| CN113364300B (zh) | 一种双有源桥非对称-对称占空比混合优化调制控制方法 | |
| CN112910271A (zh) | 扩展移相控制的双有源桥变换器电流应力优化控制方法 | |
| CN112052562A (zh) | 一种高频大功率三相变压器设计方法 | |
| CN112685951B (zh) | 一种双有源半桥直流变换器能耗优化方法 | |
| CN112994472A (zh) | 高频llc谐振变换器最优死区计算方法、变死区控制方法 | |
| CN112311222A (zh) | 一种基于复合预测电流控制的改进型无桥dbpfc变换器及控制方法 | |
| CN112953245B (zh) | 双有源桥式变换器全负载范围软开关控制方法 | |
| CN114465489A (zh) | 全半桥谐振变换器及其电压平衡控制方法 | |
| Mou et al. | Overview of multi-degree-of-freedom modulation techniques for dual active bridge converter | |
| CN113098285A (zh) | 扩展移相控制的双有源桥变换器回流功率优化控制方法 | |
| CN114006541B (zh) | 一种双有源半桥直流变换器的效率优化控制方法 | |
| Peng et al. | Characteristics research on double LCC compensation converter in the inductive energy transfer system | |
| CN116073666A (zh) | 三电平双有源桥变换器电感电流有效值控制方法及系统 | |
| CN115912917A (zh) | 一种谐振双有源桥变换器的不平衡占空比调制方法及系统 | |
| CN110868075B (zh) | 一种双向dc/dc变换器及其工作方法 | |
| CN106208300A (zh) | 一种医用激光器充电电源 | |
| CN115441749B (zh) | 提升轻载效率的混合三电平双有源桥最优占空比调制方法 | |
| CN114430234B (zh) | 一种dab变换器的软开关及电流应力优化方法 | |
| CN116317595A (zh) | 适用于电动机车双向直流变换器的四自由度效率优化控制方法 | |
| CN113676050B (zh) | 一种自谐振驱动隔离低应力型双向Class E2高频功率变换器 | |
| CN115955122B (zh) | 一种双桥串联谐振变换器的无回流调制方法及系统 | |
| CN117792030B (zh) | Clc型谐振变换器的增强型双重同相调制方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240417 Address after: 610000 China (Sichuan) Free Trade Pilot Area, Tianfu New Area, Chengdu City, Sichuan Province Patentee after: CHENGDU YICHONG WIRELESS POWER TECHNOLOGY Co.,Ltd. Country or region after: China Address before: 611731, No. 2006, West Avenue, Chengdu hi tech Zone (West District, Sichuan) Patentee before: University of Electronic Science and Technology of China Country or region before: China |