005、开关电源中的基本拓扑结构简介

005 开关电源中的基本拓扑结构简介

从一次炸机说起

去年帮朋友调试一款48V转12V的DC-DC模块,客户反馈说满载启动时电源“啪”一声就没了。拆开一看,MOS管炸了,控制芯片也烧了。朋友用的是正激拓扑,但他在变压器复位绕组上偷工减料,用了更细的线径。我问他:“你算过复位绕组的电流峰值吗?”他愣了一下,说“不是跟原边匝比一样就行吗?”

这就是典型的“拓扑理解不到位”引发的血案。开关电源的拓扑结构,不是选一个就能随便改的。每种拓扑都有它的脾气,你得顺着它来。

为什么必须搞懂拓扑

很多新手工程师喜欢“抄板”——看到别人用反激,自己也用反激;看到LLC流行,就硬往上套。结果呢?低压大电流场合用反激,输出电容纹波大到怀疑人生;宽输入范围用LLC,频率跑飞了都不知道。

拓扑结构决定了三个核心问题:

  • 能量怎么从输入传到输出(直接传还是先存再传)
  • 开关管承受多大的电压电流应力
  • 输出纹波和噪声的底子能好到什么程度

搞懂这些,你才能在设计初期就避开坑,而不是等板子打回来再对着示波器发呆。

非隔离拓扑:简单但别轻视

Buck(降压)

Buck是最基础的拓扑,但很多人栽在“续流二极管”上。有一次我帮人看一块Buck板子,效率只有82%,摸一下续流二极管烫得能煎鸡蛋。换了个肖特基,效率直接跳到90%。

Buck的关键点:

硬件工程师必修:BUCK、BOOST、FLYBACK三大开关电源拓扑深度解析与实战 开关电源拓扑是电力电子技术的核心基础,它定义了功率器件(如MOSFET、电感、电容)的连接方式与能量转换路径,决定了电源的降压、升压或隔离等基本功能。其工作原理基于高频开关与储能元件的协同,通过控制开关管的占空比来精确调节输出电压,从而实现高效的电能变换。掌握经典拓扑对于设计高性能、高可靠性的电源系统至关重要,广泛应用于从消费电子到工业设备的供电场景。本文聚焦于**BUCK**、**BOOST**和**FLYBACK**这三种最经典的拓扑,深入剖析其工作模态、关键参数计算与**PCB布局**要点,并结合** 阅读详情

相关推荐

开关电源拓扑结构解析与工程实践指南

开关电源作为现代电子设备的核心能源转换模块,其拓扑结构决定了电源的效率、体积和可靠性。从基础的Buck、Boost等非隔离拓扑,到反激、正激等隔离结构,每种拓扑都通过半导体开关的高频动作实现电能转换。在工业自动化、医疗设备等场景中,合理的拓扑选择能显著提升系统稳定性,例如采用LLC谐振技术可降低开关损耗,而GaN器件的应用则推动拓扑向高频化发展。工程师需要综合考虑功率等级、成本构成和可靠性设计,如电感选型需满足饱和电流余量,而数字电源技术则通过软件算法实现拓扑性能优化。

weixin_42524762的博客 246

深入解析DCDC电路六大拓扑结构及其应用场景

本文深入解析了DCDC电路的六大核心拓扑结构,包括Buck、Boost、Buck-Boost、Cuk、Zeta和Sepic。详细阐述了每种拓扑的工作原理、优缺点及典型应用场景,并通过对比表格和实战选型指南,帮助工程师根据输入输出关系、效率、纹波和成本等关键因素,为消费电子、新能源、工业控制等不同领域选择最合适的DCDC电路方案。

weixin_28327051的博客 408

BUCK电路从原理到选型调试:开关电源降压设计实战

在开关电源设计中,DC-DC降压是嵌入式硬件与电源工程师绕不开的基础课题。其核心原理是通过高频开关斩波与电感储能,依据伏秒平衡关系 Vout=Vin×D 实现高效降压,相比线性稳压器显著降低损耗,适合大压差、大电流供电场景。同步BUCK与异步BUCK的差异、自举驱动、电感与输出电容选型、环路补偿以及PCB布局,都会直接影响效率、纹波、EMI与动态响应。实际工程中,从LTspice/Multisim仿真到示波器实测,再到上电炸管、输出振荡、轻载效率低等故障排查,需要一套可复用的设计与调试方法。围绕BUCK电路

weixin_34082854的博客 445

从光耦Vce曲线到环路稳定:一次讲透PC817在开关电源中的选型与工作点设置

本文深入探讨了PC817光耦在开关电源中的选型与工作点设置,从Vce-If曲线分析到与TL431的协同设计,详细解析了如何优化反馈环路稳定性。通过实例计算和调试方法,帮助工程师掌握光耦工作点的选择技巧,提升开关电源的可靠性和性能。

weixin_33691817的博客 252

开关电源EMI优化与热设计实战技巧

电磁干扰(EMI)和热管理是开关电源设计的核心挑战。EMI问题源于高频开关产生的电磁辐射,需要通过PCB分区布局(如三区隔离法)和缓冲电路设计来抑制。热设计则涉及导热材料选择与散热器优化,其中导热垫片的压缩率和散热器表面处理工艺直接影响散热效率。这些技术在车载充电器、服务器电源等场景中尤为关键,例如通过合理的气隙计算可提升反激变压器效率30%以上,而正确的MOSFET选型能避免锂电池保护电路失效。掌握这些工程实践方法,可显著降低产品返修率并提升能效。

weixin_30727835的博客 451

高压开关电源设计实战:从原理到EMC与热管理的工程实现

开关电源作为现代电子设备的核心能量转换单元,其原理是通过功率半导体器件的快速通断,配合电感、电容等无源元件,实现高效的电能变换与控制。在高压应用场景下,如直接处理市电整流后的300V以上直流电压,设计挑战从单纯追求效率,转变为在安全、可靠、合规的刚性框架内进行优化。这涉及到对电气间隙、爬电距离等安规标准的严格遵守,以及对功率器件电压应力、电磁兼容性(EMC)和热管理的系统性考量。其技术价值在于为工业控制、医疗仪器、服务器等高可靠性设备提供稳定、洁净的能源基础。本文聚焦于高压开关电源的工程实践,深入剖析其与低

weixin_33957648的博客 422

开关电源纹波抑制:从电容阻抗特性到输出滤波优化实战

开关电源作为高效电能转换的核心器件,其输出纹波是衡量电源质量的关键指标。纹波本质上是叠加在直流输出上的周期性交流分量,主要由开关动作和储能元件的非理想特性产生。理解其构成原理,特别是电容的阻抗频率特性,是进行有效抑制的基础。在工程实践中,输出滤波电容的优化是降低纹波最直接有效的手段,其技术价值在于通过降低系统噪声、提升电源质量,从而保障后级模拟与数字电路的稳定可靠运行。这涉及到对电容等效串联电阻、直流偏压效应及并联谐振等特性的深入掌握。针对高频开关电源等应用场景,工程师需要依据电容的ESR频率曲线和额定纹波

weixin_33895475的博客 518

基于MATLAB的正激变换器的开关电源仿真设计(任务书)

摘要:本毕业设计基于MATLAB开展正激变换器开关电源仿真研究。通过对比分析不同磁复位拓扑结构,重点研究有源箝位正激变换器工作原理及参数特性。设计内容包括:采用NCP1562驱动芯片搭建外围电路,推导主电路器件参数计算公式并完成选型,设计闭环反馈回路。最终通过MATLAB仿真验证隔离型开关电源性能指标,绘制工程图纸及元器件清单。研究涉及10篇以上参考文献(含2篇外文),采用理论分析、参数计算与仿真验证相结合的方法,为开关电源设计提供可行方案。任务周期为2024年12月至2025年教学周第11周。

毕业作品网站 267

开关电源设计必看:铝电解电容的ESR秘密与高频特性实测

本文深入探讨了高频开关电源设计中铝电解电容的ESR特性与高频性能实测。通过对比不同品牌电容在500kHz条件下的表现,揭示了规格书未明示的关键参数差异,并提供了混合电容阵列设计、PCB布局优化等实战技巧,帮助工程师有效控制高频电源的输出纹波。

weixin_29266749的博客 231

开关电源纹波分析与优化:从纹波电流公式到工程实践

在开关电源设计中,纹波是衡量电源输出质量的关键指标,直接影响后级电路的性能与系统稳定性。其根源在于功率电感中的纹波电流,而非仅仅是输出电压的波动。理解纹波电流(ΔIL)的计算公式及其与开关频率(fSW)、电感值(L)之间的制约关系,是进行有效优化的核心。这一“不可能三角”关系揭示了工程设计的本质权衡:提高频率可减小纹波但会增加开关损耗和温升;增大电感能抑制纹波却会恶化动态响应并增加体积成本。因此,降低纹波是一个系统性的优化问题,需要综合考虑效率、响应速度、成本与体积。在实际的电源调试与硬件工程实践中,工程师

weixin_30855761的博客 375

从零设计高压开关电源:反激拓扑原理、计算与调试全指南

开关电源作为现代电子设备的核心供电技术,其核心原理是通过高频开关和储能元件(如电感、变压器)实现高效的电能转换,替代了效率低下的传统线性电源。这项技术通过脉宽调制(PWM)控制能量传输,实现了高达90%以上的转换效率,在节能、减小体积和降低成本方面具有显著价值。其应用场景广泛覆盖了嵌入式系统、物联网设备、消费电子及工业控制等领域。本文聚焦于高压开关电源中最经典的反激式拓扑,深入剖析其工作原理,并详细讲解从变压器参数计算、控制器选型到PCB布局和调试排错的完整工程实践流程,特别是针对UC3843控制器和EMI

weixin_34348805的博客 418

开关电源-效率测试

开关电源效率测量

让你爱上电路设计 2188

【UV打印机】PrintExp打印软件教程(六)-高级模式(马达)

输入高级模式密码进入高级模式高级模式界面有操作栏、控制栏、参数栏及参数界面操作栏名称功能说明文件加载数据从板卡加载参数保存将参数保存到主板退出退出高级模式固件导入固件导入配套版本下的固件配置*xpcfx导出固件导出当前使用的固件配置*xpcfx导入波形文件导入对应的波形文件*waf操作初始化系统继续初始化动作复位X轴复位回原点控制栏可进行小车运动、闪喷操作(此闪喷为点击进行闪喷,不受平台位置限制),无清洗功能。

Print World的专栏 3117

Feko仿真GPS微带天线学习笔记

为了优化方便,使参数变量化,所以定义几个变量在CADFEKO左侧浏览器中如图所示定义变量,如下表贴片的尺寸切角尺寸feed =-6.4馈电点距坐标原点的距离sub_w=45基板的宽度sub_d=45基板的长度sub_h=5基板的高度epsR=5.6介电常数损耗角正切。

qq_36521926的博客 3992

告别Win11睡眠假死:深入解析Modern Standby S0与S3冲突及注册表修复方案

本文深入解析了Windows 11中Modern Standby(S0)与传统睡眠(S3)模式的冲突,该冲突是导致电脑睡眠后出现假死、断网等问题的根源。文章提供了通过修改注册表键值(PlatformAoAcOverride)强制启用稳定S3睡眠的终极修复方案,并附有详细诊断步骤与避坑指南,帮助用户彻底解决睡眠故障。

ol789012的博客 825

西门子840D新建项目

1、需要一个32位的WIN7或者XP系统,并且已经在系统中安装完成西门子840Dsl开发包和VS2008。(我采用的是XP系统虚拟机) 2、在开始->所有程序找到如下位置 3、在这个位置打开Visual Studio 4、文件->新建->项目 名称和位置都可以随意更改,点击确定。 5、在左侧选择第二个选项进入下面的界面 点击“Add Screen”按钮 可以修改“class name”然后点击“OK”返回上一个界面,再点击“Add Form” 可以修...

qq_36987047的博客 1862

cellranger安装以及使用

接受cellranger count的输出数据,将同一组的不同测序样本的表达矩阵整合在一起,比如tumor组原来有4个样本,PBMC组有两个样本,现在可以使用aggr生成最后的tumor和PBMC两个矩阵,并且进行标准化去掉测序深度的影响。但是由于病毒基因组太小了,且注释结果只有CDS没有exon,所以曲线救国,将CDS整体替换为exon,也不进行过滤了,直接下一步。虽然安装完毕,但是现在要运行cellranger的话需要在终端输入cellranger的整个路径。自动执行这个命令,需要将“

m0_59974475的博客 9397

[Dify实战] 合同审阅助手:识别风险条款、生成修改建议-带绑定资源

摘要: Dify合同审阅助手通过AI技术提升合同审阅效率,快速识别风险条款并输出结构化修改建议。方案包括合同输入、关键条款识别、风险评级和报告生成流程,重点关注付款、责任限制等核心条款。采用分层风险分级(高/中/低)和"红线清单"机制,确保审阅标准化。实施建议先建立条款库和模板,通过样本测试优化模型,定期更新规则库。该方案可缩短审阅时间50%以上,提高风险识别准确率,最终实现法务经验的可复用沉淀。

技术小甜甜:传播可落地技术,帮助个人和企业降低解决真实场景问题的成本 600

基于 STM32 与压电薄膜的婴儿睡眠呼吸暂停监测床垫设计

本设计以 STM32F103C8T6 为主控,结合 PVDF 压电薄膜传感器,通过模拟信号调理与数字峰值检测算法,实现了对婴儿睡眠呼吸状态的实时监测。系统结构简单、成本低廉、无接触无束缚,当检测到 20 秒以上无呼吸信号时自动触发声光报警,可有效降低婴儿睡眠呼吸暂停带来的安全风险。后续可扩展蓝牙 / WiFi 模块,将报警信息推送至家长手机端,实现远程监护。

weixin_42300449的博客 154

YOLOv11官方代码库与预训练模型下载:介绍Ultralytics官方GitHub及模型权重(yolov11n.pt, yolov11s.pt等)

本文介绍了Ultralytics官方GitHub仓库和YOLOv11预训练模型。Ultralytics仓库是YOLO系列算法的官方实现,包含YOLOv11最新代码、预训练模型、文档和工具。仓库采用清晰的代码结构和活跃的更新策略,支持全流程开发。YOLOv11提供了5种不同规模的模型变体(YOLOv11n/s/m/l/x),在精度、速度和模型大小间权衡,适用于从移动设备到高精度检测等不同场景。各模型在COCO数据集上预训练,可直接使用或微调,满足多样化应用需求。

本博客聚焦 YOLOv11 全流程落地,涵盖架构优化、数据集处理、训练技巧与多场景部署,兼及国产数据库、Java 开发与 AI 模型应用,内容兼顾理论与工程实践,为开发者提供系统干货,助力高效提升技术能力。 5843

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

上一篇: 004、开关电源的发展历史与趋势
下一篇: 006、反激变换器(Flyback)的基本原理
人工智能1211
博客等级 码龄167天 73粉丝 760原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值