1、课程导入：TinyML功耗预算的重要性、学习目标、课程整体框架与适用人群

TinyML（微型机器学习）正将人工智能从云端数据中心推向数十亿个电池供电的边缘设备——从智能手表上的手势识别、工业振动传感器到农业土壤监测节点。然而，这些设备大多没有持续供电的电源插座，而是依赖纽扣电池、锂电池甚至能量采集系统。当一颗CR2032纽扣电池的总能量仅有约2.2mAh（毫安时）时，每一次推理、每一次传感器采样、每一次无线传输都必须精打细算。功耗预算（Power Budget）不是可选的优化项，而是决定产品能否在目标生命周期内正常工作的硬性约束。本课程将系统讲解TinyML设备从硬件选型、软件优化到系统级功耗管理的完整方法论，帮助你在性能、功耗与成本之间找到最佳平衡点。

1.1 TinyML功耗预算的核心原理

TinyML设备的功耗预算本质上是一个能量守恒问题：设备从能量源获取的总能量必须大于或等于所有工作状态消耗的能量之和。与传统的嵌入式系统不同，TinyML设备引入了推理（Inference）这一高能耗瞬时负载，其电流峰值可能达到数十毫安，但持续时间通常只有几毫秒到几百毫秒。这种突发性负载与低功耗待机状态之间的巨大差异，使得功耗预算不能简单地用"平均电流"来估算，而必须考虑每个状态的持续时间、电流大小和切换频率。

从系统架构角度看，TinyML设备的功耗链路包含四个关键环节：能量源（电池或能量采集）、电源管理单元（PMU）、负载系统（MCU、传感器、无线模块）以及软件调度策略。其中，软件调度策略往往是被忽视但影响最大的因素——同样的硬件平台，通过优化推理频率和休眠策略，功耗可以相差10倍以上。例如，一个温度传感器节点如果每分钟唤醒一次进行推理，与每十分钟唤醒一次相比，年功耗差异可达数倍。

理解功耗预算还需要掌握几个关键指标：待机电流（设备处于最低功耗状态时的电流）、工作电流（执行推理或通信时的峰值电流）、占空比（活跃时间占总时间的比例）以及能量采集率（如果使用太阳能或振动采集）。这些指标共同决定了设备的理论续航时间。值得注意的是，电池的实际可用容量会随放电率、温度和老化而变化，因此功耗预算必须预留至少20%~30%的余量。

1.2 功耗预算的判断方法与操作流程

进行TinyML功耗预算分析，需要遵循一套系统化的流程。第一步是明确系统工作状态。一个典型的TinyML设备通常包含四种状态：深度睡眠（Deep Sleep）、休眠（Sleep）、活跃推理（Active Inference）和无线传输（RF Transmission）。每种状态都有对应的电流消耗和持续时间。例如，使用STM32L4系列MCU的设备，深度睡眠电流约为0.3μA，活跃推理时电流约为4mA（运行CMSIS-NN加速的神经网络），BLE传输时峰值电流可达15mA。

第二步是测量或查阅各状态的电流数据。最准确的方法是通过开发板上的电流采样电阻或专用功耗分析仪（如Joulescope、Nordic PPK2）进行实测。如果没有硬件条件，可以查阅芯片数据手册中的典型值。需要注意的是，数据手册中的数值通常是在理想条件下测得的，实际应用中应乘以1.2~1.5的安全系数。

第三步是估算各状态的占空比。这取决于应用场景：一个工业振动监测节点可能每10分钟唤醒一次，每次执行50ms的推理和20ms的BLE广播；而一个智能门锁可能每天只唤醒几次。占空比的计算公式为：D_i = T_i / T_total，其中T_total是完整工作周期的总时间。

第四步是计算平均电流并验证续航目标。将各状态的电流乘以占空比后求和，得到平均电流，再根据电池容量计算理论续航。如果续航不满足要求，需要回到设计层面进行优化：降低推理频率、优化模型大小、使用更高效的电源管理策略或增大电池容量。

工作状态	典型电流	持续时间	占空比示例	对平均电流贡献
深度睡眠	0.5μA	9.9分钟	99%	0.495μA
活跃推理	4mA	50ms	0.5%	20μA
BLE广播	15mA	20ms	0.2%	30μA
传感器采样	1mA	30ms	0.3%	3μA
平均电流合计				53.5μA

上表展示了一个典型的周期性工作场景。以200mAh的CR2032电池为例，理论续航为200mAh / 0.0535mA ≈ 3738小时 ≈ 155天。如果考虑电池自放电（每年约2%）和温度影响，实际续航约为130~140天。这个案例说明，即使平均电流只有几十微安，电池容量依然会快速消耗，因此每一个微安的优化都至关重要。

1.3 案例拆解：智能农业土壤监测节点

让我们通过一个完整的案例来理解功耗预算的实际应用。某农业科技公司需要设计一款土壤湿度监测节点，要求使用两节AA碱性电池（总容量约2500mAh）供电，目标续航至少18个月（约550天），每30分钟采集一次土壤湿度并上传数据。

初始方案：工程师选择了ESP32作为主控，搭配土壤湿度传感器和WiFi模块。ESP32在深度睡眠时电流约10μA，但WiFi传输时峰值电流高达240mA，且每次连接WiFi需要约2秒。初步估算：每次唤醒周期为30分钟，其中传感器采样耗时100ms（电流5mA），WiFi连接和上传耗时2.5秒（平均电流180mA），深度睡眠占其余时间。平均电流 = (5mA×0.1s + 180mA×2.5s) / 1800s ≈ 0.253mA。理论续航 = 2500mAh / 0.253mA ≈ 9881小时 ≈ 411天。这显然不满足18个月的目标。

问题分析：主要瓶颈在于WiFi传输的高功耗和长连接时间。虽然深度睡眠电流很低，但WiFi的瞬时功耗极高，占空比虽小却贡献了绝大部分平均电流。

优化方案：团队进行了三项关键改进。第一，将WiFi替换为LoRa通信模块，LoRa的峰值电流约40mA，且发送时间仅需200ms。第二，将主控更换为STM32L0系列，深度睡眠电流降至0.3μA。第三，优化传感器采样策略，将采样时间从100ms压缩到50ms。优化后的平均电流 = (5mA×0.05s + 40mA×0.2s) / 1800s ≈ 0.0046mA。理论续航 = 2500mAh / 0.0046mA ≈ 543478小时 ≈ 22620天，远超目标。

结果对比：优化后平均电流降低了98%，续航从411天提升到远超18个月的目标。但团队也付出了代价：LoRa的数据速率远低于WiFi，且需要部署LoRa网关；STM32L0的算力较弱，无法运行复杂的神经网络模型，只能使用简单的阈值判断算法。这个案例揭示了功耗预算的核心权衡：通信方式的选择往往比MCU的功耗优化影响更大。

1.4 常见误区与总结复盘

在TinyML功耗预算实践中，工程师常犯以下错误。第一个误区是只关注峰值电流而忽略占空比。有些工程师看到WiFi的240mA峰值电流就认为功耗过高，但实际上如果每天只传输一次且每次仅2秒，其平均功耗贡献可能远低于一个持续运行的传感器。正确的做法是计算每个状态的能量消耗（电流×时间），而不是单纯比较峰值。

第二个误区是忽视电源转换效率。如果使用LDO（低压差线性稳压器）将3.7V锂电池降压到3.3V，效率约为89%；而使用高效率DC-DC转换器，效率可达95%以上。看似只有6%的差异，但对于需要运行数年的设备，这意味着电池容量需要额外增加6%~10%。在低功耗设计中，应优先选择静态电流极低的DC-DC转换器，并确保其在轻载时仍能保持高效率。

第三个误区是忽略传感器和外部器件的待机电流。许多传感器在非工作状态下仍有微安级的漏电流。例如，某些I2C接口的温湿度传感器在待机模式下仍有2~3μA的电流。如果系统中有5个这样的传感器，仅待机电流就达到10~15μA，这相当于一个高性能MCU的深度睡眠电流。设计时应为每个外设增加独立的电源开关（如MOSFET或负载开关），在不使用时彻底切断电源。

第四个误区是没有考虑电池的老化和温度特性。锂电池在低温下容量会显著下降，在-20℃时可能只有标称容量的60%。碱性电池在高倍率放电时容量也会打折。因此，功耗预算应使用"有效容量"而非"标称容量"，并预留安全余量。