2、基础概念：电流（mA）、电压（V）、功率（mW）、能量（mWh）的定义及相互关系
TinyML 设备通常是电池供电的微控制器（MCU）系统，其功耗预算的起点并非复杂的算法优化，而是对四个基本电学物理量的准确理解：电流（I）、电压（V）、功率（P）和能量（E）。在嵌入式系统设计中，我们常以毫安（mA）、伏特（V）、毫瓦（mW）和毫瓦时（mWh）作为工程单位。这四个量构成了功耗分析的完整闭环：电压与电流的乘积决定瞬时功率，功率对时间的积分决定能量消耗，而能量与电池容量的比值直接决定续航时间。本节将系统梳理这些概念的定义、换算关系，并重点剖析它们在 TinyML 推理场景中的实际含义——尤其是“mA 电流”在数据手册中往往是一个动态变化的量，而非恒定值。
核心原理：从物理定义到工程单位
电流（I）表示单位时间内通过导体横截面的电荷量，国际单位是安培（A），在微控制器场景下更常用毫安（mA）表示。电压（V）是推动电荷移动的电势差，TinyML 设备常见工作电压为 1.8V、2.5V、3.3V 或 3.7V（锂电池标称值）。功率（P）是单位时间内做功的速率，直流电路中 P = V × I，当电压以伏特、电流以安培为单位时，功率单位为瓦特（W）；若电流用毫安、电压用伏特，则功率单位为毫瓦（mW）。能量（E）是功率对时间的积分，表示累计消耗的总量，工程上常用毫瓦时（mWh）或毫安时（mAh）衡量电池容量。
这四个量的核心关系可归纳为三条基本公式：
- 瞬时功率：P(mW) = V(V) × I(mA)。例如 3.3V 下 MCU 工作电流为 5mA，则瞬时功耗为 16.5mW。
- 能量累计：E(mWh) = P(mW) × t(h)。若设备以 16.5mW 持续运行 2 小时，消耗能量为 33mWh。
- 电池容量换算：容量(mAh) = E(mWh) / V(V)。一块 100mAh 的锂电池在 3.7V 下存储能量为 370mWh。
在 TinyML 场景中，电流并非恒定值。MCU 在活跃模式（Active Mode）下执行浮点运算或卷积操作时，电流可能达到 10-50mA；进入睡眠模式（Sleep Mode）后电流可降至微安（μA）级别。因此，仅用单一电流值计算功耗会产生巨大误差，必须结合工作状态的时间占比进行加权估算。
判断方法：从数据手册提取关键参数
工程师在评估一颗 MCU 或传感器芯片的功耗时，需要从数据手册中提取以下关键电流参数，并理解其测试条件：
| 参数符号 | 典型名称 | 说明 | 典型值（以 Cortex-M4 为例） |
|---|---|---|---|
| Iactive | 活跃模式电流 | CPU 全速运行、Flash 读取、外设开启时的电流 | 5-15 mA @ 3.3V, 64MHz |
| Isleep | 睡眠模式电流 | CPU 停止、SRAM 保持、低功耗定时器运行 | 2-10 μA |
| Ideep-sleep | 深度睡眠电流 | 仅 RTC 和唤醒逻辑工作 | 0.5-2 μA |
| Ipeak | 峰值电流 | 无线发射或 Flash 写入时的瞬时最大电流 | 50-200 mA（若含 BLE） |
判断功耗水平时，应遵循以下操作流程：首先确定系统的工作电压范围，然后识别设备在推理、采样、通信、休眠四种状态下的典型电流，接着统计每种状态的持续时间占比，最后计算平均电流和总能量消耗。对于电池供电设备，还需考虑电池放电曲线——锂电池在 3.0V 以下时容量急剧下降，因此有效工作电压范围通常为 3.0-4.2V。
案例拆解：智能传感器节点的功耗估算
假设我们需要设计一个基于 TinyML 的振动异常检测节点，硬件包括：Cortex-M4 MCU（工作电压 3.3V）、加速度传感器（Iactive = 180μA，Isleep = 2μA）、以及一个可选 BLE 模块（仅在异常时开启，发射电流 15mA）。系统工作流程为：每 10 秒唤醒一次，读取 256 个加速度样本（耗时 20ms），运行一个轻量级 CNN 模型进行推理（耗时 35ms），然后回到睡眠状态。若检测到异常，则开启 BLE 发送报警数据（耗时 50ms）。
我们首先计算正常周期（无异常）的平均电流：
唤醒采样电流：180μA × 20ms = 3.6 μA·s
推理电流：8mA × 35ms = 280 μA·s
睡眠电流：2μA × (10s - 0.055s) ≈ 19.89 μA·s
总电荷：3.6 + 280 + 19.89 ≈ 303.5 μA·s
平均电流 = 303.5 μA·s / 10s ≈ 30.35 μA若使用一块 200mAh 的 CR2032 纽扣电池（标称电压 3.0V），理论续航时间为：200mAh / 0.03035mA ≈ 6589 小时 ≈ 274 天。但实际续航会低于此值，因为电池自放电（每年约 1-2%）、电压下降导致电流上升、以及温度影响等因素。若每天发生 10 次异常报警，每次 BLE 发射消耗 15mA × 50ms = 0.75 μA·s，额外增加 7.5 μA·s/天，对整体续航影响不足 0.1%，可忽略不计。
这个案例揭示了 TinyML 功耗分析的核心逻辑：平均电流而非峰值电流决定续航。尽管推理时电流高达 8mA，但由于占空比极低（0.35%），其贡献仅占平均电流的 9.2%。相反，看似微小的 2μA 睡眠电流因占比 99.45% 的时间，贡献了 65.5% 的平均电流。因此，优化睡眠电流往往比优化推理速度更能延长续航。
常见误区与总结复盘
在功耗预算实践中，工程师常犯以下错误：
- 误区一：将峰值电流当作平均电流。例如直接使用 8mA 乘以 24 小时计算日耗电，导致续航估算严重偏小。正确做法是计算时间加权平均电流。
- 误区二：忽略电压变化对功率的影响。锂电池从 4.2V 放电至 3.0V 过程中，若 MCU 内部 LDO 输出固定 3.3V，则电池电流会随电压下降而上升，功率并非恒定。
- 误区三：混淆 mAh 和 mWh。mAh 是电荷量单位，mWh 是能量单位。在比较不同电压的电池时，必须统一换算为 mWh 才能公平对比。例如 3.7V/100mAh 的电池（370mWh）与 1.5V/200mAh 的电池（300mWh），前者能量更大。
- 误区四：忽视外设的静态电流。传感器、Flash 芯片、电平转换器在“关闭”状态下仍可能有 1-5μA 的漏电流，多个外设累计可能超过 MCU 的睡眠电流。
总结本节要点：电流、电压、功率、能量四者构成完整的功耗分析链条。在 TinyML 场景中，必须采用“状态-时间-电流”的加权平均法估算平均功耗，并注意电压波动、外设漏电和电池放电特性等二阶因素。掌握这些基础概念后，下一阶段才能准确评估推理周期对续航的具体影响，并制定有效的功耗优化策略。