3、功耗基础：功耗构成（动态、静态、短路）、功耗测量单位、功耗与性能的权衡、电池供电设备功耗预算

在TinyML推理任务中，功耗并非一个单一数值，而是由多种物理机制叠加而成的综合结果。对于从零上手DVFS调优的工程师而言，理解功耗的构成是第一步——只有知道功耗从哪里来，才能明白DVFS（动态电压频率调节）为何能省电，以及省电的极限在哪里。本章将系统拆解功耗的三大组成部分（动态、静态、短路），厘清功耗测量的关键单位，并深入探讨功耗与性能的权衡关系，最后给出电池供电设备功耗预算的完整计算方法。

上图展示了TinyML芯片功耗的完整构成与DVFS的作用链路。可以看到，总功耗由动态功耗、短路功耗和静态功耗三部分叠加而成，而DVFS主要通过调节供电电压（V）和时钟频率（f）来影响动态功耗和短路功耗，对静态功耗的影响相对有限。理解这张图，就掌握了功耗调优的核心抓手。

3.1 功耗三大构成：动态、静态与短路

3.1.1 核心原理：三种功耗的物理来源

动态功耗（P_dyn）是CMOS电路在逻辑门翻转时对负载电容充放电所产生的功耗，其表达式为：

P_dyn = α · C_L · V_DD² · f

其中，α为翻转率（0~1，表示每个时钟周期内节点发生翻转的概率），C_L为负载电容，V_DD为供电电压，f为时钟频率。动态功耗是TinyML推理时的主要功耗来源，因为神经网络计算涉及大量的乘加运算，逻辑门翻转频繁。

静态功耗（P_static）是晶体管在非翻转状态下因漏电流产生的功耗，主要包括亚阈值漏电和栅极漏电。其表达式为：

P_static = I_leak · V_DD

在先进制程（如28nm以下）中，静态功耗占比显著上升。对于TinyML设备，如果推理任务间歇性执行（如每10秒唤醒一次），静态功耗在待机期间占据主导地位。

短路功耗（P_sc）发生在CMOS反相器输入信号翻转的瞬间，PMOS和NMOS同时导通的短暂时间内形成的电源到地的直流通路。其表达式为：

P_sc = I_sc · V_DD · t_sc · f

其中I_sc为短路电流，t_sc为短路持续时间。短路功耗通常占动态功耗的5%~10%，在输入信号边沿较慢时会更显著。

3.1.2 判断方法：如何区分三种功耗

在实际测量中，区分三种功耗需要采用不同的测试策略：

• 动态功耗测量：在芯片正常执行推理任务时，用高精度电流探头（如是德科技N2820A）测量VDD引脚的电流波形，减去静态功耗后即为动态功耗。
• 静态功耗测量：将芯片置于复位状态或时钟门控状态，此时无逻辑翻转，测得的电流即为静态漏电流。
• 短路功耗分离：通过改变输入信号的边沿时间（如从1ns变为5ns），观察功耗变化量，即可估算短路功耗。

3.1.3 案例拆解：Cortex-M4内核推理时的功耗构成

以STM32L4系列（Cortex-M4F内核）运行一个2KB大小的TinyML图像分类模型为例：

从表中可以看出，动态功耗占据主导地位，这为DVFS调优提供了明确方向：通过降低电压和频率，可以显著削减最大头的功耗。

3.1.4 常见误区与总结

总结：功耗调优必须同时关注三种功耗的绝对值与占比，DVFS主要作用于动态功耗，而静态功耗需要通过电源门控、睡眠模式等手段优化。

3.2 功耗测量单位：从瓦特到毫安时

3.2.1 核心原理：功率与能量的区别

在TinyML功耗调优中，需要区分两个核心物理量：功率（Power）和能量（Energy）。功率是瞬时值，单位是瓦特（W），表示单位时间内消耗的能量；能量是累积值，单位是焦耳（J），表示一段时间内消耗的总能量。电池容量通常用毫安时（mAh）或瓦时（Wh）表示。

对于DVFS调优，我们最关心的指标是能量效率，即完成一次推理任务所消耗的总能量（J/推理）。因为降低功耗（功率）不一定降低能量——如果任务时间变长，总能量可能不变甚至增加。

3.2.2 判断方法：常用单位换算与测量工具

测量工具方面，推荐使用以下设备：

• 高精度万用表（如Keysight 34465A）：测量平均电流，适合长时间待机功耗评估。
• 电流探头+示波器（如TCP0030A + MSO54）：捕捉推理任务期间的瞬态电流波形。
• 专用功耗分析仪（如Joulescope）：专为低功耗嵌入式设备设计，支持μA级精度和能量累积统计。

3.2.3 实战场景：用Joulescope测量一次推理的能量

假设我们要评估一个TinyML语音唤醒模型在ESP32-S3上的单次推理能量：

1. 将Joulescope串联在ESP32-S3的3.3V供电回路中。
2. 设置采样率为100kS/s，触发模式为“上升沿触发”，触发电平为50mA。
3. 运行推理任务，记录从唤醒到推理完成的总能量。
4. 读取结果：平均电流32mA，持续时间85ms，总能量 = 3.3V × 32mA × 85ms = 8.98mJ。

3.2.4 常见误区与总结

总结：功耗测量必须同时关注功率和能量两个维度。DVFS调优的目标是在满足实时性要求的前提下，最小化单次推理的总能量。

3.3 功耗与性能的权衡：DVFS的核心矛盾

3.3.1 核心原理：电压-频率-功耗三角关系

DVFS调优的本质是在功耗与性能之间寻找最优平衡点。性能通常用推理延迟（ms）或吞吐量（FPS）衡量，功耗则用平均功率或单次推理能量衡量。两者之间的关系并非线性：

• 频率提升：推理延迟降低，但动态功耗线性增加（P_dyn ∝ f）。
• 电压提升：允许更高频率运行，但动态功耗平方级增加（P_dyn ∝ V²）。
• 电压降低：功耗显著下降，但最高可用频率受限，推理延迟增加。

因此，DVFS调优的目标是找到“最低能量点”——即在满足延迟约束的前提下，选择使总能量最小的电压-频率组合。

3.3.2 判断方法：能量-延迟曲线分析

操作流程如下：

1. 在芯片支持的电压-频率表中，选取3~5个典型工作点（如1.0V/80MHz、1.1V/120MHz、1.2V/160MHz）。
2. 在每个工作点下，运行相同的推理任务，记录延迟和平均电流。
3. 计算每个工作点的单次推理能量：E = V × I_avg × T_latency。
4. 绘制能量-延迟曲线，找到曲线的最低点。

从表中可以看出，OP1虽然延迟最长，但单次推理能量最低。如果应用允许142ms的延迟，OP1就是最优选择。

3.3.3 案例拆解：智能门锁的人脸识别功耗优化

某智能门锁产品使用TinyML进行本地人脸识别，要求识别延迟不超过200ms，电池容量为2000mAh（3.7V）。初始配置为固定1.2V/160MHz，单次识别能量3.58mJ，待机功耗0.5mW。

优化过程：

1. 分析延迟约束：200ms的延迟预算远大于160MHz下的71ms，存在大量裕量。
2. 尝试降低工作点：将电压降至1.0V，频率降至80MHz，延迟142ms，满足约束。
3. 进一步优化：在推理的前半段（特征提取）使用80MHz，后半段（分类）使用120MHz，延迟约110ms，能量进一步降低。
4. 最终配置：动态调频策略，平均单次识别能量2.1mJ，比固定高频方案降低41%。

结果对比：优化前每天执行20次识别，待机23.5小时，日耗能 = 20×3.58mJ + 0.5mW×84600s ≈ 42.3J；优化后日耗能 = 20×2.1mJ + 0.5mW×84600s ≈ 42.0J。虽然识别能耗降低，但待机功耗占主导，因此整体续航提升有限。这提示我们：当待机功耗占主导时，DVFS的收益会被稀释。

3.3.4 常见误区与总结

总结：功耗与性能的权衡不是简单的“越低越好”，而是要在延迟约束下寻找能量最低点。DVFS提供了这个搜索空间，但需要结合具体应用场景进行精细调优。

3.4 电池供电设备功耗预算：从容量到续航

3.4.1 核心原理：功耗预算的数学模型

电池供电设备的续航时间由以下公式决定：

续航时间(h) = 电池可用容量(mAh) / 系统平均电流(mA)

其中，系统平均电流是各工作模式电流的时间加权平均：

I_avg = (I_active × T_active + I_sleep × T_sleep + I_idle × T_idle) / T_total

对于TinyML设备，典型的工作模式包括：推理模式（高电流）、数据采集模式（中等电流）、待机模式（低电流）和深度睡眠模式（极低电流）。

3.4.2 判断方法：功耗预算编制流程

1. 列出所有工作模式：包括推理、传感器采样、无线传输、待机、深度睡眠等。
2. 测量各模式电流：使用功耗分析仪分别测量每种模式下的平均电流。
3. 统计各模式时间占比：根据应用场景估算每种模式的持续时间。
4. 计算平均电流：按时间加权计算系统平均电流。
5. 确定电池容量：根据目标续航时间反推所需电池容量。

3.4.3 案例拆解：可穿戴健康监测设备的功耗预算

某可穿戴设备使用TinyML进行心率异常检测，工作模式如下：

如果目标续航为30天，所需电池容量 = 1.73mAh/天 × 30天 = 51.9mAh。考虑到电池老化（通常预留20%裕量），实际应选择65mAh以上的电池。

3.4.4 常见误区与总结

总结：功耗预算的核心是“平均电流”而非“峰值电流”。DVFS调优的价值在于降低推理模式下的功耗，但要真正延长续航，必须同时优化所有工作模式的功耗，尤其是待机模式。