3、功耗基础概念：电流、电压、功率、能量、mA·h与mW·h的关系，以及功耗预算的表示方法

TinyML推理任务往往部署在电池供电的微控制器（MCU）或极低功耗的边缘处理器上，其功耗预算通常以毫安时（mA·h）或毫瓦时（mW·h）为约束单位。要准确评估一次推理任务是否在预算内，必须首先厘清电流、电压、功率、能量之间的物理关系，并掌握从数据手册参数到实际电池寿命的换算路径。本章从基础电学概念出发，建立mA·h与mW·h的换算桥梁，并给出面向TinyML任务的功耗预算表示方法。

3.1 核心电学量：电流、电压、功率与能量的物理定义

在TinyML功耗分析中，四个基本电学量构成了所有计算的基石。电流（I）表示单位时间内通过导体横截面的电荷量，单位安培（A），在嵌入式系统中常用毫安（mA）表示。电压（V）是推动电荷移动的电势差，单位伏特（V），TinyML设备常见工作电压为1.8V、2.5V、3.3V或5V。功率（P）是单位时间内消耗或转换的能量，计算公式为P = V × I，单位瓦特（W）或毫瓦（mW）。能量（E）则是功率对时间的积分，表示一段时间内消耗的总电量，单位焦耳（J）或瓦时（W·h）。

这四个量在TinyML场景中的实际意义需要结合具体硬件理解。例如，一颗Cortex-M4内核的MCU在运行推理时，若工作电压为3.3V，从数据手册查到典型工作电流为8mA，则其动态功率为3.3V × 8mA = 26.4mW。如果一次推理耗时150ms，则消耗的能量为26.4mW × 0.15s = 3.96mJ（毫焦耳）。这个能量值可以直接与电池容量进行换算，从而估算设备能执行多少次推理。

3.2 mA·h与mW·h的换算逻辑及工程意义

电池容量通常以毫安时（mA·h）标注，它表示电池以某一电流放电时能持续的时间。例如，一颗标称100mA·h的电池，理论上以10mA电流放电可持续10小时。然而，mA·h并未考虑电压因素，不同电压平台的电池即使具有相同的mA·h值，其存储的总能量也不同。毫瓦时（mW·h）则直接表示能量容量，计算公式为：mW·h = mA·h × 电压(V)。

在TinyML系统设计中，这种换算具有直接的工程意义。假设系统使用一节3.7V锂电池，标称容量500mA·h，则其总能量为500 × 3.7 = 1850mW·h。如果系统在推理模式下的平均功耗为120mW，待机功耗为0.5mW，且设备每天执行100次推理（每次2秒），则每日能耗为：推理能耗 = 120mW × 2s × 100 = 24000mW·s = 6.67mW·h；待机能耗 = 0.5mW × 24h = 12mW·h；每日总能耗约18.67mW·h。电池续航天数 = 1850 / 18.67 ≈ 99天。这个计算过程展示了从mA·h到mW·h换算的必要性——如果不考虑电压，直接用500mA·h除以平均电流，会得到错误的结果。

3.3 功耗预算的表示方法与设计流程

功耗预算（Power Budget）是TinyML系统设计中的核心约束文档，它定义了系统在各种工作状态下允许消耗的电流、功率和能量上限。一个完整的功耗预算通常包含四个维度：峰值电流约束、平均功耗约束、能量约束和待机电流约束。峰值电流约束决定了电源芯片的瞬时输出能力和去耦电容的配置；平均功耗约束影响散热方案和电池容量选择；能量约束直接关联电池寿命；待机电流约束则决定了系统在休眠模式下的漏电预算。

构建功耗预算的流程通常分为五步：第一步，列出系统所有工作状态（推理、空闲、待机、外设激活等）；第二步，从数据手册或实测获取每种状态的电流和持续时间；第三步，计算每种状态的平均功率和单次任务能量；第四步，根据目标电池容量和寿命要求，反推允许的最大平均电流；第五步，验证峰值电流是否在电源芯片和电池的承受范围内。这个流程需要反复迭代，因为实际测量值往往与数据手册标称值存在差异。

// 功耗预算计算示例（伪代码）
float battery_mah = 100.0;        // 电池容量 mA·h
float battery_voltage = 3.3;      // 电池电压 V
float battery_mwh = battery_mah * battery_voltage;  // 330 mW·h

float inference_current_ma = 15.0;  // 推理平均电流
float inference_time_s = 0.2;       // 推理时长
float inference_energy_mwh = (inference_current_ma * battery_voltage) * (inference_time_s / 3600.0);
// = 49.5 mW * 0.0000556 h ≈ 0.00275 mW·h

float sleep_current_ua = 5.0;       // 待机电流 μA
float sleep_current_ma = sleep_current_ua / 1000.0;
float sleep_power_mw = sleep_current_ma * battery_voltage;  // 0.0165 mW

// 假设每小时执行10次推理，其余时间待机
float hourly_energy = 10 * inference_energy_mwh + sleep_power_mw * 1.0;
float battery_life_hours = battery_mwh / hourly_energy;

3.4 案例拆解：智能传感器节点的功耗预算分配

以一个典型的TinyML振动监测节点为例，该节点使用STM32L4系列MCU（内置Cortex-M4），搭载加速度传感器，通过BLE定期上报推理结果。系统约束为：使用CR2032纽扣电池（标称容量220mA·h，电压3.0V，但实际可用容量随放电电流增大而下降），目标工作寿命6个月（约4380小时）。

初始设计参数如下：MCU在8MHz运行时的电流为2.5mA，传感器激活电流为0.5mA，BLE发射峰值电流为15mA（持续5ms），MCU待机电流为1.1μA（RTC开启）。系统每5分钟唤醒一次，执行一次推理（耗时100ms），然后通过BLE发送结果（耗时20ms），其余时间处于待机状态。初步计算：单次唤醒周期能耗 = 推理能耗（3.0V × 3.0mA × 0.1s = 0.9mJ）+ BLE发射能耗（3.0V × 15mA × 0.005s = 0.225mJ）+ 唤醒开销（约0.1mJ），合计约1.225mJ。每天唤醒288次，每日能耗 = 288 × 1.225mJ = 352.8mJ = 0.098mW·h。待机能耗 = 1.1μA × 3.0V × 24h = 0.0792mW·h。每日总能耗约0.177mW·h。电池总能量 = 220mA·h × 3.0V = 660mW·h。理论寿命 = 660 / 0.177 ≈ 3729天，远超6个月目标。

然而，实际测试发现CR2032电池在脉冲负载下（BLE发射15mA）电压跌落明显，且电池实际可用容量仅为标称的70%左右。修正后可用能量 = 660 × 0.7 = 462mW·h，理论寿命约2610天，仍然充裕。但进一步考虑电池自放电（每年约1-2%）和温度影响，最终设计将唤醒周期调整为10分钟一次，以降低电池脉冲频率，延长电池实际使用寿命。这个案例说明，功耗预算不仅要考虑理论计算，还要结合电池放电特性、脉冲负载影响和实际环境因素进行修正。

3.5 常见误区与设计复盘

在TinyML功耗预算实践中，工程师常犯的错误包括：第一，混淆峰值功率与平均功率，导致电源芯片选型过大或过小；第二，忽略电压转换效率，当系统使用LDO或DC-DC时，实际从电池取用的能量高于负载消耗的能量；第三，未考虑电池内阻导致的电压跌落，在脉冲电流下电池端电压可能低于MCU的最低工作电压，造成系统复位；第四，将数据手册中的典型值当作设计值，未考虑温度、工艺偏差等因素。

正确的做法是建立包含最坏情况的功耗预算表，标注每个参数的来源（数据手册、实测、估算），并预留至少20%的余量。同时，在原型阶段使用功耗分析仪（如Joulescope或Nordic PPK2）进行实测，验证理论计算的准确性。对于电池供电设备，还应进行脉冲放电测试，确认电池在最大脉冲电流下的电压跌落是否在系统允许范围内。