3、功耗基础概念：电压、电流、功率、能量、功耗单位（mW、W）、平均功耗与峰值功耗

在Edge AI设备的开发与选型中，功耗问题贯穿硬件设计、软件算法、系统调度与电池选型的全流程。很多工程师在估算电池寿命时，往往只关注“芯片标称功耗”或“峰值电流”，却忽略了电压、电流、功率与能量之间的物理关系，以及平均功耗与峰值功耗在时间维度上的本质差异。本章将从最基础的电路物理量出发，建立一套完整的功耗分析框架，为后续章节的电池寿命估算打下坚实的理论基础。

3.1 核心原理：从电压、电流到功率与能量的物理链路

要准确评估Edge AI设备的功耗，首先必须厘清四个基本物理量之间的关系。电压（V）是推动电荷移动的“势能差”，单位是伏特（V）；电流（I）是单位时间内通过导体横截面的电荷量，单位是安培（A）。在直流电路中，功率（P）表示单位时间内消耗或转换的能量，其计算公式为：

P = V × I

其中，P的单位是瓦特（W），1W = 1V × 1A。对于Edge AI设备，工作电压通常由电源轨决定（如3.3V、1.8V、0.9V核心电压），而电流则随负载动态变化。例如，一颗AI加速芯片在推理时可能从0.5A跳变到2A，对应的功率就从1.65W跳变到6.6W（以3.3V供电计算）。

能量（E）则是功率在时间上的积分，表示一段时间内消耗的总电能，单位是焦耳（J）或瓦时（Wh）：

E = P × t 或 E = ∫P(t)dt

在电池供电场景中，我们更常用“毫安时（mAh）”作为电池容量单位，它本质上描述的是电荷量，而非能量。要换算成能量，需要乘以电池电压：

能量(Wh) = 容量(mAh) × 电压(V) / 1000

例如，一块3.7V、2000mAh的锂电池，其总能量为 2000 × 3.7 / 1000 = 7.4Wh。理解这一换算关系，是后续估算电池寿命的基础。

3.2 判断方法：平均功耗与峰值功耗的测量与计算

平均功耗（P_avg）和峰值功耗（P_peak）是功耗分析的两个核心维度。平均功耗决定了电池的总续航时间，而峰值功耗则影响电源设计、热管理和系统稳定性。

平均功耗的计算方法：

1. 时域积分法：在典型工作负载下，使用高精度电流探头记录电流波形，然后计算功率的时间平均值：P_avg = (1/T) × ∫V(t)×I(t)dt。对于数字系统，通常以1秒或10秒为窗口进行滑动平均。
2. 能量法：通过测量一段时间内消耗的总能量E_total，再除以时间T：P_avg = E_total / T。这可以通过电源分析仪或电池电量计实现。
3. 占空比法：如果设备在“活跃-休眠”之间周期性切换，可计算：P_avg = (P_active × t_active + P_sleep × t_sleep) / (t_active + t_sleep)。

峰值功耗的识别：峰值功耗通常出现在以下场景：

• AI加速器启动推理时的电流浪涌（可能持续数毫秒至数百毫秒）；
• 无线模块（如Wi-Fi、LTE）发射时的射频功率放大；
• 多核CPU同时唤醒或外设同时启动的瞬间。

测量峰值功耗需要使用具有足够带宽（≥100kHz）和采样率（≥1MS/s）的电流探头，并配合示波器捕捉瞬态波形。对于电池供电设备，还需关注峰值电流对电池内阻压降的影响——当峰值电流过大时，电池端电压会瞬间跌落，可能导致系统复位。

3.3 案例拆解：智能视觉模组的功耗实测与寿命估算

以一个典型的Edge AI视觉模组为例，该模组包含图像传感器（OV5640）、AI推理芯片（如K210或RK3566）、Wi-Fi模块（ESP32）和电源管理单元。设备的工作场景为：每10秒采集一帧图像并进行本地推理，推理完成后通过Wi-Fi上传结果，其余时间进入深度睡眠。

实测数据（3.3V供电）：

工作状态      电流(mA)    持续时间(ms)    功耗(mW)
图像采集      120         50             396
AI推理        350         80             1155
Wi-Fi传输     280         30             924
深度睡眠      0.8         9850           2.64

计算过程：

1. 单周期总能量：E_cycle = (396×50 + 1155×80 + 924×30 + 2.64×9850) / 1000 = (19800 + 92400 + 27720 + 26004) / 1000 = 165.9 mJ
2. 平均功耗：P_avg = 165.9 mJ / 10s = 16.59 mW
3. 平均电流：I_avg = P_avg / 3.3V = 5.03 mA
4. 若使用2000mAh电池，理论寿命 = 2000 / 5.03 ≈ 397.6小时 ≈ 16.6天

峰值功耗分析：AI推理阶段的峰值功耗为1155mW（350mA），虽然持续时间仅80ms，但若电池内阻为200mΩ，则峰值压降为 0.35A × 0.2Ω = 70mV，可能导致3.3V轨跌落到3.23V，需确认是否在芯片工作电压范围内。

3.4 常见误区与总结复盘

在功耗基础概念的理解上，工程师常犯以下错误：

• 混淆功率与能量：功率是瞬时值，能量是累积值。电池容量描述的是能量（或电荷量），而非功率。一个10W的设备运行1小时消耗10Wh能量，而不是10W能量。
• 忽略电压变化：锂电池放电过程中电压从4.2V降至3.0V，若以固定电压计算功耗，会产生10%-20%的误差。建议使用“积分能量法”而非“恒压乘法”。
• 只看典型值不看分布：AI推理的功耗受输入数据影响很大（如图像复杂度），应测量多个样本取统计分布，而非单一典型值。
• 忽视瞬态功耗：从睡眠到活跃的切换瞬间，电流可能超过稳态峰值，导致电源跌落或电池保护板误触发。

总结复盘：本章建立的核心框架是“电压-电流-功率-能量”的物理链路，以及“平均功耗决定续航、峰值功耗决定可行性”的工程判断准则。在实际项目中，建议按以下流程操作：

1. 明确各工作状态的电压、电流、持续时间；
2. 计算平均功耗和总能量消耗；
3. 识别峰值功耗及其持续时间，评估电源和电池的瞬态响应；
4. 使用电池放电曲线进行实际验证，而非仅依赖理论计算。

这一基础框架将贯穿后续所有章节，无论是电源树设计、低功耗软件优化，还是电池选型，都离不开对这四个物理量的精确把握。