2. 低功耗基础

TinyML 推理任务部署在电池供电设备上时，功耗设计不再是“能跑就行”的附属问题，而是决定产品能否落地、续航是否达标的核心约束。本章从电池供电场景出发，建立完整的功耗分析框架：先厘清功耗模型与能量预算的关系，再区分峰值功耗与平均功耗对硬件选型和软件调度的不同影响，最后深入待机与活跃模式的切换策略。理解这些基础概念，是后续章节中优化推理算子、调整时钟频率、设计唤醒机制的前提。

2.1 功耗模型：从器件到系统的分层拆解

电池供电设备的功耗模型不是单一数值，而是由多个物理来源叠加而成的系统级行为。在 TinyML 场景中，我们通常将总功耗拆解为四部分：计算功耗（MCU/CPU 执行推理指令）、存储功耗（Flash 读取模型权重、SRAM 保存中间特征图）、传感功耗（麦克风、加速度计、摄像头等数据采集）、通信功耗（BLE/Wi-Fi 传输推理结果）。这四部分并非简单相加，而是存在时间上的重叠与竞争。

以典型的关键词唤醒系统为例：设备持续监听麦克风，音频前端（模拟放大 + ADC）以 16kHz 采样率工作，功耗约 1.2mA；MCU 以 48MHz 运行神经网络推理，每次推理耗时 80ms，平均电流 6.8mA；推理完成后通过 BLE 发送 4 字节结果，发射电流 8.5mA，持续 2ms。若系统每 500ms 进行一次推理，则各部分功耗占比为：传感 42%、计算 38%、通信 15%、待机漏电 5%。这个比例说明，优化功耗不能只盯着 MCU 的算力效率，还要关注传感器常开带来的基础开销。

建立功耗模型的核心步骤是绘制功耗时间线（Power Timeline）。将设备的一个完整工作周期（如“采集→推理→传输→休眠”）按时间轴展开，标注每个阶段的电流值和持续时间。这张时间线图是后续所有优化决策的基础：它告诉你哪一段占据的能量最多、哪一段的峰值电流最高、哪一段存在优化空间。

功耗来源	典型电流范围	时间占比	优化手段
传感器采集	0.5 - 3 mA	常开或周期开启	降低采样率、增加休眠、使用低功耗模式
MCU 推理计算	2 - 15 mA	短时突发（ms级）	量化、剪枝、降低时钟频率
无线通信	5 - 20 mA	极短（μs-ms级）	减少发包次数、合并数据、使用低功耗协议
待机漏电	1 - 50 μA	长期（秒-小时级）	深度睡眠、关闭外设电源、使用 PMIC 控制

2.2 能量预算：从电池容量到续航目标的逆向推导

能量预算是功耗设计的“天花板”。它回答一个核心问题：在给定电池容量和续航目标下，平均功耗必须控制在什么范围内？计算方式并不复杂：电池总能量（mWh）除以目标续航时间（小时），得到平均功耗上限（mW）。例如，一颗 3.7V、2000mAh 的锂电池，总能量为 7400mWh。若产品目标续航为 30 天（720 小时），则平均功耗上限为 10.3mW，折合平均电流约 2.8mA。

这个数字立刻揭示了设计约束：如果传感器常开就需要 1.2mA，MCU 平均推理电流 0.8mA，通信平均 0.3mA，待机漏电 0.05mA，合计 2.35mA，勉强在预算内。但若增加一个 GPS 模块（平均 25mA），则续航将骤降至不足 5 天。因此，能量预算必须在项目启动时明确，并作为硬件选型和软件架构的硬约束。

实际操作中，建议采用“三级预算法”：第一级，根据电池容量和续航目标计算总平均电流上限；第二级，将总预算按功能模块分配（传感、计算、通信、待机各占多少）；第三级，为每个模块设定峰值电流和持续时间上限。这样，当某个模块超出预算时，可以快速定位并调整。

2.3 峰值功耗与平均功耗：两种不同的设计约束

平均功耗决定续航，峰值功耗决定硬件能否安全工作。两者经常被混淆，但设计逻辑完全不同。平均功耗是能量消耗的积分结果，影响电池容量和散热设计；峰值功耗是瞬时最大电流，影响电池内阻压降、电源稳压器选型、PCB 走线宽度和去耦电容配置。

以 TinyML 推理为例：MCU 在启动神经网络加速器时，电流可能从待机的 5μA 瞬间跃升至 25mA，上升时间仅 10μs。如果电池内阻为 1Ω，则瞬间压降达 25mV，可能导致 MCU 复位或 ADC 参考电压漂移。更严重的是，若系统同时开启传感器和无线发射，峰值电流可能叠加至 40mA，超出电池的脉冲放电能力。

处理峰值功耗的常用策略包括：软启动（分步开启外设电源）、大容量去耦电容（在 PCB 上靠近 MCU 放置 10-100μF 电容）、峰值削峰（将推理计算与无线发射错开时间）。在软件层面，可以通过调整任务调度，避免多个高功耗外设同时工作。

2.4 待机与活跃模式：功耗状态机的设计与切换

电池供电设备的功耗管理本质是一个状态机：在待机（Sleep）、活跃（Active）、以及中间的过渡态之间切换。待机模式的目标是将功耗降至最低，通常通过关闭外设时钟、进入 MCU 深度睡眠、断开传感器电源实现。活跃模式则根据任务需求，可能细分为“感知活跃”（仅传感器工作）、“计算活跃”（MCU 全速运行）、“通信活跃”（无线发射）等子状态。

关键设计原则是：尽可能缩短活跃时间，尽可能延长待机时间。但模式切换本身有代价——唤醒延迟和瞬态电流。例如，MCU 从深度睡眠唤醒需要 200μs，期间消耗 2mA 电流；若设备每 100ms 唤醒一次，则唤醒开销占总能量的 0.4%，可以接受。但若每 10ms 唤醒一次，唤醒开销占比升至 4%，就需要考虑是否值得。

在 TinyML 场景中，一个常见的优化是两级唤醒架构：第一级，超低功耗的传感器（如加速度计）持续监测物理量变化，功耗仅 2μA；第二级，当传感器检测到有效事件（如振动超过阈值），才唤醒 MCU 执行完整的神经网络推理。这种架构将平均功耗从“持续推理”的 2mA 降至“事件驱动”的 20μA，续航提升 100 倍。

// 待机-活跃模式切换伪代码示例
void system_loop() {
    // 进入待机模式
    enter_sleep_mode(SLEEP_2S);
    
    // 由RTC或传感器中断唤醒
    wakeup_reason = get_wakeup_source();
    
    if (wakeup_reason == SENSOR_EVENT) {
        // 活跃模式：执行推理
        set_cpu_freq(48MHz);
        enable_peripheral(PERIPH_ADC);
        uint8_t* audio = capture_audio(16000, 32);
        int result = run_tflite_inference(audio);
        send_ble_packet(result);
    }
    
    // 清理并回到待机
    disable_peripheral(PERIPH_ADC);
    set_cpu_freq(32kHz);
    enter_sleep_mode(SLEEP_2S);
}

2.5 常见误区与设计复盘

在低功耗设计实践中，以下误区最为常见：

• 误区一：只优化 MCU 计算功耗，忽略传感器和通信。实际上，在事件驱动的 TinyML 系统中，传感器常开功耗往往占总能耗的 40% 以上。
• 误区二：认为待机电流“足够小”就不需要优化。一个 10μA 的待机漏电看似微不足道，但在 2 年续航目标下，它消耗了 175mAh，占 CR2032 电池容量的 80%。
• 误区三：频繁切换模式反而增加能耗。每次唤醒都有瞬态电流和启动延迟，如果活跃时间太短，模式切换开销可能超过节省的能量。
• 误区四：忽略电池电压下降对功耗的影响。锂电池从 4.2V 降至 3.0V 时，相同负载下的电流会上升约 15%，导致续航估算偏差。

正确的设计流程应当是：先建立功耗时间线，识别能量热点；再根据能量预算分配各模块限额；然后针对峰值功耗做硬件验证；最后通过状态机优化待机与活跃的切换策略。每一步都需要用实测数据验证，而不是仅凭数据手册估算。