“保障 8 小时”如何变成计算模型？——服务能源预算与 Python 初步仿真

所属议题： 初焰·钠宙 AI4S｜水象议题 10「巨蟹座：把机房级可靠带进日常」

1. 研究目标与仿真范围

第五篇明确了 NaLink「钠联」的供电路径、模块接口和故障边界。本阶段进一步建立 Python 能源管理模型，研究一个具体问题：

当用户要求设备断电后维持 8 小时基础监测时，如何在有限备用能源下安排 AI 分析任务？

本次编写并运行了 Python 程序，模拟 MCU 基础守护负载、AI 任务能耗和服务能源预留机制，对比两种任务执行策略，并生成剩余能源曲线和任务决策记录。

由于尚未完成实际电芯及计算模组的选型和功耗测试，本阶段采用假设参数进行机制验证，不将仿真结果视为真实产品性能。

2. 服务能源预算模型

2.1 剩余能源更新

以负载端剩余可用能量为计算对象，采用离散时间模型：

E_{k+1}=\max\left(0,E_k-P_{\mathrm{guard}}\Delta t-E_{\mathrm{AI},k}\right)

其中：

$E_k$ ：当前剩余可用能量，单位 Wh；
$P_{\mathrm{guard}}$ ：基础守护平均功率，单位 W；
$\Delta t$ ：时间步长，单位 h；
$E_{\mathrm{AI},k}$ ：当前时间步额外执行 AI 任务消耗的能量，单位 Wh。

程序按时间顺序先扣除上一时间段的基础守护能耗，再处理当前时刻的任务请求。第一版模型将单次 AI 任务能耗一次性扣除，暂不模拟任务持续时间和瞬时功率变化。

2.2 关键服务能源预留

在断电后的时刻 $t$ ，为剩余保障时间预留：

E_{\mathrm{reserve}}(t)=P_{\mathrm{guard}}(T_{\mathrm{target}}-t)+E_{\mathrm{alarm}}+E_{\mathrm{margin}}

其中， $T_{\mathrm{target}}$ 为目标保障时间， $E_{\mathrm{alarm}}$ 为告警能源预算， $E_{\mathrm{margin}}$ 为预测误差裕量。

AI 任务的初步许可条件为：

E_{\mathrm{remaining}}\geq E_{\mathrm{reserve}}(t)+E_{\mathrm{task}}

即只有执行 AI 任务后仍能保留关键服务所需能源，才允许该任务启动。

该条件仅考虑能源总量。真实系统还需要同时满足瞬时功率、电压范围和硬件安全约束。

3. Python 仿真设置

3.1 模型参数

参数	设定值
初始负载端可用能量	13 Wh
服务保障目标	8 h
基础守护平均功率	1 W
预计告警能源	0.5 Wh
预测误差裕量	0.8 Wh
完整 AI 任务能耗	0.8 Wh/次
轻量 AI 任务能耗	0.3 Wh/次
事件发生时刻	0.5～7.5 h，每隔 1 h 一次
仿真时间步长	1 min

参数均为假设值。

其中，13 Wh 用于构造基础守护与 AI 任务竞争能源的场景；0.8 Wh 和 0.3 Wh 分别代表完整任务与轻量任务的假设总能耗，并非神经网络单次推理的实测值。

本模型直接使用负载端可用能量，暂不单独计算 DC-DC 转换损耗。

3.2 初始能源预算

基础守护 8 小时需要：

E_{\mathrm{guard}}=1\times8=8\ \mathrm{Wh}

考虑告警预算和误差裕量：

E_{\mathrm{reserve}}(0)=8+0.5+0.8=9.3\ \mathrm{Wh}

因此，初始可分配给 AI 任务的能源预算为：

E_{\mathrm{AI,budget}}=13-9.3=3.7\ \mathrm{Wh}

3.3 对照策略

设置两种策略，使用相同的初始能源、基础功率和事件序列。

策略 A：固定完整推理

事件发生时，只要系统仍在运行且剩余能源足够支付一次完整任务，就执行完整推理，不提前预留未来基础守护能源。

策略 B：能源预留许可

事件发生时，先计算剩余保障能源：

满足完整推理和预留条件，执行完整推理；
否则尝试轻量推理；
两种任务均无法满足预留条件，则不执行 AI 分析。

本次对照用于验证能源预留机制，而非比较先进算法的性能排名。

4. 仿真结果与分析

4.1 剩余能源变化

Python 仿真得到两种策略的剩余能源曲线，见文末图 1。

固定完整推理策略在前 7 次事件中执行完整 AI 分析，每次消耗 0.8 Wh，最终约在 7.4 h 时能源耗尽，未达到 8 小时基础守护目标。

能源预留策略则根据剩余保障预算调整任务模式：执行 4 次完整推理、1 次轻量推理，其余 3 次事件不执行 AI 分析。

该策略完成了 8 小时基础守护，结束时剩余 1.5 Wh。

4.2 任务决策对照

具体事件处理结果见文末图 2。

评价指标	固定完整推理	能源预留许可
完整 AI 任务	7 次	4 次
轻量 AI 任务	0 次	1 次
主动跳过 AI 任务	0 次	3 次
因能源耗尽未能处理	1 次	0 次
达到 8 h 基础守护目标	否	是
8 h 末剩余能源	0 Wh	1.5 Wh

这里需要区分两种情况：固定策略最后一次事件未被处理，是由于系统已经耗尽能源；预留策略的 3 次任务未执行，则是系统为了保留基础守护能源而主动做出的调度决策。

能源预留策略减少了完整 AI 任务数量，但保留了基础守护所需能源。

在 NaLink 的双层架构中，主动不执行复杂 AI 分析并不必然意味着基础监测中断；MCU 仍可执行预设的传感器判断与本地告警。不过，基础规则检测不能替代完整的 AI 异常识别能力。

4.3 能源收支核对

为检验模型计算结果，对两种策略的能源消耗进行核对：

能源项目	固定完整推理	能源预留许可
初始能源	13.0 Wh	13.0 Wh
完整推理消耗	5.6 Wh	3.2 Wh
轻量推理消耗	0 Wh	0.3 Wh
实际基础守护消耗	7.4 Wh	8.0 Wh
期末剩余能源	0 Wh	1.5 Wh

固定策略：

13.0=5.6+7.4

预留策略：

13.0=3.2+0.3+8.0+1.5

两种策略的能源收支均与模型更新规则一致。

预留策略在 8 h 末剩余的 1.5 Wh 中，1.3 Wh 为尚未动用的告警及误差预留预算，超出预留要求的能源为 0.2 Wh。

4.4 结果讨论

本次实验表明，用户提出的“保障 8 小时”可以转化为具体的能源预算约束，并用于控制 AI 任务执行。

在相同初始能源和事件条件下，能源预留策略通过限制部分 AI 任务，实现了预设的基础守护目标。

但需要明确：本次实验是机制验证，不是算法优越性证明。 固定完整推理属于不主动保护关键服务的弱基线。后续仍需与具有相同保障约束的规则调度方法进行公平比较。

5. 结论与下一步计划

本阶段完成了 NaLink 第一版 Python 能源预算仿真，主要成果包括：

（1）将用户设定的服务保障时间转化为可计算的能源预留条件；

（2）实现基础守护耗能、AI 任务请求和任务许可的离散时间模拟；

（3）生成两种策略的能源变化曲线、任务决策记录，并通过能源收支核对验证计算一致性。

当前模型尚未考虑真实钠电芯的 OCV-SOC 特性、温度与内阻变化、AI 启动峰值功率及推理质量，因此结果仅适用于本次设定的仿真场景。

下一阶段将在现有程序基础上加入瞬时功率、电池电压边界和任务状态机，建立能量—功率双约束的 AI 任务许可模型。

NaLink 探索记录 06｜服务能源预算与 Python 初步仿真

下一篇：【07】AI 任务何时可以启动？——能量—功率双约束调度算法与状态机实现。

附图：Python 仿真结果

图 1 两种任务策略下的剩余可用能源变化曲线

横轴为断电后的时间，纵轴为剩余负载端可用能量。固定完整推理策略约在 7.4 h 时耗尽能源；能源预留策略在 8 h 时剩余 1.5 Wh。

图 2 两种策略下的 AI 任务执行决策

展示 8 次事件被安排为完整推理、轻量推理或不执行 AI 分析的结果。

注：图中固定策略最后一次标记为 Skipped 的事件，是由于能源耗尽而未能处理，并非系统主动跳过；预留策略的 3 次未执行任务则属于主动调度决策。该图不代表实际 AI 模型的识别质量。

仿真说明：全部数据基于假设参数，由 Python 程序生成；不是钠电池或 NaLink 原型机的实测性能。源码和事件记录单独保存，可用于后续复现。

【 06】“保障 8 小时”如何变成计算模型？——服务能源预算与 Python 初步仿真