2026 MCM问题A:智能手机电池耗电建模

2026 MCMProblem A: Modeling Smartphone Battery Drain

基于以下数据进行的建模分析

MCM2026_battery_state_table.csv

MCM2026_master_modeling_table.csv

智能手机是现代生活中不可或缺的工具，但其电池续航却常常令人捉摸不透。有的日子手机能撑一整天，有的日子却在午饭前就电量告急。虽然有些用户把这归咎于“过度使用”，但电池耗电的真正原因其实更为复杂。功耗取决于屏幕尺寸与亮度的搭配、处理器负载 、网络活动，以及后台应用在设备看似闲置时持续消耗电量。环境因素如温度变化更是雪上加霜：部分电池在寒冷天气会降低有效容量，而长时间高强度使用则可能导致过热。此外，电池的使用历史和充电方式也会影响其性能表现。

你的任务是开发一个智能手机电池的连续时间数学模型 ，在实际使用条件下，该模型将电荷状态（SOC） 作为时间的函数返回。这将用于在不同条件下预测剩余的电量耗尽时间 。你应该假设手机有一个锂离子电池。

要求：

1.   连续时间模型 ：通过连续时间方程或方程组建立模型来描述电池电量状态。建议从最基础的电池耗电机制入手，逐步扩展模型以纳入更多影响因素，例如屏幕使用、处理器负载、网络连接、GPS定位等后台任务。

数据作为辅助工具而非替代品 ：您可收集或使用数据进行参数估计与验证。若开放数据集有限，可采用已发表的测量数据或技术规范（需注明出处），但前提是参数需有充分依据并经过合理性验证。然而，仅基于离散曲线拟合、时间步长回归或黑箱机器学习（未建立明确连续时间模型） 的项目将无法满足本问题的要求。所有使用数据必须完整记录且公开可获取，且需在开放许可下免费使用。

1. 问题模型建立与求解

1.1. 问题一：

为保证“基于明确物理机理”的要求，模型以等效电路 + 功率守恒 + 连续时间电量守恒（库仑计量）为主线，并用数据完成必要的参数标定与验证。

1.1.1. 模型目标与变量定义 

目标是在实际使用条件下，建立连续时间模型输出电池荷电状态 SOC(t)，并据此推导空电时间。

：荷电状态（剩余容量占满容量比例）

（C）：有效电量容量（库仑），由数据字段 Q_eff_C 给出，用于表征老化后的可用容量

P(t)（W）：手机负载功率（由屏幕/CPU/GPU/网络/GPS/后台等共同形成）

I(t)（A）：电池放电电流（正值表示放电）

：电池端电压

OCV(SOC)：开路电压（由电池化学决定，随 SOC 变化）

（Ω）：等效内阻，随电池健康状态 SOH 与温度 T变化

：健康状态（数据字段 SOH）

T（℃）：环境/电池温度（数据字段 temp_c）

1.1.2. 电池等效电路与开路电压模型 

采用最基础、可解释、便于扩展的 Thevenin 等效电路（忽略动态 RC 支路时的静态形式）：

其中开路电压采用数据提供的 5 次多项式（对应字段 ocv_c0～ocv_c5）：

该表达属于典型锂离子电池的 OCV–SOC 经验形式，能在 SOC∈[0,1]区间平滑刻画电压平台与两端的非线性变化。

1.1.3. 负载功率与功率守恒（由功率求电流） 

手机侧的“使用强度”最终体现为电池对外供电功率 P(t)P(t)P(t)。根据电功率定义：

将式(1)代入式(3)，得到关于I(t)的二次方程：

整理为标准形式：

因此在任意时刻，当给定 SOC(t)、R与 P(t)时，放电电流可由求根得到：

物理上放电应满足 I(t)≥0，并且在稳定供电下应选取较小的非负根（较大根对应不符合实际的高电流支路）。故取：

当判别式为负（意味着当前 OCV、R条件下所需功率超过电池可提供的最大功率）时，模型采用最大功率点近似进行截断：

式(7)对应抛物线的顶点，避免数值发散，同时符合“高负载时电压下垂、系统限功率”的物理直觉。

1.1.4. SOC 连续时间状态方程（库仑计量） 

SOC 的本质是“剩余电量/有效容量”。电荷守恒给出：

且，其中视为在单次放电过程内常数（由老化状态决定）。因此得到连续时间 SOC 微分方程：

联立式(2)、(6)/(7)、(9)，即可得到闭环的连续时间动力系统：

其中 I(⋅)表示由功率方程解得的电流（即式(6)/(7)的组合）。

初值条件来自数据字段 soc0：

空电时间定义为首次到达 SOC(t)=0的时刻：

在“每条记录为常负载”的问题一求解口径下，取 P(t)≡P为常数（由该行 P_total_uW 经尺度校准得到），则可对式(10)进行数值积分得到 SOC(t)曲线与 Tempty。

1.1.5. 功耗代理量到物理功率的尺度校准 

数据中 P_total_uW 是由软件能耗统计聚合得到的功耗代理量，其数值量纲与真实瓦特存在尺度差异。为保证式(3)–(4)的物理一致性，引入尺度系数 sP>0s_P>0sP​>0，定义：

利用观测电流 I_obs_A 与开路电压在初始 SOC 处的估计 OCV(SOC0)，构造功率一致性关系：

用最小二乘估计 sPs_PsP​：

该一维最小二乘有闭式解：

这样即可把软件统计功耗统一映射到满足式(3)的物理功率尺度，确保后续电流求解与 SOC 微分方程在同一量纲体系内运行。

1.1.6. 内阻的参数化与标定 

为体现老化与温度对放电能力的影响，用一个低复杂度但可解释的参数模型描述内阻：

其中 (25−T)表示偏离室温的影响，表示随 SOH 降低而加速增大的老化惩罚项，并允许二者交互。

首先用观测数据反推出内阻“样本值”。由式(3)–(4)可得：

其中。将满足物理约束的样本（如 Rk>0）纳入回归，采用最小二乘估计：

标定得到的 R(SOH,T)再代回式(6)–(10)即可完成闭环求解。该步骤保证模型不仅“拟合 SOC 曲线”，而是明确刻画了老化（SOH）—内阻（R）—电流需求（I）—SOC 下降速度的物理链条。

1.1.7. 常负载口径下的空电时间近似表达 

若在一个短场景内近似 OCV(SOC)与 R变化缓慢，则I近似常数，有：

这也是问题一中对每条记录快速给出 t_empty_pred_h 的解析近似来源；更严格的 SOC(t)曲线则由式(10)的数值积分得到，用于展示非线性 OCV 引起的曲率与高负载截断等效应。

以上建模与公式与您当前程序完全一致：以 Thevenin 等效电路为物理基础，以功率守恒将手机使用负载映射为电流，再由库仑计量得到连续时间 SOC 动力学，并通过对功耗尺度与内阻函数的最小二乘标定把数据作为“参数估计与验证工具”，满足题目对“显式连续时间、机理驱动模型”的硬性要求。

1.1.8. 求解结果分析

2.   空置时间预测 ：使用您的模型计算或近似不同初始充电水平和使用场景下的空置时间。将预测与观察到的或合理的行为进行比较，量化不确定性，并确定模型表现良好或较差的地方。

阐述您的模型如何解释这些结果的差异，并确定每种情况下导致电池快速耗尽的具体驱动因素。

哪些活动或环境因素会导致电池续航时间大幅缩短？哪些因素对设备性能的影响却出人意料地微乎其微？

1.2. 问题二

1.2.1. 建模目标与变量 

设手机锂离子电池的荷电状态（State of Charge）为SOC(t)∈[0,1]

其中 SOC=1表示满电，SOC=0表示放空。我们需要在给定初始电量 、给定使用场景u(t)（决定功耗随时间变化）以及给定电池健康状态（SOH）与温度 T等条件下，预测空电时间

模型核心是：场景 u(t)⇒功率需求 P(t)⇒放电电流 I(t)⇒SOC 连续时间演化，从而得到 Tempty。

1.2.2. 连续时间 SOC 动力学（库仑计数方程） 

在放电阶段，电荷守恒给出 SOC 的连续时间方程：

其中 I(t)为放电电流（A），Qeff为电池有效电量（库仑，C）。若已知有效容量（Ah）记为 Ceff，则

在数据表中我们以 或其等效变量（例如由 SOH 调整后的容量）作为已知输入，从而将电池老化影响显式体现在容量项中。

1.2.3. 电压模型与 OCV–SOC 映射 

锂离子电池的开路电压（Open Circuit Voltage）可由 SOC 的多项式近似表示（由数据给定系数）：

其中 {} 为每条样本对应的 OCV 曲线参数。该表示允许模型在连续 SOC 轨迹上随时计算电池的瞬时电压水平。

1.2.4. 内阻模型：温度与老化耦合 

考虑电池内阻随 SOH 和温度变化而改变。为保持可解释性与可估计性，我们采用线性–交互形式：

其中T单位为摄氏度（°C），25°C 为参考温度；SOH∈(0,1]表示健康度。该形式刻画两类物理事实：

老化（SOH下降）通常使内阻增大；用强化低 SOH 区间的非线性增幅；

温度降低（T<25）会提高内阻；

老化与低温存在耦合放大效应（交互项）。

1.2.5. 功率需求与电流求解（功率守恒 + 端电压） 

手机在使用场景 u(t)下的负载可用等效功率 P(t) 表示。电池端电压采用一阶等效模型：

负载消耗功率满足

整理得关于I(t) 的二次方程：

在放电物理意义下取非负且较小根（对应稳定放电）：

若判别式出现负值（意味着需求功率超过该 SOC 与内阻条件下可输出的理论上限），则采用最大功率点近似进行约束：

上述步骤把“场景功率”转化为“连续时间电流”，从而与 SOC 方程闭环。

1.2.6. 功率从数据能耗代理到瓦特量纲的标定 

数据中给出了各模块能耗代理（例如以计的 *ENERGY_UW 汇总项）并可得到总代理功耗 PproxyP。将其映射到瓦特量纲：

其中标定系数用最小二乘估计。用初始时刻近似得到观测功率：

于是

这一步确保模型功率输入具有可追溯物理量纲，避免“纯曲线拟合”。

1.2.7. 空电时间的两种求解：精确积分与快速近似 

（a）连续时间求解（适用于时变场景）

将 I(t)代入 SOC 方程得到非线性 ODE：

当场景功率为分段常数（典型“混合日程”），即

则可在每一段上数值积分，直到得到。这满足题目对“连续时间模型”的要求，并能刻画不同用机片段导致的 SOC 斜率变化。

（b）空置时间快速近似（适用于固定场景平均功率）

若某场景在预测区间内可视为平均恒功率P，并进一步用初始点近似电流 I≈I(SOC0)，则：

写成小时单位：

该近似能够在“不同初始 SOC + 多场景 + 多老化状态”的网格上快速生成续航曲线，用于对比分析与敏感性讨论。

1.2.8. 场景定义与驱动因素分解（解释“为何快/慢”） 

将手机功耗划分为若干功能模块g∈{CPU,GPU,Display,Radio,GPS,Camera,Infra}，每个模块有能耗代理 Eg（或同量纲代理）。定义模块占比：

则某场景的“驱动因素”可由的大小排序解释：例如游戏场景中 GPU/CPU 占比显著上升，对应 P(t)增大，进而通过二次方程推高I(t)，导致增大，最终缩短Tempty。

1.2.9. 不确定性量化（参数不确定性 + 结构残差） 

为了量化“预测可能偏离多少”，我们将不确定性分解为两部分：

1）参数不确定性：对样本进行自助法（bootstrap）重采样，重复估计与，得到。在给定输入条件下得到一组预测，其分位数可反映参数估计误差传播。

2）结构与噪声残差：模型仍会受到未显式建模的 DVFS、热限频、信号强度波动等影响。令样本残差

用 RMSE 估计其尺度。最终构造近似 95% 预测区间：

并以覆盖率与平均区间宽度作为不确定性指标，支持题目对“量化不确定性、指出模型表现好/差”的要求。

1.2.10. 求解结果分析

3.   敏感性和假设 ：检查更改后预测值的变化

在建模假设、参数值及使用模式波动方面。

4.   建议 ：将您的研究结果转化为实际建议，以供

手机用户。例如，哪些用户行为——如调低屏幕亮度、关闭后台任务或切换网络模式——能最大程度延长电池续航？操作系统如何基于模型分析结果，实施更高效的节能策略？需考虑电池老化如何降低有效容量，以及该建模框架如何推广至其他便携设备。

完整成品论文1.9w+字数，20+可视化

完整获取👇👇👇👇