Архив за месяц: Апрель 2017

SpaceX остановила запуск Falcon 9 за минуту до старта

Опубликовано автором
Ответить

Компании SpaceX пришлось остановить запуск ракеты-носителя Falcon 9 всего за минуту до старта. Проблема — технические неполадки с сенсором первой ступени. Следующее «окно» для старта — 1 мая. Компания должна отправить на орбиту Земли военный спутник для Национального управления военно-космической разведки США космодрома на мысе Канаверал.

После старта ракеты компания попробует посадить первую возвратную ступень Falcon 9, что удавалось уже не раз. Посадку планируется произвести на твердую землю, а не на морскую платформу. Из-за того, что спутник принадлежит военным, точно неизвестно, на какую высоту планируется доставить космический аппарат. Понятно, что никто не говорит и то, чем будет заниматься новый спутник.

Если SpaceX удастся посадить ступень, то это будет уже четвертая успешная посадка на космодром, а не плавучую платформу. Несколько недель назад компания вернула на Землю не только ступень, но и обтекатель.

Кстати, именно «военный» пуск ракеты-носителя SpaceX отличается от всех прочих. Дело в том, что ранее с военными аппаратами для космоса работали лишь Boeing и Lockheed Martin. Это была своего рода монополия. Теперь же и SpaceX получил возможность работать с контрактным запуском спутников для военных. Эта возможность была открыта правительством США, решившим обеспечить здоровую конкуренцию среди компаний, которые работают с миссиями государственного значения. Причина — желание снизить стоимость государственных контрактов с «космическими» подрядчиками.

Спутник получил название NROL-76, о его доставке на орбиту компания SpaceX договорилась с военными около года назад. Возможно, если все пройдет успешно, то компания Илона Маска и далее будет работать с государственными заказчиками в США. Завтра мы узнаем, как все прошло — если старт состоится и спутник будет доставлен на орбиту, скорее всего, военные США будут заключать новые контракты со SpaceX.

Кроме военных, у SpaceX есть еще контракты с другими организациями, включая НАСА и коммерческие компании. Например, SpaceX договорилась с компанией Iridium о доставке на орбиту группы спутников. Эта компания собирается отправить в космос сразу десять аппаратов, которые помогут улучшить работу сети этого оператора всемирной связи. Если все спутники будут выведены, то SpaceX получит более $492 миллионов долларов США. К сожалению, из-за аварии в прошлом году развертывание спутников перенесли на 2018 год.

Кроме того, SpaceX занимается разработкой сверхтяжелой ракеты-носителя Falcon Heavy. Планируется, что эта ракета сможет доставлять на орбиту около 54 тонн грузов на низкую опорную орбиту, примерно 21,2 т на геопереходную орбиту и 13,2 тонны Falcon Heavy в состоянии отправить на Марс. Именно Красная планета — основная цель Маска и SpaceX. Все коммерческие пуски — это способ получить средства для реализации главной миссии.
ссылка на оригинал статьи https://geektimes.ru/post/288736/

Дайджест интересных материалов для мобильного разработчика #201 (24 — 30 апреля)

Опубликовано автором
Ответить

У экономики приложений все хорошо – 56.4 миллиарда в этом году и до 85 миллиардов в 2020. С помощью Everyday Tools мы снова вспоминаем статьи и новости недели – демонические голоса, ASO, локализацию, тестирование, интерфейсы и многие другие материалы.

Демонический голос, управляющий твоим смартфоном

Чем больше всевозможных датчиков получают наши гаджеты, тем больше появляется способов управления ими. В безопасности есть даже такой термин — «increased attack surface».

Как мы оптимизировали Twitter Lite

Большинство изменений небольшие, но они складываются, и в конечном результате мы получили одно из самых больших и быстрых прогрессивных веб-приложений.

Увеличиваем установки игры на 53% за счет оптимизации названия и описания в Google Play

Чаще всего нас спрашивают о том, как привлечь больше трафика в приложения Google Play. Мы решили, что пример простой текстовой оптимизации для инди-игры с небольшим количеством установок будет интересным.

Дайджест доступен и в виде рассылки. Подписаться вы можете тут.

iOS

Android

Разработка

Аналитика, маркетинг и монетизация

Устройства и IoT

Предыдущий дайджест. Если у вас есть другие интересные материалы или вы нашли ошибку — пришлите, пожалуйста, в почту.
ссылка на оригинал статьи https://habrahabr.ru/post/327656/

Асессор и анализ поведения людей

Опубликовано автором
Ответить

1. Вступление

Небольшой рассказ об основных метриках работы асессора, которые используются как в глобальных исследованиях открыто опубликованной информации, так и в локальных задачах (например: повышение конверсии проектов, социальные и психологические исследования). Многие из упомянутых метрик не являются специфическими, а относятся к методам математической статистики, теории вероятностей и к метрикам качества машинного обучения.

2. Основные метрики работы асессора

2.1. Вариационный ряд оценок

Вариационный ряд оценок — множество измерений (в данном случае оценок асессора), ранжированное по возрастанию с указанием частоты каждого элемента. Например, исходное множество наблюдений {1, 1, 3} содержит единицу, которая составляет две трети от числа всех элементов, а также тройку, которая составляет только одну треть. Чтобы вычислить вероятность случайного выбора определённой величины необходимо разделить количество таких наблюдений на общее количество всех наблюдений. Следовательно, вероятность можно рассматривать как частоту повторяемого события, тогда вероятность выбора единицы будет составлять 2/3, а тройки только 1/3. Таким образом, две трети пространства элементарных событий составляют единицы, а всё остальное — тройки. Большое количество разных значений можно разбить на интервалы с указанием количества попаданий случайной величины в каждый интервал и отобразить в виде гистограммы, а при анализе категориальных и ранговых значений достаточно будет отобразить «barplot» таблицы частот.

2.2. Рейтинг объекта

Рейтинг объекта — мера ценности объекта, основанная на его оценках. В открытых (публичных) проектах оценки могут приниматься от посетителей порталов. Тогда в качестве асессоров выступают пользователи некоторого сайта. Таким образом, формируется вариационный ряд оценок для каждого конкретного объекта. Наиболее очевидным методом получения рейтинга является преобразование множества оценок в одну скалярную величину с помощью различных мер центральной тенденции. Для дискретных величин математическое ожидание удобнее рассчитывать как среднее арифметическое:

$\operatorname{E}[A] = \mu_A = \sum_{i=1}^n A_i P(A_i) = \frac{1}{n}\sum_{i=1}^n A_i$

Замечание: при очень больших вариационных размахах есть опасность выбросов, в таких случаях множество оценок сортируют и используют центральный элемент (медиана).

Все оценки могут быть одинаковыми, тогда их дисперсия будет равна нулю. Чем сильнее варьируются оценки (отличаются от среднего), тем больше будет дисперсия. Так как для выявления дисперсии возводили в квадрат разницу случайной величины и среднего значения, а потом усредняли (суммировали и делили результат на количество), то для удобства получим квадратный корень из дисперсии (среднеквадратическое отклонение). Напомню, что среднеквадратическое отклонение для генеральной совокупности (сигма) и выборочное (S) вычисляются как:

$\sigma_A = \sqrt{\frac{1}{n} \sum_{i=1}^n (A_i - \mu_A)^2} = \sqrt{\operatorname E[A^2]-(\operatorname E[A])^2}$

$S_A = \sqrt{\frac{1}{n - 1} \sum_{i=1}^n (A_i - \mu_A)^2} $

2.3. Степень похожести поведения

В большой генеральной совокупности наблюдений будут встречаться единомышленники (like-minded people). Если два или более единомышленников (условное название людей с похожими вкусами) будут выполнять оценку одних и тех же документов, то должна отмечаться закономерность линейной корреляции (если один поставил высокую оценку, то второй тоже должен высоко оценить наблюдение и наоборот). Такую взаимосвязь (линейную корреляцию) достаточно легко выявить по формуле Карла Пирсона:

$ r(A,B) = \frac{\sum_{i=1}^n (A_i - \mu_A) (B_i - \mu_B)}{ \sqrt{\sum_{i=1}^n (A_i - \mu_A)^2 \sum_{i=1}^n (B_i - \mu_B)^2} } $

Разумеется, при таком анализе важно исполнить два правила: гарантировать строго линейную зависимость, а также быть уверенным, что это один кластер. Если это будут два разных кластера, то корреляцию необходимо вычислять отдельно для каждого. Аппроксимация методом наименьших квадратов (МНК в случае линейной регрессии) помогает лучше увидеть степень линейной взаимосвязи. При визуальном отображении хорошо видно, что профессиональный асессор и его «единомышленник» примерно одинаково оценивают объекты. Прямая линейной регрессии направлена в правый верхний угол и относительно хорошо описывает эту взаимосвязь (небольшая сумма квадратов расстояния от точки до прямой).

В нашем случае оценки имеют малый вариационный размах (MAX — MIN) и достаточное количество наблюдений, следовательно, влияние помех (выбросов) не остро выражено. А вот в иных наборах данных явные выбросы очень сильно повлияют на сумму квадратов расстояния от точки до прямой, т.е. на линию регрессионного анализа, где коэффициенты вычисляются по формулам:

$\beta_1 = \frac{\sigma_B}{\sigma_A} r(A,B); \hspace{15pt} \beta_0 = \mu_B - \beta_1 \mu_A $

Конечно, существует достаточно большое количество методов оценки похожести (косинусная мера, метрики расстояния в многомерном пространстве, расчёт степени силы ошибки). Наиболее популярным метрикам будут посвящены отдельные пункты в этой заметке.

2.4. Вероятность и сила ошибки

Так как оба асессора выполняли оценку одного и того же списка объектов, то можно допустить мысль, что точность оценки одного была выше чем у другого. Более того, это может быть проверкой качества работы, в которой заранее известны верные ответы. Пусть один асессор из указанного примера всегда выявлял истинную оценку, а другой допускал ошибки. Тогда выявим степень силы ошибки:

$A = \{1, 4, 4, 2, 5, 7, 2, 4, 5, 8, 4, 4, 6, 4, 7, 8, 4, 3, 10\}$

$B = \{2, 6, 4, 3, 5, 7, 4, 5, 6, 10, 4, 4, 9, 8, 9, 8, 5, 2, 10\}$

$A_i - B_i = \{-1, -2, 0, -1, 0, 0, -2, -1, -1, -2, 0, 0, -3, -4, -2, 0, -1, 1, 0\}$

$MAE = \frac{1}{n}\sum_{i=1}^n |A_i - B_i|; \hspace{25pt} MSE =\frac{1}{n}\sum_{i=1}^n(A_i - B_i)^2$

$ MAE = 1.105263; \hspace{25pt} MSE = 2.473684 $

Нас также заинтересует вероятность самого факта ошибки и точного ответа. При случайном угадывании вероятность правильно назвать оценку (целое число) от 1 до 10 равна 1/10, а вероятность подряд правильно угадать другие оценки равна произведению их вероятностей (независимые события). Изучим точность в данном случае: получим логический (бинарный) вектор, в котором факт ошибки записывается как нуль, а факт правильного ответа как единица. Тогда вероятность правильного ответа будет равна количеству верных ответов, разделённому на мощность множества (количество всех элементов). Другими словами: это та часть пространства элементарных событий, которую занимают верные ответы. Следовательно, всё остальное занимают ошибочные ответы.

$ER = \{0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 1, 1, 0, 0, 0, 1, 0, 0, 1\}$

$accuracy = P(T) = \frac{7}{19}; \hspace{15pt} P(F) = 1 - P(T) = 0.6315789$

Что касается бинарной классификации, то для неё используются специальные метрики точности. Пусть дано множество меток классов, состоящее строго из «-1» и «+1». Опираться будем на логику следующей таблицы бинарной классификации:

$\begin{array}{c|c} Решение\hspace{4pt} асессора & Фактически\hspace{4pt}+1 & Фактически\hspace{4pt}-1 \\[0.3em] \hline +1 & True\hspace{4pt}positive\hspace{4pt}(TP) & False\hspace{4pt} positive\hspace{4pt}(FP) \\[0.3em] -1 & False\hspace{4pt} negative\hspace{4pt}(FN) & True\hspace{4pt} negative\hspace{4pt}(TN) \end{array}$

Эта метрика очень часто используется не только в задачах машинного обучения (бинарная классификация), но и в задачах анализа поведенческих факторов в глобальных исследованиях, так как они не редко предполагают строгую дихотомическую классификацию всех наблюдений. Метрика очень удобна и информативна. Она предполагает, что результаты работы классификатора могут быть только следующими:

  • True positive (TP) — положительное наблюдение, которое было названо классификатором как положительное (нет ошибки).
  • True negative (TN) — отрицательное наблюдение, которое было названо классификатором как отрицательное (нет ошибки).
  • False positive (FP) — отрицательное явление, которое было выявлено классификатором как положительное (ошибка: нужно было выявить как отрицательное).
  • False negative (FN) — положительное явление, которое было выявлено классификатором как отрицательное (ошибка: нужно было выявить как положительное).

Тогда точность (доля предсказанных положительных, которые фактически положительны) будет возможно выявить по формуле:

$precision = \frac{TP}{TP + FP}$

А полнота (доля положительных, выявленная во время классификации) вычисляется по формуле:

$recall = \frac{TP}{TP + FN}$

Зная precision и recall выявим сбалансированную меру точности и полноты:

$F_1 = 2 \cdot \frac{precision \cdot recall}{precision + recall}$

2.5. Мера расстояния

Известны несколько метрик расстояния, но в задачах анализа поведенческих факторов (например, для выявления единомышленников и различной кластеризации во время социальных и психологических исследований) весьма часто используется Евклидова метрика (d). Она является геометрическим расстоянием между точками в многомерном пространстве. Манхэттенская метрика (m) расстояния также нередко используется. Она показывает не прямое расстояние, а пути по кварталам (по границам клеток или рёбрам квадратов).

$ d(A,B) = \sqrt{\sum_{i=1}^n (A_i - B_i)^2}; \hspace{25pt} m(A,B) = \sqrt{ \sum_{i=1}^n |A_i - B_i|} $

Если возникла необходимость выявить разницу между множествами, то мы можем разделить количество пересечений (мощность после пересечения) на количество объединений (мощность после объединения), тем самым получив коэффициент Жаккара. А если мы разделим количество пересечений на квадратный корень из произведения мощностей множеств, то получим коэффициент Отиаи. Естественно, есть и другие (например, мера Кульчинского и мера Сёренсена), но упомянутые коэффициенты применяются более часто.

$Коэффициент\hspace{3pt}Жаккара = \frac{|A \cap B|}{|A \cup B|}$

$Коэффициент\hspace{3pt}Отиаи = \frac{|A \cap B|}{\sqrt {|A| \cdot |B|}}$

2.6. Стандартизация

Оценка записывается целым числом в заданном интервале, но бывает ситуация, когда была выполнена оценка по разным методам или даже в разных единицах измерения. Изучение и сравнение единиц измерения разной природы далеко не всегда удобно. В одном случае изменение на пять единиц не имеет значимости, а во втором — это критическое изменение. В целях повышения удобства выполним стандартизацию:

$Z_A = \frac{A_i - \mu_A}{\sigma_A} ; \hspace{25pt} M_A = \frac{A_i - MIN(A)}{MAX(A) - MIN(A)} $

$$display$$\begin{array}{c|c} A & B & Z_A & Z_B & M_A & M_B \\ \hline 1254 & 35 & 0.7635508 & -0.63163382 & 1.0000000 & 0.0000000 \\[0.3em] 1118 & 36 & 0.2520094 & -0.34011052 & 0.8076379 & 0.1111111 \\[0.3em] 547 & 37 & -1.8957123 & -0.04858722 & 0.0000000 & 0.2222222 \\[0.3em] 989 & 36 & -0.2332027 & -0.34011052 & 0.6251768 & 0.1111111 \\[0.3em] 1254 & 44 & 0.7635508 & 1.99207590 & 1.0000000 & 1.0000000 \\[0.3em] 1144 & 35 & 0.3498041 & -0.63163382 & 0.8444130 & 0.0000000 \end{array}$$display$$

2.7. Мера неоднородности

Мера неоднородности — метрика оценки разнообразия объектов, часто применяемая в задачах классификации. Обычно измеряют энтропию или специальный показатель Джинни (Gini Impurity). Обратите внимание, что показатель неоднородности Джинни не следует путать с коэффициентом Коррадо Джинни, который был придуман для оценки неравномерности доходов. Сейчас речь идёт именно о так называемом Gini Impurity, который рассчитывается как:

$G = \sum_{i=1}^n(P_i - P_i^2) = \sum_{i=1}^nP_i(1 - P_i) = 1 - \sum_{i=1}^nP_i^2$

Другими словами: для двух равномерно распределённых классов этот показатель составит 1/2, а когда один класс занимает 0.001 и второй 0.999, он составит уже 0.001998. Соответственно, если всё пространство занимает только один класс, то G будет равен нулю (всё однородно). Для получения этой метрики достаточно отнять от единицы сумму квадратов вероятностей (занимаемых долей) каждого класса.

2.8. Комбинаторика ранжирования

Ранжирование меняет порядок кортежей в соответствии с некоторым правилом, допустим, сортирует записи по убыванию рейтинга. Всего существует n! возможных способов расположить любые отличимые объекты. Например, факториал числа десять составляет 3628800. Это значит, что для десяти документов можно сделать столько уникальных перестановок. Число сочетаний (наборы без возвращения и без учёта порядка) из n по k, а также число размещений (без возвращения, сохраняя порядок) соответственно:

$\frac{n!}{k!(n - k)!}; \hspace{25pt} \frac{n!}{(n - k)!}$

2.9. Оценка степени важности каждого предиктора

Если посмотреть на оценку под другим углом, то можно понять некоторые интересные закономерности мышления человека. Исследователь принимал своё решение не случайно. У него есть некое представление об объектах каждой группы. Именно на основании таких убеждений исследователь может выполнять классификацию. Если описать объект в виде множества измерений признаков (температура, рост, вес, цвет, цена), то можно заметить, что у каждого предиктора есть своя степень важности. Если мы исключаем некий предиктор из выборочной совокупности, а результат классификации не поменялся, значит он несущественен (раз без него можно обойтись). Если при исключении этого предиктора ошибка точности сильно возрастает, то это говорит о высокой важности. Так, например, некоторые широко известные алгоритмы машинного обучения (включая Random Forest) позволяют в автоматическом режиме выявлять степень значимости каждого предиктора:

Любое наблюдение описывается в виде вектора признаков. Чем больше можно измерить объективных и необходимых для решения задачи показателей, тем лучше формальное описание объекта. Все предикторы можно условно разделить на четыре группы: бинарные (да или нет), номинативные (цвет, город, модель, семейное положение, пол), ранговые (оценка, звание, профессиональная категория, спортивный разряд) и количественные (вес, возраст, рост, цена, скорость, доход, количество посещений). Например, пусть даны три предиктора: цвет (красный или зелёный), вес и цена. Номинативный предиктор мы закодируем методом «One-hot» (будут два бинарных: «Это красного цвета?» и «Это зелёного цвета?»). Запишем все измерения в виде матрицы признаков, а оценки асессоров в виде матрицы ответов:

$X = \begin{bmatrix} X_0 & X_1 & X_2 & X_3 \\[0.3em] 1 & 0 & 9 & 3 \\[0.3em] 0 & 1 & 2 & 5 \\[0.3em] 1 & 0 & 3 & 6 \\[0.3em] 0 & 1 & 4 & 9 \\[0.3em] 1 & 0 & 8 & 9 \end{bmatrix} ; \hspace{25pt} Y = \begin{bmatrix} Y_0 \\[0.3em] 3 \\[0.3em] 8 \\[0.3em] 8 \\[0.3em] 8 \\[0.3em] 3 \\[0.3em] \end{bmatrix} $

Если верна гипотеза о том, что этих измерений достаточно для определения рейтинга или классов объектов, то будет существовать решающая функция, способная дать ответ с нужной точностью. На вход функция получает вектор признаков, а возвращает рейтинг (или класс) объекта:

$\forall x \in X;\hspace{18pt} \forall y \in Y;\hspace{18pt} f^\ast : X \to Y$

Как же должна работать эта решающая функция? В процессе исследования может быть выявлена формула или правило классификации, способные весьма простым методом решить задачу. Это касается как задач восстановления регрессии (аппроксимации), так и задач классификации. Пример классификации: если измерить массу и длину тела кошек и китов, то предикторы будут линейно разделимыми. Это значит, что нам достаточно знать хотя бы один предиктор (длину тела или массу), чтобы точно отличить кота от кита. Взглянем на пример очень хорошо разделяемых измерений:

Красным символом (+) показаны центроиды, а принадлежность к кластеру обозначается разной формой точек. У наблюдателя появится гипотеза, что это явно два разных класса существ (судя по росту и весу). Другими словами: изначально мы располагаем всем набором наблюдений, который разделим на две части (непересекающиеся подмножества пространства признаков) таким образом, чтобы в каждой части были представители только одного класса (мера неоднородности была равна нулю). Сделать это можно простым условием IF-ELSE по нужному предиктору. Упомянутое действие можно представить как следующий алгоритм, реализованный в виде дерева решений:

Допустим, что одного разбиения будет недостаточно. В таком случае нужно добавлять ещё узлы дерева таким образом, чтобы новое разбиение повышало однородность подмножеств. Мы будем повторять этот алгоритм до критерия остановки, например, пока листья дерева станут однородными или даже содержащими одно наблюдение. Естественно, будем стараться выбирать максимально информативные предикторы, которые лучше всего помогают снизить неоднородность. Но такое решение будет слишком специфическим для конкретного набора данных, а на новых данных может показать плохой результат. Переобучение легко выявить: при его отсутствии точность на учебном множестве не должна явно отличаться от точности на проверочном множестве.

Для повышения точности и решения проблемы переобучения мы создадим на отдельных выборках много таких деревьев, каждое из которых будет искусственно ограничено количеством предикторов. Результатом будем считать тот класс, который прогнозируется большинством деревьев решений. Предлагаю воспользоваться готовой реализацией этого алгоритма (речь идёт о случайном лесе), но вначале рассмотреть общий подход к проверке точности по упомянутым в заметке метрикам качества машинного обучения.

Допустим, что мы располагаем очень большим количеством наблюдений. Выполним обучение модели на этом множестве наблюдений. Для проверки будем использовать иное большое множество наблюдений, не пересекающееся с учебным множеством. Если уровень точности на проверочном множестве будет выше приемлемого уровня, то зная вектор признаков можно автоматически выявлять класс или рейтинг объекта. Практический пример решения задачи с использованием наиболее известных готовых решений будет показан в приложении к заметке (пункт №4).

3. Выводы

В системах анализа поведенческих факторов и в работе асессоров применяются методы математической статистики, теории вероятностей и машинного обучения. Крайне сложно провести грань между различными дисциплинами, которые нужны для решения упомянутых ранее задач. Подобные подходы позволяют не просто выявлять важные закономерности и улучшать понимание поведения людей, но и решать весьма важные практические задачи (прогноз оттока клиентов, повышение конверсии, предсказание голосования, автоматическая классификация).

4. Приложение

Упомянутые примеры кода для выявления степени важности предикторов и оценки точности моделей прилагаются в виде отдельных файлов: https://github.com/aik84from/ml

ссылка на оригинал статьи https://habrahabr.ru/post/327654/

Солнечная батарея на балконе, опыт использования

Опубликовано автором
Ответить

Привет geektimes.

Данная статья является продолжением предыдущей части, про туристическое зарядное устройство "Anker Solar 21Вт". Идея использования солнечной батареи для зарядки разных гаджетов мне показалась весьма перспективной, но конечно, 21Вт в качестве универсальной зарядки мало — хочется иметь возможность заряда не только в солнечную погоду, а для этого нужен запас по мощности. Поэтому были куплены полноценные солнечные панели и начаты эксперименты с ними.

Что из этого получилось, подробности под катом.

Железо

1. Солнечная панель

Тут есть разные варианты, но на балконе основным ограничением является наличие свободного места. Для понимания порядка цен, батарея на 50Вт стоит примерно 5000руб и выглядит так:

Размеры панели в мм — 540x620x30, вес 4кг.

Балконы по размеру бывают разные, исходя из габаритов панелей, вполне без проблем можно поместить 2 или 4 штуки, больше уже не влезет. Для теста было куплено 2 панели по 50Вт. Такая батарея дает около 18В под нагрузкой или 24В без нее, значит при использовании 2х батарей нужно рассчитывать на суммарное напряжение до 50В (к примеру многие dc-dc преобразователи штатно работают до 30В). Можно соединить батареи и параллельно, но тогда потери из-за длины проводов будут чуть выше.

2. Контроллер

Здесь есть 2 варианта:

— Солнечные панели + контроллер + аккумулятор

Это классическая конструкция: контроллер заряжает аккумулятор когда есть солнце, пользователь когда ему надо, эту энергию использует.

Преимуществ у данной системы несколько:
— энергией можно пользоваться когда угодно, а не только когда светло,
— возможность подключения инвертора и получения на выходе 220В,
— как бонус, резервный источник в доме на случай отключения электричества.

Недостаток один: использование аккумулятора большой емкости в корне убивает экологичность идеи данного мероприятия. Число циклов заряда/разряда аккумуляторов ограничено, они не любят переразряд, к тому же и аккумуляторы и контроллеры довольно-таки дорогие. Цена контроллера составляет от 1000р за самую дешевую ШИМ-версию, до 10000-20000р за более дорогую (и эффективную) версию с поддержкой MPPT (что такое MPPT можно почитать здесь). Цена аккумулятора составляет от 5000р за обычный гелевый аккумулятор на 40-50А*ч, некоторые используют батареи LiFePo4, они разумеется дороже.

— Grid-tie инвертер

Эта технология наиболее перспективна на данный момент.

Суть в том, что конвертор преобразует и отдает энергию сразу в домашнюю электросеть. При этом потребляемая от общей сети энергия уменьшается, домовой электросчетчик фиксирует меньшие показания.

В идеале, если солнечные панели дают достаточно энергии для всех потребителей, значение на электросчетчике вообще не будет расти. А если потребление квартиры/дома меньше, чем выработка солнечных панелей, то счетчик будет фиксировать «экспорт» энергии, что должно учитываться компанией-поставщиком электричества. В России правда такая схема пока не работает — более того, большинство старых электросчетчиков считают энергию «по модулю», т.е. за отдаваемую энергию еще и придется платить. Вроде в 2017 году вопросы микрогенерации на законном уровне обещали начать решать. Но впрочем для панелей на балконе все это имеет лишь теоретический интерес — их выработка слишком мала.

Цена grid-tie инвертора составляет от 100$, в зависимости от мощности. Отдельно стоит отметить микроинветоры — они ставятся прямо на батарею, и отдают сразу сетевое напряжение, однако рекомендуемая мощность панелей составляет не менее 200Вт. Инвертор крепится прямо на задней стенке солнечной панели, это позволяет соединять их так:

Но для балкона это разумеется, неактуально.

Тестирование

Первым делом было интересно выяснить, какую реальную мощность можно получить с солнечных панелей. Для этого за 15$ была куплена плата АЦП ADS1115 для Raspberry Pi:

Исходники для работы с АЦП можно взять здесь: https://github.com/adafruit/Adafruit_Python_ADS1x15. Также был куплен датчик тока ACS712, датчик напряжения был сделан из кучки резисторов (дома нашлись только одного номинала). В качестве нагрузки была установлена обычная лампочка на 100Вт. Разумеется, от 48 вольт она не горела (лампочка расчитана на 220, а лишь еле-еле светилась). Сопротивление спирали составляет 42Ома, что по напряжению позволяет примерно оценить мощность (хотя у лампы накаливания сопротивление нелинейно, но для грубой прикидки сойдет).

Первая тестовая версия выглядела так:

Технофетишистам не смотреть!

Исходник был допилен, чтобы данные и текущее время сохранялись в CSV, также на Raspberry Pi был запущен web-сервер, чтобы скачивать файлы по локальной сети.

Результаты за обычный вполне ясный день с переменной облачностью выглядят так:

Видно что пик напряжения приходится на раннее утро, что есть следствие неправильной установки панелей — в идеале они не должны стоять вертикально.

А вот так выглядит «провал» в день, когда набежали тучи, и пошел дождь:

Учитывая напряжение в 44В и сопротивление нити накала лампы в 42Ома, можно грубо прикинуть (нелинейность сопротивления лампы игнорируем), что в лучшем случае получаемая мощность P = U*U/R = 46Вт. Увы, КПД 100-ваттной панели при вертикальной установке не очень хорош — солнечные лучи падают на панель не под прямым углом. В худшем случае (пасмурно, дождь) мощность падает где-то до 10Вт. Зимой и летом суммарная получаемая энергия также будет отличаться.

Опыт с отдачей энергии напрямую в сеть оказался неудачным: 500-ваттный инвертер от 45 ватт просто не заработал. В принципе это было ожидаемо, так что инвертор оставлен на будущее для переезда на место с балконом побольше.

В итоге, учитывая решение отказаться от буферных аккумуляторов, единственным рабочим вариантом оказалось использование dc-dc конверторов напрямую: к примеру вот такой конвертер может заряжать любые USB-девайсы, на его выходе уже есть и USB-разъем:

Есть мысль также найти dc-dc-конвертер для зарядки ноутбука, их выбор на eBay весьма велик.

Заключение

Данная система имеет экспериментальный характер, но в целом можно сказать что оно работает. Как видно по графику, примерно с 7 утра и до 17 вечера отдаваемая панелями мощность более 30Вт, что в принципе не так уж плохо. В совсем пасмурную погоду результаты разумеется хуже.

Об экономической целесообразности речи разумеется не идет — при выработке 40Вт*ч по 7 часов, за неделю будет выработано 2КВт*ч. Окупаемость в ценах своего региона каждый может прикинуть самостоятельно. Вопрос разумеется не в цене, а в получении опыта, что всегда интересно.

Но куда девать энергию, вопрос пока открытый. Использовать 40Вт для зарядки USB-устройств это чересчур избыточно. На eBay есть grid tie инверторы на 300Вт с рабочим напряжением 10.5-28В, однако отзывов по ним мало, а тратить 100$ на тест не хочется. Если подходящее решение так и не найдется, можно считать что одна 50-ваттная панель является оптимумом для балкона — ею можно заряжать разные гаджеты, избыточность в этом случае минимальна.

Есть мысль все-таки рассмотреть использование буферного LiFePo4 аккумулятора — но вопрос выбора и аккумулятора и контроллера пока открыт.

Продолжение следует 🙂
ссылка на оригинал статьи https://geektimes.ru/post/288734/

Принцип определенности

Опубликовано автором
Ответить

Важнейший принцип в коммуникации интернет-сервисов с посетителями — никак «может быть». Только четкая, утвердительная форма. Любая неопределенность порождает неуверенность в сервисе и вопросы. Вопросы порождают сомнения, сомнения — отказы.

Пример 1

Надпись в конце раздела оплата интернет-магазина «Также, вы может заплатить электронными деньгами». Что значит можете? При каких-то условиях? Это не основной способ оплаты? Он чем-то хуже других?
Пишем просто «Мы принимаем такие и такие электронные деньги». Есть вопросы? Нет.

Пример 2

Сделал покупку на сайте Медиамаркт, оплатил онлайн, жду поступления товара в ближайший магазин.
Получаю через день СМС: «Ваш заказ N на сумму N зарезервирован..», далее описание куда подойти.
Что значит зарезервирован? Он поступил в магазин? Я могу его уже получить или нет? Не звоню, сразу приезжаю (благо оказался рядом) и получаю товар. Но все время чувство неуверенности: дадут или нет.

Пример 3

Покупаю билет с пересадкой в Париже на сайте AWAD. Система выдает разницу между рейсами ровно час. У меня сомнения: можно ли успеть с одного самолета на другой за час. Звоню в поддержку.
Первый ответ: — Это не к нам, а к авиакомпании.
Прерываю и говорю, что авиакомпании две, билет я покупаю именно у вас. Повторяю четко второй раз: У меня пересадка час, я успею или нет?
Ответ: — Обычно успевают.
Это полный провал. Что значит обычно? Самый неопределенный ответ из тех, что можно дать. Результат: Я покупаю в другом месте и с пересадкой в 2 часа.

Такие моменты встречаются в любом сервисе. Именно эти «мелочи» и определяют конверсию, возвраты и другие параметры продуктивности проекта, задача управляющих выжигать их каленым железом. Для этого достаточно пройти по всем этапам, трекингу, поддержке со сторонними тестерами и спросить у них нет ли каких-то моментов, что вызывают неопределенность. Особенно это касается денежных операций, где настороженность покупателей повышена и любой вопрос может привести к отказу.

Смотрите также: Продуктивность — моя методика оценки e-commerce-сайта
ссылка на оригинал статьи https://habrahabr.ru/post/327650/