دانلود ترجمه مقاله مدلی یکپارچه برای مدیریت ریسک در تجارت الکترونیک

1. مقدمه 2. روش تحقیق 3. مطالعه موردی 4. نتایج و بررسی 5. نتیجه گیری

چکیده – این مقاله مدلی یکپارچه برای مدیریت ریسک تاجران برق ارائه داده است. این مقاله مسأله اتصال نیروگاه به خط (UC) را یکپارچه کرده است که اتصال واحدهای تولید توان و پیش بینی قیمت برق یک سیستم قدرت با مدل های شبکه عصبی مصنوعی (ANN) را ارائه داده و نیز پیش بینی قیمت برق یک سیستم برق همسایه را با ترکیب الگوریتم خوشه بندی میسر می کند. مدل یکپارچه بیشتر به منظور برآورد سودآوری و ریسک تاجران، و نیز مقررات مربوط به ریسک ارائه شده است. مدل یکپارچه بیشتر روی تجارت دو طرفه بین بازارهای برق روزانه یونان و ایتالیا اعمال شده است. مدل های شبکه عصبی و UC، پیش بینی های مربوط به قیمت عمده برق در یونان و ایتالیا را ارائه داده اند. این مدل، سطح اطمینانی از پیش بینی های قیمتی را بسته به خوشه بندی داده ها و پیش بینی عملکرد هر مدل ارائه داده است. این مدل یکپارچه، دوره هایی با حاشیه های قیمتی بالا برای تبادل با هر شارش توان سازگار با اطمینان پیش بینی و سطح ریسک را تعیین کرده است. این مدل یکپارچه می تواند سیگنال های قیمتی در زمینه سود دهی تاجران و درک خوبی در زمینه ریسک تاجران را ارائه دهد.

This paper presents an integrated model for risk management of electricity traders. It integrates the Unit Commitment (UC) problem, which provides the power generation units’ dispatch and the electricity price forecasting of a power system, with artificial neural network (ANN) models, which provide electricity price forecasting of a neighbouring power system by incorporating a clustering algorithm. The integrated model is further extended to estimate the traders’ profitability and risk, incorporating risk provisions. The integrated model is applied in bi-directional trading between the Italian and Greek day-ahead electricity markets. The UC and neural network models provide forecasts of the wholesale electricity price in Greece and Italy respectively. The model attributes a confidence level of the price forecasts, depending on the data clustering and the forecasting performance of each model. The integrated model identifies periods with high price margins for trading for each power flow, aligned with a forecasting confidence and a risk level. The integrated model can provide price signals on the profitability of traders and useful insights into the risk of traders