Deep uncertainty in future climate, socio-economic and technological conditions poses a great challenge to medium-long term decision making. Recently, several approaches have been proposed to identify solutions that are robust with respect to a large ensemble of deeply uncertain future scenarios. In this paper, we introduce ROSS (Robust Optimal Scenario Selection), a novel algorithm that uses an active learning approach for adaptively selecting the smallest scenario subset to be included into a robust optimization process. ROSS contributes a twofold novelty in the field of robust optimization under deep uncertainty. First, it allows the computational requirements for the generation of robust solutions to be considerably reduced with respect to traditional optimization methods. Second, it allows the identification of the most informative regions of the scenario set containing the scenarios to be included in the optimization process for generating a robust solution. We test ROSS on the real case study of robust planning of an off-grid hybrid energy system, combining diesel generation with renewable energy sources and storage technologies. Results show that ROSS enables computational requirements to be reduced between 23% to 84% compared with traditional robust optimization methods, depending on the complexity of the robustness metrics considered. It is also able to identify very small regions of the scenario set containing the most informative scenarios for generating a robust solution.

未来气候，社会经济和技术条件的高度不确定性对中长期决策提出了巨大挑战。近来，已经提出了几种方法来识别对于深度不确定的未来方案的大集合是鲁棒的解决方案。在本文中，我们介绍了ROSS（鲁棒最佳方案选择），这是一种新颖的算法，它使用主动学习方法自适应地选择要包含在鲁棒性优化过程中的最小方案子集。ROSS在深度不确定性下的鲁棒优化领域贡献了两个新奇之处。首先，与传统的优化方法相比，它可以大大减少生成健壮解的计算要求。第二，它允许识别场景集中信息最丰富的区域，这些区域包含要生成优化解决方案的优化过程中要包含的场景。我们在将离网混合能源系统的稳健计划结合柴油发电与可再生能源和存储技术的真实案例研究中对ROSS进行测试。结果表明，与传统的鲁棒优化方法相比，ROSS使计算要求降低了23％至84％，具体取决于所考虑的鲁棒性指标的复杂性。它还能够识别场景集的非常小的区域，其中包含信息最多的场景，以生成可靠的解决方案。我们对ROSS进行离网混合能源系统稳健计划的实际案例测试，该案例结合了柴油发电与可再生能源和存储技术的结合。结果表明，与传统的鲁棒优化方法相比，ROSS使计算要求降低了23％至84％，具体取决于所考虑的鲁棒性指标的复杂性。它还能够识别场景集的很小区域，其中包含信息量最大的场景，以生成可靠的解决方案。我们对ROSS进行离网混合能源系统稳健计划的实际案例测试，该案例结合了柴油发电与可再生能源和存储技术的结合。结果表明，与传统的鲁棒性优化方法相比，ROSS使计算要求降低了23％至84％，具体取决于所考虑的鲁棒性指标的复杂性。它还能够识别场景集的很小区域，其中包含信息量最大的场景，以生成可靠的解决方案。取决于所考虑的健壮性指标的复杂性。它还能够识别场景集的很小区域，其中包含信息量最大的场景，以生成可靠的解决方案。取决于所考虑的健壮性指标的复杂性。它还能够识别场景集的很小区域，其中包含信息量最大的场景，以生成可靠的解决方案。