采样样本用K-means聚类法进行场景削减，并确定各个 场景出现的概率。

采用K-means聚类法进行场景削减并确定各个场景出现的概率是一种常用的方法，可以将样本数据分为不同的场景，并估计每个场景出现的概率。以下是基于K-means聚类法进行场景削减和概率估计的基本步骤：

1. 准备样本数据：首先需要准备具有代表性的样本数据，这些数据可以包括不同时间段的风、光出力数据。

2. 设置聚类数目：根据实际需求，设置K-means聚类算法中的聚类数目。聚类数目决定了将样本数据分为几个不同的场景。

3. 执行K-means聚类：使用K-means聚类算法对样本数据进行聚类，将数据分为K个不同的簇，每个簇代表一个场景。

4. 确定各个场景的概率：对于每个场景，可以计算其出现的频率作为该场景出现的概率。频率可以通过统计每个簇中样本的数量，并除以总样本数量来计算。

5. 场景削减：对于每个簇，可以选择一个代表性样本作为该场景的代表。这可以通过选择簇中离簇中心最近的样本来实现。

6. 场景样本采样：根据各个场景的概率，可以进行场景样本的采样。采样方法可以使用随机抽样，根据每个场景的概率进行抽取。

需要注意的是，K-means聚类法是一种基于距离的聚类算法，其结果受到初始聚类中心的选择和聚类数目的设定影响。为了提高聚类结果的准确性，可以尝试不同的初始聚类中心和聚类数目，进行模型比较和评估。

总结起来，通过K-means聚类法进行场景削减并确定各个场景出现的概率是一种常用的方法。通过将样本数据分为不同的场景，并根据频率估计每个场景的出现概率，可以更好地描述和模拟风光场景的变化特征。