CN109301877A - 一种分布式电源及节点负荷典型运行场景集生成方法 - Google Patents

Abstract

本发明公开了一种分布式电源及节点负荷典型运行场景集生成方法，确定所要生成的分布式电源及节点负荷场景集的初始时刻为t₀及该时刻的离散状态数为M₀，设定最大能处理的场景序列数为N_max，典型分布式电源及节点负荷场景数目为N₀；根据分布式电源及节点负荷功率经验概率分布函数，采用等间距抽样生成M₀个概率相等的t₀时刻的初始静态场景；通过状态离散，初始静态场景离散为M₀个状态并构造转移概率矩阵；由得到的M₀个状态分布通过N₁次MCMC抽样得到t₁时刻的M₁＝M₀*N₁个场景序列；对包含M₁个场景的原始场景集进行变速率削减；将不超过N_max个长度为L的场景序列进行场景削减，生成最终N₀个的典型场景集。本发明对分布式电源及负荷场景生成具有普适性。

Description

一种分布式电源及节点负荷典型运行场景集生成方法

技术领域

本发明涉及主动配电网态势感知技术领域，特别是一种分布式电源及节点负荷典型运行场景集生成方法。

背景技术

随着能源短缺和环境污染问题日益紧迫，优化能源结构，实现清洁低碳发展，越来越受到世界各国的关注和重视。可再生能源，尤其是小容量、分散化、以就地消纳为主的分布式电源(Distributed Genenation，DG)将成为世界能源发展的主流。

对于处于系统末端、直接面向电力用户的配电网而言，分布式电源的高密度接入使配电网由“无源”向“有源”发展、潮流由“单向”向“双向”转变，对电网运行的可靠性和安全性以及电网调控能力都带来了极大挑战。若仍沿用传统配电网的调控运行模式，分布式电源密集接入地区的配电网将存在局部电压越限、线路功率越限的可能。而随着经济发展电力用户的需求由“稳定”向“优质”逐步提高，采用必要技术手段对有源配电网进行管控，以实现资源的有效利用和电网的安全经济运行是电网发展的必然要求。

主动配电网(Active Distribution Network，ADN)是一种通过使用灵活的网络拓扑结构对潮流进行管控，进而主动控制、主动管理分布式能源的配电系统。它是消纳分布式电源的主要载体，同时也连接着大电网和微电网共同构筑坚强智能电网。与类似的“有源配电网”概念强调配电网接有分布式电源这一物理特性相比，主动配电网应具有更高的可观可控水平，能够积极应对区域内分布式电源的随机性与波动性特征。它的“主动性”体现在，通过控制中心可以观测到配网的负荷和分布式电源的实时状态，进而借助态势感知技术进行风险预判，并积极制定应对策略，通过控制中心对分布式电源、储能、无功补偿装置、可控负荷等灵活性资源的调控实现主动管控。它对电网运行状态进行主动控制、对可控资源实现主动管理的愿景是依托主动配电网态势感知技术实现的，为了使主动配电网能够先于配电网运行实时状态制定管控计划，主动配电网态势预测技术亟待研究发展，而主动配电网态势预测是在态势觉察、态势理解的基础上开展的，具体内容是针对配电网中各种不确定因素如负荷需求、分布式电源出力等进行预测，根据预测结果对未来场景进行安全分析评估并针对分析场景进行预警。

而现有的主动配电网典型运行场景生成方法主要都集中在分布式电源尤其是风电功率的典型场景模拟，且大部分涉及场景生成的方法都是生成典型的静态场景集服务于后续的电网优化调度工作，对于连续时序动态场景生成的研究仍然十分匮乏；对于场景削减而言，现有的绝大部分场景削减算法都与场景规模呈现平方倍的时间复杂度，效率较为低下。

发明内容

本发明所要解决的技术问题是克服现有技术的不足而提供一种分布式电源及节点负荷典型运行场景集生成方法，针对配电网中分布式电源出力以及负荷需求的不确定性进行预测，采用场景分析法，通过抽样将连续概率分布的随机量离散为包含一系列不同出现概率的场景集合，实现随机问题到确定性问题的转化，在场景生成阶段整合基于历史功率数据经验概率分布的静态生成方法和基于马尔可夫链-蒙特卡洛方法的动态生成方法实现连续时序动态场景生成，在场景削减阶段采用基于概率距离的变速率动态削减的场景削减算法，降低算法时间复杂度，通过两个阶段的结合实现从数据到数据的分布式电源及节点负荷典型运行场景集生成，对主动配电网中各种类型的分布式电源及负荷场景生成具有普适性。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出的一种分布式电源及节点负荷典型运行场景集生成方法，包括以下步骤：

步骤10、确定所要生成的分布式电源及节点负荷场景集的初始时刻为t₀及该时刻的离散状态数为M₀，设定最大能处理的场景序列数为N_max，典型分布式电源及节点负荷场景数目为N₀，预设目标时刻为t_L；

步骤20、根据由历史功率数据获取的分布式电源及节点负荷功率经验概率分布函数，采用等间距抽样生成M₀个概率相等的t₀时刻的初始静态场景为t₀时刻的第n个初始静态场景，n＝1,2,…,M₀；

步骤30、通过状态离散，初始静态场景离散为M₀个状态 为第n个初始静态场景对应的状态，n＝1,2,…,M₀，并构造转移概率矩阵；

步骤40、对由步骤30得到的M₀个状态分布通过N₁次马尔可夫链-蒙特卡洛方法MCMC抽样得到t₁时刻的M₁＝M₀*N₁个场景序列，每个场景序列对应的发生概率为被抽样场景概率除以抽样次数；

步骤50、对包含M₁个场景的原始场景集进行变速率削减：比较M₁与设定最大能处理的场景序列数N_max的大小，若M₁大于N_max则进行场景削减，使场景数削减至N_max，否则返回步骤40，更新状态分布数M₀为M₁，模拟时间轴前进至t₂时刻继续动态场景生成，直至模拟时间轴得到预设时刻t_L；

步骤60、将不超过N_max个长度为L的场景序列进行场景削减，生成最终N₀个的典型场景集。

作为本发明所述的一种分布式电源及节点负荷典型运行场景集生成方法进一步优化方案，所述步骤10中，对于所确定的离散状态数M₀，根据初始时刻t₀的对应的月份和时段的历史功率数据来设置，其大小考虑转移概率矩阵P的阶数以及所生成模拟序列对原始数据的拟合度。

作为本发明所述的一种分布式电源及节点负荷典型运行场景集生成方法进一步优化方案，步骤20中的如下：

其中，F(*)为根据格利文科定理由历史功率数据获得的经验分布函数。

作为本发明所述的一种分布式电源及节点负荷典型运行场景集生成方法进一步优化方案，步骤30中的状态离散过程为：将步骤20中所选历史功率数据中功率的上下限分别设为P_max和P_min，则出力区间为[P_min,P_max]，根据精度需求将出力区间划分为M₀个离散状态，每个状态覆盖的功率区间宽度为(P_max-P_min)/M₀，这M₀个状态分别记作X₁，X₂，…，X_M0，X_n为第n个离散状态，n＝1,2,...,M₀，将初始静态场景分别与这M₀个状态对应即得到离散状态

作为本发明所述的一种分布式电源及节点负荷典型运行场景集生成方法进一步优化方案，步骤30中的转移概率矩阵如下式所示：

P{X^t+1＝X_j|X^t＝X_i}＝p_ij i,j∈[1,2,...,M₀]

其中，X^t+1为t+1时刻的状态，X^t为t时刻的状态，X_j为M₀个状态中第j个状态，X_i为M₀个状态中第i个状态，P{X^t+1＝X_j|X^t＝X_i}表示从t时刻的状态X^t转移到t+1时刻的状态X^t+1的概率，p_ij为从状态X_i转移到状态X_j的概率，n_ij为所选时段的历史功率数据经过离散化后每两个相邻时刻由状态X_i转移到状态X_j的总次数。

作为本发明所述的一种分布式电源及节点负荷典型运行场景集生成方法进一步优化方案，步骤40中一次马尔可夫链-蒙特卡洛方法抽样具体步骤如下：

①从M₀个状态中取一个状态X_x，x＝1,2,...,M₀；

②由标准均匀分布产生随机数u；

③根据转移概率矩阵P计算累计概率分布矩阵P_cum，矩阵P_cum中的第x行第y列的元素为P_cum，xy，其中x,y＝1,2,...,M₀；

④将随机数u与P_cum的第x行进行比较，若P_cum，x(y-1)<u≤P_cum，xy，则选取t₁时刻为状态X_y；同时状态X_y对应的光伏输出功率S_y＝S_y，min+u(S_y，max-S_y，min)，S_y.min为状态X_y对应区间的最小功率，S_y.max为状态X_y对应区间的最大功率，随机数u取值范围在0到1之间。

作为本发明所述的一种分布式电源及节点负荷典型运行场景集生成方法进一步优化方案，步骤40中，

其中，P_xk为转移概率矩阵P中第x行第k列的元素。

作为本发明所述的一种分布式电源及节点负荷典型运行场景集生成方法进一步优化方案，步骤50中，对包含M₁个场景的原始场景集进行变速率削减的具体步骤如下：

5.1、计算场景间二范数d(c_v,c_w)：

其中，c_v，c_w分别为第v，w个场景，其中v,w＝1,2,…,M₁,且v≠w；L为场景序列的长度；分别为第v，w个场景序列中第l个数值；

5.2、确定削减速率V

由各场景最近场景组成集合D，按照概率距离从小到大排序，当前20％场景的平均概率距离小于后20％场景的平均概率距离10％时，采用大倍速削减，即V＝0.01*M₁；当前20％场景的平均概率距离大于后20％场景的平均概率距离10％且小于15％时，采用小倍速削减，即V＝0.001*M₁；当前20％场景的平均概率距离大于后20％场景的平均概率距离的15％时，采用逐个削减，即V＝1；

其中，p^(v)为M₁个场景中第v个场景发生的概率，d(c_v,c_w)为场景c_v与场景c_w的二范数，c_v、c_w分别为M₁个场景中第v、w个场景；

5.3、根据选定速率削减V个满足下式的场景c_s*：

其中，

其中p^(s)分别为场景c_s*与场景c_s发生的概率，c_s*为当前M₁个场景中被削减的第s*个场景，c_s为当前M₁个场景中除了场景c_s*外的第s个场景，p^(w)为场景c_w发生的概率，c_w为当前M₁个场景中的第w个场景，p^(z)为当前M₁个场景中第z个场景发生的概率；

5.4、寻找与被削减的场景c_s*最近的场景c_s’，即满足式：更新场景c_s’的概率

其中，为场景c_s*和与其最近场景c_s’的距离，为场景c_s与场景c_s*的二范数；

5.5、变更场景总数M₁＝M₁－V*1，返回步骤5.2重复削减过程，直至削减后的场景数等于N_max。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

本发明的分布式电源及节点负荷典型运行场景集生成方法，整合了基于历史功率数据经验概率分布的静态生成方法和基于马尔可夫链-蒙特卡洛方法的动态生成方法：采用完全基于历史功率数据的经验概率分布函数，对主动配电网中各种类型的分布式电源及负荷场景具有可推广性和实用性，采用等间距抽样来生成初始场景集，对抽样样本的数量要求不高，应用马尔可夫链-蒙特卡洛方法动态生成运行场景，较好表征了连续时间断面输出功率的相关性；基于概率距离的变速率动态削减的场景削减方法，能够快速有效削减随着模拟时间轴前进而呈指数级增长的场景序列个数，得到能充分逼近整个样本空间的典型场景集。

附图说明

图1是本发明实施例的流程图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

如图1所示，本发明的分布式电源及节点负荷典型运行场景集生成策略，包括下述步骤：

步骤10、确定所要生成的分布式电源及节点负荷场景集的初始时刻为t₀及该时刻的离散状态数为M₀，设定最大能处理的场景序列数为N_max，典型分布式电源及节点负荷场景数目为N₀，预设目标时刻为t_L。

步骤20、根据由历史功率数据获取的分布式电源及节点负荷功率经验概率分布函数，采用等间距抽样生成M₀个概率相等的t₀时刻的初始静态场景为t₀时刻的第n个初始静态场景，n＝1,2,…,M₀；如式(1)-(3)所示：

Y＝F(x) (1)

x＝F^-1(Y) (2)

式(1)中x为对于t₀时刻的功率变量，F(x)为根据格利文科定理由历史功率数据获得的经验分布函数；式(2)为功率变量x的概率分布函数逆函数；式(3)中，设生成的初始场景数为M₀，将概率分布函数分为M₀个等概率空间，即将概率分布函数y轴等分为M₀份，并对每个区间的中点yⁿ进行抽样，将yⁿ代入概率分布逆函数F^-1得到的x*ⁿ即为第n个样本值。

步骤30、通过状态离散，初始静态场景离散为M₀个状态 为第n个初始静态场景对应的状态，n＝1,2,…,M₀，并构造转移概率矩阵如式(4)-(5)所示：

P{X^t+1＝X_j|X^t＝X_i}＝p_ij i,j∈[1,2,...,M₀] (4)

本步骤状态离散过程为：将步骤20中所选历史功率数据中功率的上下限分别设为P_max和P_min，则出力区间为[P_min,P_max]，根据精度需求将出力区间划分为M₀个离散状态，每个状态覆盖的功率区间宽度为(P_max-P_min)/M₀，这M₀个状态分别记作X₁，X₂，…，X_M0，X_n为第n个离散状态，n＝1,2,...,M₀，将初始静态场景分别与这M₀个状态对应即得到离散状态式(4)表示若时刻t对应的状态为X_t，则下一时刻t+1对应的X_t+1转移到X_t的概率为p_ij，p_ij为所构造转移概率矩阵P＝(p_ij)_M0*M0中的元素，其计算式(5)中，n_ij为所选时段的历史功率数据经过离散化后每两个相邻时刻由状态X_i转移到状态X_j的总次数；X^t+1为t+1时刻的状态，X^t为t时刻的状态，X_j为M₀个状态中第j个状态，X_i为M₀个状态中第i个状态，P{X^t+1＝X_j|X^t＝X_i}表示从t时刻的状态X^t转移到t+1时刻的状态X^t+1的概率，p_ij为从状态X_i转移到状态X_j的概率，n_ij为所选时段的历史功率数据经过离散化后每两个相邻时刻由状态X_i转移到状态X_j的总次数。

步骤40、对由步骤30得到的M₀个状态分布通过N₁次马尔可夫链-蒙特卡洛方法(Markov Chain Monte Carlo，MCMC)抽样得到t₁时刻的M₁＝M₀*N₁个场景序列，每个场景序列对应的发生概率为被抽样场景概率除以抽样次数；本步骤中一次马尔可夫链-蒙特卡洛方法抽样具体步骤如下：

步骤40中一次马尔可夫链-蒙特卡洛方法抽样具体步骤如下：

①从M₀个状态中取一个状态X_x，x＝1,2,...,M₀；

②由标准均匀分布产生随机数u；

③根据转移概率矩阵P计算累计概率分布矩阵P_cum，矩阵P_cum中的第x行第y列的元素为P_cum，xy，其中x,y＝1,2,...,M₀；P_cum如式(6)：

其中，P_xk为转移概率矩阵P中第x行第k列的元素；；

④将随机数u与P_cum的第x行进行比较，若P_cum，x(y-1)<u≤P_cum，xy，则选取t₁时刻为状态X_y；同时状态X_y对应的光伏输出功率S_y＝S_y，min+u(S_y，max-S_y，min)，S_y.min为状态X_y对应区间的最小功率，S_y.max为状态X_y对应区间的最大功率，随机数u取值范围在0到1之间。

步骤50、对包含M₁个场景的原始场景集进行变速率削减：比较M₁与设定最大能处理的场景序列数N_max的大小，若M₁大于N_max则进行场景削减，使场景数削减至N_max，否则返回步骤40，更新状态分布数M₀为M₁，模拟时间轴前进至t₂时刻继续动态场景生成，直至模拟时间轴得到预设时刻t_L。

步骤50中，对包含M₁个场景的原始场景集进行变速率削减的具体步骤如下：

5.1、计算场景间二范数d(c_v,c_w)：

其中，c_v，c_w分别为第v，w个场景，其中v,w＝1,2,…,M1,且v≠w；L为场景序列的长度；分别为第v，w个场景序列中第l个数值；

5.2、确定削减速率V

由各场景最近场景组成集合D，按照概率距离从小到大排序，当前20％场景的平均概率距离小于后20％场景的平均概率距离10％时，采用大倍速削减，即V＝0.01*M₁；当前20％场景的平均概率距离大于后20％场景的平均概率距离10％且小于15％时，采用小倍速削减，即V＝0.001*M₁；当前20％场景的平均概率距离大于后20％场景的平均概率距离的15％时，采用逐个削减，即V＝1；

其中，p^(v)为M₁个场景中第v个场景发生的概率，d(c_v,c_w)为场景c_v与场景c_w的二范数，c_v、c_w分别为M₁个场景中第v、w个场景；

5.3、根据选定速率削减V个满足下式的场景c_s*：

其中，

其中p^(s)分别为场景c_s*与场景c_s发生的概率，c_s*为当前M₁个场景中被削减的第s*个场景，c_s为当前M₁个场景中除了场景c_s*外的第s个场景，p^(w)为场景c_w发生的概率，c_w为当前M₁个场景中的第w个场景，p^(z)为当前M₁个场景中第z个场景发生的概率；该步骤删除了场景集中与其他场景概率距离最小的场景c_s*，通过计算概率距离，可以将不具备代表性且发生概率很小的场景更快速地削减出场景集；

5.4、寻找与被削减的场景c_s*最近的场景c_s’，即满足式：

更新场景c_s’的概率

其中，为场景c_s*和与其最近场景c_s’的距离，为场景c_s与场景c_s*的二范数；

5.5、变更场景总数M₁＝M₁－V*1，返回步骤5.2重复削减过程，直至削减后的场景数等于N_max。

步骤60、将不超过N_max个长度为L的场景序列进行场景削减，生成最终N₀个的典型场景集。

以上步骤，形成了本分布式电源及节点负荷典型运行场景集生成策略，在生成初始静态场景基础上，动态生成连续时间断面运行场景，基于概率距离的变速率动态削减，快速有效削减呈指数增长的场景序列个数，得到能充分逼近整个样本空间的典型场景集，实现了配电网中分布式电源出力以及负荷需求的不确定性进行预测。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替代，都应当视为属于本发明的保护范围。

Claims (8)

1.一种分布式电源及节点负荷典型运行场景集生成方法，其特征在于，包括以下步骤：

步骤10、确定所要生成的分布式电源及节点负荷场景集的初始时刻为t₀及该时刻的离散状态数为M₀，设定最大能处理的场景序列数为N_max，典型分布式电源及节点负荷场景数目为N₀，预设目标时刻为t_L；

步骤20、根据由历史功率数据获取的分布式电源及节点负荷功率经验概率分布函数，采用等间距抽样生成M₀个概率相等的t₀时刻的初始静态场景为t₀时刻的第n个初始静态场景，n＝1,2,…,M₀；

步骤30、通过状态离散，初始静态场景离散为M₀个状态为第n个初始静态场景对应的状态，n＝1,2,…,M₀，并构造转移概率矩阵；

步骤40、对由步骤30得到的M₀个状态分布通过N₁次马尔可夫链-蒙特卡洛方法MCMC抽样得到t₁时刻的M₁＝M₀*N₁个场景序列，每个场景序列对应的发生概率为被抽样场景概率除以抽样次数；

步骤50、对包含M₁个场景的原始场景集进行变速率削减：比较M₁与设定最大能处理的场景序列数N_max的大小，若M₁大于N_max则进行场景削减，使场景数削减至N_max，否则返回步骤40，更新状态分布数M₀为M₁，模拟时间轴前进至t₂时刻继续动态场景生成，直至模拟时间轴得到预设时刻t_L；

步骤60、将不超过N_max个长度为L的场景序列进行场景削减，生成最终N₀个的典型场景集。

2.根据权利要求1所述的一种分布式电源及节点负荷典型运行场景集生成方法，其特征在于，所述步骤10中，对于所确定的离散状态数M₀，根据初始时刻t₀的对应的月份和时段的历史功率数据来设置，其大小考虑转移概率矩阵P的阶数以及所生成模拟序列对原始数据的拟合度。

3.根据权利要求1所述的一种分布式电源及节点负荷典型运行场景集生成方法，其特征在于，步骤20中的如下：

其中，F(*)为根据格利文科定理由历史功率数据获得的经验分布函数。

4.根据权利要求1所述的一种分布式电源及节点负荷典型运行场景集生成方法，其特征在于，步骤30中的状态离散过程为：将步骤20中所选历史功率数据中功率的上下限分别设为P_max和P_min，则出力区间为[P_min,P_max]，根据精度需求将出力区间划分为M₀个离散状态，每个状态覆盖的功率区间宽度为(P_max-P_min)/M₀，这M₀个状态分别记作X₁，X₂，…，X_M0，X_n为第n个离散状态，n＝1,2,...,M₀，将初始静态场景分别与这M₀个状态对应即得到离散状态

5.根据权利要求1所述的一种分布式电源及节点负荷典型运行场景集生成方法，其特征在于，步骤30中的转移概率矩阵如下式所示：

P{X^t+1＝X_j|X^t＝X_i}＝p_ij i,j∈[1,2,...,M₀]

其中，X^t+1为t+1时刻的状态，X^t为t时刻的状态，X_j为M₀个状态中第j个状态，X_i为M₀个状态中第i个状态，P{X^t+1＝X_j|X^t＝X_i}表示从t时刻的状态X^t转移到t+1时刻的状态X^t+1的概率，p_ij为从状态X_i转移到状态X_j的概率，n_ij为所选时段的历史功率数据经过离散化后每两个相邻时刻由状态X_i转移到状态X_j的总次数。

6.根据权利要求1所述的一种分布式电源及节点负荷典型运行场景集生成方法，其特征在于，步骤40中一次马尔可夫链-蒙特卡洛方法抽样具体步骤如下：

①从M₀个状态中取一个状态X_x，x＝1,2,...,M₀；

②由标准均匀分布产生随机数u；

③根据转移概率矩阵P计算累计概率分布矩阵P_cum，矩阵P_cum中的第x行第y列的元素为P_cum，xy，其中x,y＝1,2,...,M₀；

④将随机数u与P_cum的第x行进行比较，若P_cum，x(y-1)<u≤P_cum，xy，则选取t₁时刻为状态X_y；同时状态X_y对应的光伏输出功率S_y＝S_y，min+u(S_y，max-S_y，min)，S_y.min为状态X_y对应区间的最小功率，S_y.max为状态X_y对应区间的最大功率，随机数u取值范围在0到1之间。

7.根据权利要求6所述的一种分布式电源及节点负荷典型运行场景集生成方法，其特征在于，步骤40中，

其中，P_xk为转移概率矩阵P中第x行第k列的元素。

8.根据权利要求1所述的一种分布式电源及节点负荷典型运行场景集生成方法，其特征在于，步骤50中，对包含M₁个场景的原始场景集进行变速率削减的具体步骤如下：

5.1、计算场景间二范数d(c_v,c_w)：

其中，c_v，c_w分别为第v，w个场景，其中v,w＝1,2,…,M₁,且v≠w；L为场景序列的长度；分别为第v，w个场景序列中第l个数值；

5.2、确定削减速率V

由各场景最近场景组成集合D，按照概率距离从小到大排序，当前20％场景的平均概率距离小于后20％场景的平均概率距离10％时，采用大倍速削减，即V＝0.01*M₁；当前20％场景的平均概率距离大于后20％场景的平均概率距离10％且小于15％时，采用小倍速削减，即V＝0.001*M₁；当前20％场景的平均概率距离大于后20％场景的平均概率距离的15％时，采用逐个削减，即V＝1；

其中，p^(v)为M₁个场景中第v个场景发生的概率，d(c_v,c_w)为场景c_v与场景c_w的二范数，c_v、c_w分别为M₁个场景中第v、w个场景；

5.3、根据选定速率削减V个满足下式的场景c_s*：

其中，

其中p^(s)分别为场景c_s*与场景c_s发生的概率，c_s*为当前M₁个场景中被削减的第s*个场景，c_s为当前M₁个场景中除了场景c_s*外的第s个场景，p^(w)为场景c_w发生的概率，c_w为当前M₁个场景中的第w个场景，p^(z)为当前M₁个场景中第z个场景发生的概率；

5.4、寻找与被削减的场景c_s*最近的场景c_s’，即满足式：

更新场景c_s’的概率

其中，为场景c_s*和与其最近场景c_s’的距离，为场景c_s与场景c_s*的二范数；

5.5、变更场景总数M₁＝M₁－V*1，返回步骤5.2重复削减过程，直至削减后的场景数等于N_max。