分布式电源（Distributed Generation，简称DG）是指在电力系统中，分散地安装在负荷附近的小型发电设施，包括风能、太阳能发电装置等可再生能源。随着传统化石能源的枯竭及环境问题的日益严重，分布式电源凭借其环境友好、分布灵活等优势，得到了快速的发展和广泛应用。
主动配电网（Active Distribution Network，简称ADN）是智能电网的重要组成部分，它能够通过灵活的网络拓扑结构来管理电网潮流，实现对分布式电源的主动控制和管理。ADN的目的是充分利用分布式发电的潜力，提高电网的可靠性和效率，同时支持电动汽车和储能装置的接入，实现电网的互动式运行。
在分布式电源接入电网后，为了最大限度地利用这些电源的发电能力，通常需要对电网进行网络重构，即调整配电网的结构，改变电网的运行方式和配置，以适应不同的运行条件和需求。网络重构的核心是提高配电网的分布式电源渗透率，即DG在配电网中所能承载的最大功率比例。
本文提出了一种基于网络重构技术提高主动配电网分布式电源渗透率的方法。该方法使用一种混合优化方法，该方法结合了二进制粒子群优化算法（Binary Particle Swarm Optimization，简称BPSO）和启发式算法。BPSO是一种基于群体智能的优化技术，通过对粒子位置和速度的迭代更新来寻找最优解。在本文中，BPSO算法被用于初步搜索最优网络结构，以提高分布式电源的渗透率。
为了进一步提高搜索效率和优化质量，本文还结合了聚类分析和启发式算法。聚类分析是一种无监督学习方法，通过分析数据点的相似性，将数据集中的样本划分为若干个类别。在本文中，聚类分析被用于对BPSO算法得到的优化结果进行分类，找出最有潜力的网络结构配置，并将其作为启发式算法的初始解，以便进一步优化。
为了准确求解配电网的最大输送能力，克服传统潮流计算中分岔点附近可能出现的不收敛问题，本文引入了连续潮流方法。连续潮流方法是一种基于数值分析的技术，它通过跟踪潮流方程的解曲线来分析电网在不同运行条件下的稳定性，从而精确地计算电网的最大输送能力。
文章中还提到了IEEE 123节点测试网络，这是一个经典的配电网测试系统，被广泛用于仿真分析中。通过在该测试网络上进行仿真分析，本文的方法得到了验证，结果显示该方法能有效地提高系统的最大输送能力。
本文的主要贡献可以总结为以下几点：
1. 提出了一种基于网络重构的主动配电网分布式电源渗透率提升方法。
2. 采用了一种结合BPSO和启发式算法的混合优化方法，提高了寻找最优网络结构的效率。
3. 通过聚类分析方法对优化结果进行分类，使得启发式算法能从更有潜力的初始解出发，进一步优化。
4. 使用连续潮流方法精确求解配电网最大输送能力，有效解决传统潮流计算的收敛性问题。
5. 通过IEEE 123节点测试网络验证了所提方法的有效性，证明了其在提高配电网最大输送能力方面的显著作用。
