3．2 选择操作的改进
    选择是最具有自然进行特色的操作之一，它是从所有母体中选取部分个体组成繁殖库的过程。作为交叉和变异的前提，选择过程应保证越优良的个体越有较大的几率被选中，而适应值低的个体渐渐被淘汰，即所谓的“优胜劣汰”。
    选择操作是建立在对个体的适应度评价的基础之上，有时直接关系到收敛速度问题。采用两两竞争的选择策略，首先从群体中随机选取两个个体比较适应度，将其中适应度最高的个体遗传到下一代群体中；然后将上述过程重复M次，就可得到繁殖库所需的M个个体。
    该种选择策略使每个个体入选繁殖库的概率与其适应值不直接成比例。所以它能使群体在解空间上有较好的分散性，使得个别大适应度值的个体在种群中不会出现大量繁殖的现象，同时又保证了加入繁殖库中的个体有较好的适应值。另外两两竞争选择策略对个体适应度是否取正值无特别要求，因此可直接用问题的目标函数当作适应度函数。
    由于选择、交叉、变异等遗传操作的随机性，为了防止在进化过程中得到的最优个体被其破坏，采取保存最优个体策略，即当前群体中适应度最高的个体不参与交叉和变异运算而直接进入下一代，该策略的实施保证算法的收敛。
3．3 交叉和变异算子的改进
    交叉是遗传算法中寻找最优个体的最主要手段，也是遗传算法区别于其他优化方法的主要标志。变异是避免“近亲繁殖”，保持群体多样性，实现多路径搜索，以避免局部收敛，恢复丢失的或寻找尚未得到的优良信息的主要工具，它是以较小的概率使密码串中的某码位产生突变。
    传统遗传算法中交叉率Pc和变异率Pm取值是恒定的，在处理复杂的多变量优化问题时效率不高，并且存在“早熟”的可能性。为此采用自适应遗传算法，自适应PC、Pm能够提供相对某个解的最佳Pc、Pm。该算法在保持群体多样性的同时，可保证遗传算法的收敛能力，有效提高其优化能力。
3．3．1 交叉方式的改进
    在交叉方式上，把个体适应度大于群体平均适应度的个体对应于较低的交叉率，使该解得以保护进入下一代：对于低于平均适应度的个体，相对于较高的交叉率，使该解被淘汰。在自适应遗传算法中，交叉率按式(7)进行自适应调整：

式中：Pc1为上一代群体交叉率；Rc2为下一代群体交叉率；fmax为群体中的最大适应度值；fav为群体中的平均适应度值；f′为准备交叉的2个个体中较大的适应度值。
3．3．2 变异方式的改进
    类似于交叉操作，这里采用改进的自适应遗传算法。变异率Pm按式(8)进行自适应调整：

式中：Pm1为上一代群体变异率；Pm2为下一代群体变异率。
3．4 终止判据的改进
    遗传算法对初始解没有要求，一般是通过预先设置进化代数来结束循环的，为了防止对于预先设置的代数还没有收敛，可以在产生初始解的同时，用部分约束条件来检验，将不满足条件的解重新生成，直到达到群体规模。
    在遗传算法迭代求解过程中，有时最优解可能在未达到最大遗传代数的时候就已经出现，此时应及时从迭代过程中跳出。针对这种情况提出了最大遗传代数N与最优个体适应值连续保持不变的最小保留代数Np相结合的终止迭代准则，在给定的遗传代数限定范围内来搜索最优解，并确定该解经过后面的多次迭代后仍为最优，则退出进化。否则继续搜索，直到满足最优个体最小保留代数为止。如果在最大遗传代数N限定范围内没有满足最优个体最小保留代数的解，则输出当前得到的最优解。

4 计算实例
    为验证改进算法的有效性，对比计算实际油田配电网的无功优化。该实际配电网是10 kV变电所向外供配电的辐射状配电网络，有47个节点，46条支路，变压器18台，电容补偿点5个。用前推回代法计算初始潮流结果为：有功网损251．68 kW，网损率5．83％，电压合格率72．5l％采用传统的遗传算法和改进的遗传算法对其计算，计算结果如表l所示。

    从表l计算结果可看出，优化前初始网损率为5．83％，而且大部分节点电压较低。分别使用传统遗传算法和改进遗传算法进行无功优化，不仅可降低全网的有功损耗和网损率，降低全网的运行费用，而且带来更高的节点电压合格率，实现以最少的投入来获取最佳电压质量和显著经济效益的目标。同时从表l还可看出，改进遗传算法具有更快的寻优速度，从而可以提高计算效率，节省计算时间。算例结果验证了改进遗传算法的实用性和有效性。

5 结语
    针对油气田配电网无功优化的特点，对传统遗传算法主要在选择操作、交叉和变异算子、终止判据等核心操作上进行改进。改进的遗传算法继承了传统遗传算法的优点，克服了传统遗传算法容易不收敛或早熟、收敛速度慢等方面的不足，在油田配网无功优化补偿中获得了较好的效果。通过算例的计算表明该改进遗传算法是有效可行的。