1.一种基于非洲秃鹫算法的微网惯性常数估计方法，其特征在于，包括以下步骤：步骤1，将新能源电源类比于同步发电机，将其等效为虚拟同步发电机；

步骤2，构建含VSG虚拟惯量和同步发电机转动惯量的统一惯性常数解析模型；

步骤3，对步骤2中构建的统一惯性常数解析模型的转子运动方程依次进行拉普拉斯变换、拉普拉斯反变换、离散化处理和Z变换，最终得到含待求参数H、D的传递函数表达式，H为惯性常数、D为阻尼系数；

步骤4，将PMU所测得的系统运行功率变化数据 代入计算得到的传递函数表达式中，得到相应的频率变化 ；

步骤5，构建适应度函数 ；

步骤6，采用非洲秃鹫算法对待求参数H、D进行寻优，当适应度函数值y在要求范围内时，即取该时刻计算的H、D为待求参数；

所述步骤2中含VSG虚拟惯量和同步发电机转动惯量的统一惯性常数解析模型由如下推导得到：根据电力系统整体惯量守恒，电力系统等值惯性常数由如下式子计算得：；

其中： 表示第i台同步发电机的惯性常数， 表示第i台同步发电机的额定容量， 表示第j台VSG的惯性常数， 表示第j台VSG的额定容量， 表示整个系统的额定容量；

在所述步骤3中，为得到含待求参数H、D的传递函数表达式，包括以下步骤：步骤3.1，用等值转子运动方程表示系统的暂态机电特性：；

式中： 表示机组出口处的角频率偏差， 、 分别为系统总的机械功率增量和负荷功率增量， 为系统等值阻尼系数；

步骤3.2，对等值转子运动方程进行拉普拉斯变换，得对应系统的传递函数为：；

式中： 为频域形式的角频率偏差，S为拉普拉斯算子， 为 与 作差后经过拉普拉斯变换得到；

步骤3.3，将传递函数进行拉普拉斯逆变换，其时域形式为：；

显然， 为指数形式衰减，其幅值为 的负倒数；

步骤3.4，对时域形式的传递函数进行离散化处理，用 取代 ，将 离散为时间序列函数，传递函数变为：；

步骤3.5，对离散得到的时间序列函数 进行Z变换，得到如下计算式：；

式中：Z表示离散变量，T为单位时间周期。

2.根据权利要求1所述的一种基于非洲秃鹫算法的微网惯性常数估计方法，其特征在于，在所述步骤6中，为得到待求参数H、D，非洲秃鹫算法AVOA包括以下步骤：步骤6.1，初始化非洲秃鹫种群RP，设置非洲秃鹫总数量为N，最大迭代次数为max iterations，随机初始化非洲秃鹫群体位置，初始种群形成后，计算所有解的适应度，选择最佳解作为第一组的最佳秃鹫，选择次优解作为第二组的最佳秃鹫，其他解使用如下式向第一组和第二组的最佳解移动；

；

其中：L1、L2为搜索操作之前给定的参数，其值介于0和1之间，且两个参数之和为1；使用如下式获得选择最佳解的概率，并为每组选择每个最佳解；

；

步骤6.2，使用如下的式子对秃鹫的饥饿率进行数学建模；

；

；

其中：F表示秃鹫饱腹率， 表示当前迭代次数， 表示最大迭代次数，z是介于‑1到1并且每次迭代都会变化的随机数，h是介于‑2到2之间的随机数， 是介于0到1之间的随机数；当z值降到0以下时，表示秃鹫饥饿，如果z值增加到0，则表示秃鹫吃饱了；

秃鹫总数的比例在下降，而且随着每次迭代，下降的幅度更大；当F的值大于1时，秃鹫在不同区域寻找食物，AVOA进入探索阶段；如果F的值小于1，AVOA进入开发阶段，秃鹫在最佳解的附近寻找食物；

步骤6.3，秃鹫采用如下式进行探索：

；

其中： 是[0,1]之间的随机数，P1为预设的探索参数，用于控制探索策略；P(i+1)是下一代迭代中的秃鹫位置向量，F是当前迭代中获得的秃鹫饱腹率，R(i)是最佳秃鹫之一； 和 均为[0,1]之间的随机数；lb和ub分别为寻优的上下边界；

步骤6.4，当F的值介于0.5和1之间时，AVOA进入开发阶段的第一阶段；在第一阶段，执行两种不同的觅食策略，分别是旋转飞行和围攻策略；策略的选择根据P2的值进行选择，具体过程如下进行表示：；

其中： ， ， 均为[0,1]之间的随机数，F是迭代中获得的秃鹫的饱腹率，R(i)是最佳秃鹫之一；

步骤6.5，当F的值小于0.5时，则执行算法的第二阶段；两只秃鹫的行动在食物源上聚集了几种类型的秃鹫，并展开了围攻和争夺食物的侵略斗争；不同策略依据P3进行选择；具体过程如下进行：；

其中： 是当前迭代第一组的最佳秃鹫， 是当前迭代第二组的最佳秃鹫，F是秃鹫饱腹率，P(i)是秃鹫的当前位置向量，Levy(d)是莱维飞行机制，用来提高算法的有效性，d(t)表示秃鹫与两组中最好的秃鹫之间的距离。