1.一种时空多尺度神经网络的风电机组故障诊断方法，包括以下步骤：

从风电场的数据采集与监测控制系统中采集风电机组运行数据；

将采集的数据进行数据打标和数据预处理，形成时空多尺度网络数据；

将所述时空多尺度网络数据并行输入到时空多尺度神经网络模型中的深度回声状态网络和多尺度残差网络，分别进行多变量时间序列时间多尺度特征的提取和空间多尺度特征的提取；

将所述时间多尺度特征和空间多尺度特征进行融合，获得时空多尺度融合特征；

将所述时空多尺度融合特征输入到所述时空多尺度神经网络模型中的softmax层，得到最终的风电机组故障诊断结果。

2.根据权利要求1所述的方法，其特征在于，所述数据打标包括：根据警告数据和运行状态数据给采集的数据打标记。

3.根据权利要求1所述的方法，其特征在于，所述预处理包括：

将数据划分为训练集和测试集；

针对故障数据严重少于正常数据的数据不平衡情况，根据故障数据的数量对正常数据进行降采样处理；

针对数据各变量取值差异较大不利于特征提取的情况，将数据进行归一化操作，使得各变量取值均在区间[0,1]之间。

4.根据权利要求1所述的方法，其特征在于，所述将所述时空多尺度网络数据并行输入到时空多尺度神经网络模型中的深度回声状态网络和多尺度残差网络，分别进行多变量时间序列时间多尺度特征的提取和空间多尺度特征的提取，包括：将所述时空多尺度网络数据输入多个回声状态网络的串联结构中，并将各个回声状态网络输出的各段时间特征合并，得到时间多尺度特征；

将所述时空多尺度网络数据输入到卷积核大小为1的1维卷积层，再把特征图延特征轴平均分为四个小特征图，将第一小特征图输入到卷积核为1的1维卷积层得到第一特征，将第二小特征图和所述第一特征输入到卷积核为3的1维卷积层得到第二特征，将第三小特征图和所述第二特征输入到卷积核为5的1维卷积层得到第三特征，将第四小特征图和所述第三特征输入到卷积核为7的1维卷积层得到第四特征，最后将所述第一特征、所述第二特征、所述第三特征和所述第四特征合并在一起，输入到卷积核为1的1维卷积层得到空间多尺度特征。

5.根据权利要求4所述的方法，其特征在于，所述将所述时间多尺度特征和空间多尺度特征进行融合，获得时空多尺度融合特征，包括:将所述时间多尺度特征和空间多尺度特征通过Concatenate层融合在一起。

6.根据权利要求1所述的方法，其特征在于，所述将所述时空多尺度融合特征输入到所述时空多尺度神经网络模型中的softmax层，得到最终的风电机组故障诊断结果，包括：确定训练数据故障种类数n，最终分类数为n+1，其中1种为正常类型；其中，n为大于等于1的正整数；

将所述多尺度时空特征输入到所述时空多尺度神经网络模型中的softmax层，损失函数为交叉熵损失函数，优化器为自适应矩估计优化器。