1.一种风电机组联邦故障诊断方法，其特征在于，所述方法包括：步骤S10：基于风电场内相同类型风电机组构建风电机组的训练集和测试集；

步骤S20：基于联邦学习框架，根据所述训练集对本地故障诊断模型进行训练，获得各风电机组对应的最优共享故障诊断模型；

步骤S30：将所述测试集输入至各风电机组对应的所述最优共享故障诊断模型进行风电机组故障诊断，获得风电机组故障诊断结果；所述最优共享故障诊断模型包括多尺度残差网络、注意力机制网络、长短期记忆网络和softmax分类层。

2.根据权利要求1所述的风电机组联邦故障诊断方法，其特征在于，所述基于联邦学习框架，根据所述训练集对本地故障诊断模型进行训练，获得各风电机组对应的最优共享故障诊断模型，包括：

步骤S201：初始化各风电机组对应的本地故障诊断模型的参数；所述参数包括初始权重 全局迭代总次数K＝50、客户端总数N＝10、客户端选择比例C＝0.5、客户端批处理大小b＝128、学习率α＝0.01和丢弃率Dropout＝0.5；其中， 表示第N台风电机组对应的本地故障诊断模型的初始权重；

中央服务器端执行以下步骤：

步骤S202：令全局迭代初始次数k为0，n为1，初始计步次数t＝0；

步骤S203：随机选取设定台数不同地点的风电机组作为联邦学习框架下不同的客户端；根据所述客户端总数N和客户端选择比例C确定设定台数Z；

步骤S204：中央服务器作为训练协作者，协作更新风电机组端第n台风电机组第k次全局迭代训练对应的本地故障诊断模型的权重参数步骤S205：判断n是否小于Z；如果n大于或等于Z，则执行“步骤S206”；如果n小于Z，则令n＝n+1，并返回“步骤S204”；

步骤S206：令t＝t+1，并判断t％τ是否等于0；如果t％τ等于0，则执行“步骤S207”；如果t％τ不等于0，则返回“步骤S204”；

步骤S207：采用聚合算法，根据 确定第k次全局迭代次数对应的全局权重参数 其中，Z表示设定台数，M()表示噪声发生器， 表示更新后的第n台风电机组第k次全局迭代训练对应的本地故障诊断模型的权重参数；

步骤S208：将更新后的全局权重参数 部署到Z台风电机组作为各本地故障诊断模型第k+1次本地迭代更新前的权重参数 并判断k是否大于或等于K；如果k大于或等于K，则执行“步骤S209”；如果k小于K，则令k＝k+1，并返回“步骤S203”；

步骤S209：令各台风电机组判断由损失函数得到的损失值是否连续设定次数小于某一固定值；如果连续设定次数小于某一固定值，则说明收敛，停止本地参数的上传及全局权重参数的更新，将最后一次部署到各风电机组的全局参数作为最优参数，将最优参数对应的本地故障诊断模型作为最优共享故障诊断模型输出；如果连续设定次数大于或等于某一固定值，则说明未收敛，令k＝k+1，并返回“步骤S203”。

3.根据权利要求2所述的风电机组联邦故障诊断方法，其特征在于，所述基于联邦学习框架，根据所述训练集对本地故障诊断模型进行训练，获得各风电机组对应的最优共享故障诊断模型，还包括：

风电机组端执行以下步骤：

步骤S210：令Q＝1，n＝1；

步骤S211：利用 更新第n台风电机组第k次全局迭代训练对应的本地故障诊断模型的权重参数 其中，表示采用交叉熵损失函数，α表示学习率，b表示客户端训练集的批处理大小， 表示梯度，步骤S212：判断n是否小于Z；如果n大于或等于Z，则执行“步骤S213”；如果n小于Z，则令n＝n+1，并返回“步骤S211”；

步骤S213：判断Q是否小于τ；如果Q大于或等于τ，则将更新后的权重参数 作为本地参数上载至中央服务器端；如果Q小于τ，则令Q＝Q+1，并返回“步骤S211”。

4.根据权利要求1所述的风电机组联邦故障诊断方法，其特征在于，所述基于风电场内相同类型风电机组构建风电机组的训练集和测试集，具体包括：步骤S101：基于风电场内相同类型不同地点的风电机组构建本地样本集；

步骤S102：对所述本地样本集内的各多变量时间序列数据进行归一化处理，获得归一化样本集；

步骤S103：按照设定比例将所述归一化样本集进行划分，获得风电机组的训练集和测试集。

5.根据权利要求1所述的风电机组联邦故障诊断方法，其特征在于，所述将所述测试集输入至各风电机组对应的所述最优共享故障诊断模型进行风电机组故障诊断，获得风电机组故障诊断结果，具体包括：

步骤S301：利用所述多尺度残差网络捕获所述测试集中空间多尺度特征；

步骤S302：利用所述注意力机制对所述空间多尺度特征进行加权处理，保留重要特征；

步骤S303：将所述重要特征输入所述长短期记忆网络进一步挖掘数据的时间相关性，获得时空多尺度特征；

步骤S304：将所述时空多尺度特征输入到softmax分类层进行故障诊断，获得风电机组故障诊断结果。

6.一种风电机组联邦故障诊断系统，其特征在于，所述系统包括：集合构建模块，用于基于风电场内相同类型风电机组构建风电机组的训练集和测试集；

最优共享故障诊断模型训练模块，用于基于联邦学习框架，根据所述训练集对本地故障诊断模型进行训练，获得各风电机组对应的最优共享故障诊断模型；

故障诊断模块，用于将所述测试集输入至各风电机组对应的所述最优共享故障诊断模型进行风电机组故障诊断，获得风电机组故障诊断结果；所述最优共享故障诊断模型包括多尺度残差网络、注意力机制网络、长短期记忆网络和softmax分类层。

7.根据权利要求6所述的风电机组联邦故障诊断系统，其特征在于，所述最优共享故障诊断模型训练模块，包括：

初始化单元，用于初始化各风电机组对应的本地故障诊断模型的参数；所述参数包括初始权重 全局迭代总次数K＝50、客户端总数N＝10、客户端选择比例C＝

0.5、客户端批处理大小b＝128、学习率α＝0.01和丢弃率Dropout＝0.5；其中， 表示第N台风电机组对应的本地故障诊断模型的初始权重；

中央服务器端：

第一赋值单元，用于令全局迭代初始次数k为0，n为1，初始计步次数t＝0；

风电机组选取单元，用于随机选取设定台数不同地点的风电机组作为联邦学习框架下不同的客户端；根据所述客户端总数N和客户端选择比例C确定设定台数Z；

第一更新单元，用于中央服务器作为训练协作者，协作更新风电机组端第n台风电机组第k次全局迭代训练对应的本地故障诊断模型的权重参数ωnk；

第一判断单元，用于判断n是否小于Z；如果n大于或等于Z，则执行“第二判断单元”；如果n小于Z，则令n＝n+1，并返回“第一更新单元”；

第二判断单元，用于令t＝t+1，并判断t％τ是否等于0；如果t％τ等于0，则执行“聚合单元”；如果t％τ不等于0，则返回“第一更新单元”；

聚合单元，用于采用聚合算法，根据 确定第k次全局迭代次数对应的全局权重参数 其中，Z表示设定台数，M()表示噪声发生器， 表示更新后的第n台风电机组第k次全局迭代训练对应的本地故障诊断模型的权重参数；

第三判断单元，用于将更新后的全局权重参数 部署到Z台风电机组作为各本地故障诊断模型第k+1次本地迭代更新前的权重参数 并判断k是否大于或等于K；如果k大于或等于K，则执行“第四判断单元”；如果k小于K，则令k＝k+1，并返回“风电机组选取单元”；

第四判断单元，用于令各台风电机组判断由损失函数得到的损失值是否连续设定次数小于某一固定值；如果连续设定次数小于某一固定值，则说明收敛，停止本地参数的上传及全局权重参数的更新，将最后一次部署到各风电机组的全局参数作为最优参数，将最优参数对应的本地故障诊断模型作为最优共享故障诊断模型输出；如果连续设定次数大于或等于某一固定值，则说明未收敛，令k＝k+1，并返回“风电机组选取单元”。

8.根据权利要求7所述的风电机组联邦故障诊断系统，其特征在于，所述最优共享故障诊断模型训练模块，还包括：

风电机组端：

第二赋值单元，用于令Q＝1，n＝1；

第二更新单元，用于利用 更新第n台风电机组第k次全局迭代训练对应的本地故障诊断模型的权重参数 其中，表示采用交叉熵损失函数，α表示学习率，b表示客户端训练集的批处理大小， 表示梯度，第五判断单元，用于判断n是否小于Z；如果n大于或等于Z，则执行“第六判断单元”；如果n小于Z，则令n＝n+1，并返回“第二更新单元”；

第六判断单元，用于判断Q是否小于τ；如果Q大于或等于τ，则将更新后的权重参数 作为本地参数上载至中央服务器端；如果Q小于τ，则令Q＝Q+1，并返回“第二更新单元”。

9.根据权利要求6所述的风电机组联邦故障诊断系统，其特征在于，所述故障诊断模块，具体包括：

捕获单元，用于利用所述多尺度残差网络捕获所述测试集中空间多尺度特征；

加权处理单元，用于利用所述注意力机制对所述空间多尺度特征进行加权处理，保留重要特征；

数据挖掘单元，用于将所述重要特征输入所述长短期记忆网络进一步挖掘数据的时间相关性，获得时空多尺度特征；

故障诊断单元，用于将所述时空多尺度特征输入到softmax分类层进行故障诊断，获得风电机组故障诊断结果。

10.根据权利要求6所述的风电机组联邦故障诊断系统，其特征在于，所述集合构建模块，具体包括：

本地样本集构建单元，用于基于风电场内相同类型不同地点的风电机组构建本地样本集；

归一化处理单元，用于对所述本地样本集内的各多变量时间序列数据进行归一化处理，获得归一化样本集；

集合划分单元，用于按照设定比例将所述归一化样本集进行划分，获得风电机组的训练集和测试集。