1.一种跨风电机组的迁移故障诊断方法，其特征在于包括以下步骤：

步骤S1：利用风电机组自带的SCADA系统采集多组同风场同类型的风电机组SCADA数据，并进行数据预处理及数据打标；

步骤S2：将风电机组划分源域机组和目标域机组，源域机组SCADA数据和少量目标域机组SCADA数据作为训练集，其余的目标域机组SCADA数据按比例划分验证集和测试集；

步骤S3：针对风电机组SCADA数据设计深度卷积神经网络特征学习模块，进行特征的融合提取，得到不同风电机组SCADA数据的深层特征；

步骤S4：构建瓶颈层和分类层，用于集成多种领域自适应方法，多准则加权联合度量，对齐风电机组SCADA数据的差异，并将计算得到的多种迁移损失加权作为联合正则项参与神经网络的反向传播过程，提高对不同风电机组SCADA数据的泛化能力；

步骤S41、搭建瓶颈层；瓶颈层包括线性层、批标准化层、ReLU激活以及Dropout层；

步骤S42、设计迁移学习领域自适应框架；设计集成领域自适应中常用的三种距离度量：考虑数据边缘分布的最大均值差异MMD、考虑数据边缘分布和条件分布的联合最大均值差异JMMD以及综合考虑均值和方差对齐源域和目标域二阶统计量的CORAL关联对齐法；

步骤S43、多准则加权联合度量；集成MMD、JMMD和CORAL三种准则加权联合度量，将瓶颈层输出的数据特征进行数据分布自适应对齐，减小机组数据间多方面的分布差异；训练过程中实时输出三种距离度量值的加权和，返回网络框架的联合迁移损失,最终的优化函数如下：其中， 表示联合迁移损失， 表示MMD损失， 表示JMMD损失， 表示CORAL损失；σ1、σ2、σ3分别是三种距离度量的加权参数，通过设计程序随模型迭代训练自动更新优化；w表示深度训练的权重参数；

步骤S5：将步骤4中分布对齐后的特征输入到分类层中，输出得到目标域机组SCADA数据的故障类型。

2.根据权利要求1所述的一种跨风电机组的迁移故障诊断方法，其特征在于：所述步骤S1的具体步骤为：步骤S11、SCADA数据包含V个变量、S个单点样本，标注每个样本的故障类型，对数据进行最大最小值归一化处理，计算公式如下：其中yij是标准化处理后的多变量时间序列中变量j的第i个值，xij是原始多变量时间序列中变量j的第i个值，min(xj)和max(xj)分别是变量j的最小值和最大值；

步骤S12、将步骤S11处理后的数据分批进行加载以供后续建模使用，最终得到的数据大小为：M×1×V，M表示batch的大小，V表示变量数。

3.根据权利要求1所述的一种跨风电机组的迁移故障诊断方法，其特征在于：所述步骤S2包括如下具体步骤：步骤S21、将机组划分目标域机组和源域机组，构建跨机组的场景，利用源域SCADA数据和少量目标域SCADA数据训练高泛化能力的模型；

步骤S22、将目标域SCADA数据按2:1:7的比例随机拆分为目标域训练集、目标域验证集和目标域测试集。

4.根据权利要求1所述的一种跨风电机组的迁移故障诊断方法，其特征在于：所述步骤S3包括如下具体步骤：步骤S31、针对SCADA数据设计深度卷积网络特征学习模块，卷积层选取ReLU激活函数，并内置Dropout层和批标准化层以提高模型的训练效果，从而获得信号的空间特征；深度卷积神经网络共有2个卷积层和1个线性层，卷积层的卷积核大小为1×F，数量为N；

步骤S32、设计全连接层，输出SCADA数据的深层特征，并返回输出节点数；卷积模块和全连接层共同构成迁移框架的基础网络。

5.根据权利要求1所述的一种跨风电机组的迁移故障诊断方法，其特征在于：所述步骤S5包括如下具体步骤：步骤S51、设计分类层，输出跨机组故障诊断结果，计算交叉熵损失；分类层包括两个线性层以及内置的ReLU激活函数和Dropout层，前一个线性层用于连接瓶颈层，输入经过对齐后的特征，末端的线性层用于输出目标域的分类结果，返回交叉熵损失；

步骤S52、交叉熵损失在联合迁移损失正则项的约束下，作为最终目标函数共同参与网络的反向传播，通过训练的迭代优化跨机组迁移框架的性能，目标函数表达式如下：其中， 表示最终目标函数， 表示交叉熵损失， 表示联合迁移损失，λ是联合迁移正则项系数，作为超参数进行手动调节；σ1、σ2、σ3分别是三种距离度量的加权参数，w表示深度训练的权重参数。