Este documento propone un nuevo modelo de diagnóstico de fallas para sistemas de energía eólica llamado red neuronal de memoria a largo plazo anidada con convolución residual y mecanismo de atención (rlaNet). El método primero preprocesa los datos SCADA a través de ingeniería de características, utiliza el método de interpolación de Hermite para manejar datos faltantes y emplea la técnica de reducción de dimensionalidad basada en información mutua para mejorar la calidad de los datos y eliminar información redundante. rlaNet combina redes residuales y redes neuronales de memoria a largo plazo anidadas para reemplazar las redes neuronales convolucionales tradicionales y las arquitecturas estándar de memoria a corto plazo, mejorando así la extracción de características y garantizando la abstracción y profundidad de las características extraídas. Además, el modelo enfatiza el aprendizaje ponderado de características espacio-temporales en los datos de entrada, mejora el enfoque en características clave y aumenta la eficiencia del entrenamiento. Los resultados experimentales muestran que rlaNet logra una precisión de más del 90% en el diagnóstico de fallas en turbinas eólicas, demostrando una buena robustez. Además, experimentos de simulación de ruido verifican la resistencia del modelo a la interferencia, proporcionando una solución confiable para el diagnóstico de fallas en turbinas eólicas en condiciones operativas complejas.