技术特征：
1.一种智能电能表可靠性预测方法，其特征在于，包括以下步骤：获取智能电能表中每个组成模块的故障率，将每个所述组成模块的故障率转化为年故障率；基于所述智能电能表中每个组成模块的年故障率，利用统计模拟算法对所述智能电能表中每个组成模块进行时间抽样，确定所述智能电能表中每个组成模块的故障时间；基于所述智能电能表中每个组成模块所对应的实际结构，构建故障树模型；利用所述故障树模型将所述智能电能表中每个组成模块的故障时间转变为智能电能表的整体故障时间；利用区间统计法，计算所述智能电能表的整体故障时间在每个时间区间的可靠度数值，以及，基于每个所述可靠度数值，计算所述智能电能表的可靠度函数曲线。2.根据权利要求1所述的方法，其特征在于，所述组成模块包括显示模块、时钟模块、费控模块、储存模块、时段及费率模块、报警控制模块和485通信模块；以及，所述获取智能电能表中每个组成模块的故障率，包括：获取所述智能电能表中每个组成模块对应的每个元器件的工作失效率；根据式计算智能电能表中每个组成模块的故障率λ
si
；式中，λ
si
为智能电能表中第i个组成模块的故障率；λ
ij
为智能电能表中第i个组成模块第j个元器件的工作失效率，n为智能电能表中的组成模块的数量，m
i
为智能电能中第i个组成模块内的元器件的数量。3.根据权利要求1所述的方法，其特征在于，所述组成模块包括供电模块和计量模块；以及，所述获取智能电能表中每个组成模块的故障率，包括：获取每个所述组成模块的加速试验电压、正常工作电压和电压的加速率常数，按照式v
af
＝exp[β
×
(v
s-v
n
)]，计算电应力加速因子；获取每个所述组成模块在正常工作条件下的百分比相对湿度和绝对温度、在加速应力条件下的百分比相对湿度和绝对温度以及活化能，按照式计算温-湿度加速因子；获取电应力加速试验时间、温-湿度加速试验时间和加速试验样本个数，按照式t
st
＝m(t
v
×
v
af
+t
th
×
th
af
)，计算加速试验的等效试验时间t
st
，将所述等效试验时间作为每个组成模块的故障率；式中，v
af
为电应力加速因子，v
s
为加速试验电压，v
n
为正常工作电压，β为电压的加速率常数；th
af
为温-湿度加速因子，rh
μ
为正常工作条件下的百分比相对湿度，rh
s
为加速应力条件下的百分比相对湿度，t
u
为正常工作条件下的绝对温度，t
s
为加速应力条件下的绝对温度，k为玻尔兹曼常数，ea为活化能，n为常数，取值范围为1～12；t
st
为加速试验的等效试验时间，m为加速试验样本个数，t
v
为电应力加速试验时间，t
th
为温-湿度加速试验时间。4.根据权利要求2或3所述的方法，其特征在于，所述将每个所述组成模块的故障率转化为年故障率，包括：按照式λ
a
＝8760
×
λ
si
，将每个所述组成模块的故障率转化为年故障率；
或者，按照式将每个所述组成模块的故障率转化为年故障率。5.根据权利要求1所述的方法，其特征在于，所述基于智能电能表中每个组成模块的年故障率，利用统计模拟算法对所述智能电能表中每个组成模块进行时间抽样，确定所述智能电能表中每个组成模块的故障时间，包括：设定所述统计模拟算法的每个底事件的分布函数，利用所述智能电能表中每个组成模块的年故障率，计算每个所述分布函数的反函数；每个所述底事件对应一个组成模块；基于预设模拟次数和每个所述分布函数的反函数，计算每个底事件发生故障的抽样时间，将每个所述底事件发生故障的抽样时间作为所述智能电能表中每个组成模块的故障时间。6.根据权利要求1所述的方法，其特征在于，所述利用故障树模型将所述智能电能表中每个组成模块的故障时间转变为智能电能表的整体故障时间，包括：将所述故障树模型转化为数个最小割集，每个所述最小割集中包括数个底事件；每个所述底事件对应一个组成模块；获取每个所述最小割集中最晚发生故障的底事件的故障时间，将所述最晚发生的底事件的故障时间作为对应所述最小割集的故障时间；按照每个所述最小割集的故障时间将发生故障的每个最小割集进行排序，将位列第一位的最小割集的故障时间作为智能电能表的整体故障时间。7.根据权利要求1所述的方法，其特征在于，所述利用区间统计法，计算所述智能电能表的整体故障时间在每个时间区间的可靠度数值，包括：对所述智能电能表的整体故障时间进行抽样，得到数个子时间样本，一个所述子时间样本对应一个整体故障时间；基于数个所述子时间样本对应的时间中间值，确定区间统计所需的时间范围；按照预设时间间隔，将所述时间范围等分为数个时间区间；统计数个所述子时间样本落入每个所述时间区间的总次数；按照式r(t
r
)＝1-m
r
/n，计算所述智能电能表的整体故障时间在每个时间区间的可靠度数值r(t
r
)；式中，m
r
为子时间样本落入第r个时间区间的总次数，n为预设统计次数。8.根据权利要求1所述的方法，其特征在于，所述基于每个所述可靠度数值，计算所述智能电能表的可靠度函数曲线，包括：基于每个时间区间对应的所述可靠度数值进行曲线拟合，得到所述智能电能表的可靠度函数曲线，所述可靠度函数曲线的表达式为r(t)＝1.001exp(-0.00503t)；式中，t为年限时间。9.根据权利要求8所述的方法，其特征在于，所述方法还包括：获取曲线拟合的拟合度，判断所述拟合度是否符合拟合要求值；如果所述拟合度不符合拟合要求值，则增加时间抽样的数量和模拟次数；基于新的时间抽样的数量和新的模拟次数，执行智能电能表的可靠度函数曲线的计算步骤。10.一种智能电能表可靠性预测装置，其特征在于，包括：
年故障率确定模块，用于获取智能电能表中每个组成模块的故障率，将每个所述组成模块的故障率转化为年故障率；时间抽样模块，用于基于所述智能电能表中每个组成模块的年故障率，利用统计模拟算法对所述智能电能表中每个组成模块进行时间抽样，确定所述智能电能表中每个组成模块的故障时间；故障树模型构建模块，用于基于所述智能电能表中每个组成模块所对应的实际结构，构建故障树模型；故障时间转化模块，用于利用所述故障树模型将所述智能电能表中每个组成模块的故障时间转变为智能电能表的整体故障时间；可靠度函数确定模块，用于利用区间统计法，计算所述智能电能表的整体故障时间在每个时间区间的可靠度数值，以及，基于每个所述可靠度数值，计算所述智能电能表的可靠度函数曲线。