随着信息时代的到来,我国的电力企业也迎来了快速发展的时期,而电费作为电力企业主要的收入来源,准确预测电费收入成为供电公司储备电量及各项预测的重要标准。供电公司通过电费核算即对电力用户的用电量和用电费用进行核算,为电费回收工作提供具有准确性和真实性的统计数据,并进行电费收入预测。准确预测供电公司的电费收入对电力企业的发展起着重要的影响作用,不仅直接影响着电力企业的经济效益,在很大程度上也影响着电力系统的供电稳定。近年来,研究学者通过查阅大量有关的电费收入等现金流的预测方法以及回归模型、时间序列模型、机器学习模型等理论,其中包括电费收入预测模型的发展历程,对相关理论基础、使用方法以及应用范围等做出了详细的描述和研究。电费收入数据作为受诸多因素影响的时序数据,仅凭简单的统计分析和经验分析难以得到准确的预测模型,而经验分析常常伴随极大的随机因素,因此采用模型预测可以得到更加准确的结果。本文首先介绍了季节性时间序列模型、决策树原理、集成学习算法（包括随机森林模型、XGBoost模型）、支持向量回归模型以及构建混合模型的方法。然后针对日电费收入数据受多种因素影响的特点,进行了时间序列模型的构建和分析,接着分析了多种机器学习的方法,构建了RF-XGBoost混合模型并与单一的随机森林模型、XGBoost模型、支持向量回归模型进行了对比。为了验证RFXGBoost混合模型的有效性,本文利用延边地区日电费收入数据进行了预测实验。实验结果显示,RF-XGBoost混合模型的预测误差相比其它3种模型有明显减小,以此证明了RF-XGBoost混合模型的有效性。