我想从日常电力需求（时间序列）中消除季节性。我的理解是每周（周二、周三需求量大，周六、周日需求量低）和年度季节性（冬季需求量高，夏季需求量低）。我试图建立一个模型来预测 R 中的每日电力需求，并绘制我的数据，如下所示：
我尝试使用以下方法消除季节性：
demand.xts.diff<-diff(demand.xts,lag=1,difference=1)
demand.xts.diff<-diff(demand.xts,lag=7,difference=1)
我也尝试使用lag=365and lag=366（由于闰年问题，我不确定要使用什么滞后），但它们都没有成功消除季节性。ACF 和 PACF 如下所示：
任何建议表示赞赏。
对日常电力需求进行建模是一项数据密集型工作。为了简化这一点，更容易开始“缩小”，估计每月负载。这是一篇文章（带有 Youtube 视频），描述了一个简单易懂的月度模型。文章包括R代码：
http://revgr.com/2012/11/06/all-forecasts-are-wrong-but-some-generate-fewer-complaints/
当你“放大”到更短的时间框架时，问题变得越来越复杂。例如，每月模型包括整数 12 个月/年并从第 1 个月的开始开始，而每周模型包括非整数 52.18 周/年并且可能从一周开始、周中开始，周末等（即您不能直接将一年的“第 1 周”与下一年的“第 1 周”进行比较，它们从不同的日子开始）。当您下降到每天或每小时的时间范围时，它会变得更加复杂。
时间框架的层次结构，从最长的时间框架开始，通常是：
1) 人口增长和经济活动。
2) 长期季节性温度条件（夏季、冬季等）。
3) 星期几（星期二、星期三和星期四通常是相似的工作日；其余的日子有各自的“星期几”值）。
4) 节假日，节假日的前一天和后一天（许多节假日的值与典型的星期日“星期几”值相似）。
5) 由于一天中的时间、较冷的夜晚、较温暖的白天、是否阳光普照、是否下雨等而产生的温度（这是对上述第 2 项的改进）。
6) 白天的工作量。人们通常晚上在家，白天工作，所以很多用电的工作场所在晚上关闭。
7) 其他术语，如湿度、夏令时等。
底线是，在每日和每小时的时间范围内，需要大量数据（和复杂性）。
你可以谷歌“每日电力负荷模型”（或每小时模型），各种论文都会出现。有些是基于神经网络、支持向量机等的。这是 Rob Hyndman 的一篇论文的链接，该论文解释了另一种技术。
http://www.tandfonline.com/doi/abs/10.1198/jasa.2011.tm09771#.UrNTUtJDuyw
该论文中使用的方法在“预测”包中：
我和 ucm 一起玩得很开心。您可以将其建模为每日季节性和年度周期。你也有一个非常明显的趋势。
如果您成功使用 ucm (proc ucm)，请在此处发帖