В е с т н и к алматинского университета

Вестник Алматинского университета энергетики и связи № 3 (58) 2022
 
29 
[13] Cheng Z. et al. Improved autoencoder for unsupervised anomaly detection //International Journal 
of Intelligent Systems. – 2021. – Т. 36. – №. 12. – С. 7103-7125. 
[14] Kawachi Y., Koizumi Y., Harada N. Complementary set variational autoencoder for supervised 
anomaly detection //2018 IEEE International Conference on Acoustics, Speech and Signal Processing 
(ICASSP). – IEEE, 2018. – С. 2366-2370. 
[15] Munirathinam S. Drift Detection Analytics for IoT Sensors //Procedia Computer Science. – 2021. 
– Т. 180. – С. 903-912. 
[16] Zhang X., Fan P., Zhu Z. A new anomaly detection method based on hierarchical HMM 
//Proceedings of the Fourth International Conference on Parallel and Distributed Computing, Applications 
and Technologies. – IEEE, 2003. – С. 249-252. 
[17] Цымблер М. Л. и др. Очистка сенсорных данных в интеллектуальных системах управления 
отоплением зданий //Вестник Южно-Уральского государственного университета. Серия: 
Вычислительная математика и информатика. – 2021. – Т. 10. – №. 3. – С. 16-36. 
[18] Munir M. et al. Pattern-based contextual anomaly detection in HVAC systems //2017 IEEE 
International Conference on Data Mining Workshops (ICDMW). – IEEE, 2017. – С. 1066-1073. 
[19] Wang K., Wang Y., Yin B. A density-based anomaly detection method for mapreduce //2012 
IEEE 11th International Symposium on Network Computing and Applications. – IEEE, 2012. – С. 159-162. 
[20] Li M., Li P., Xu H. Hyperspectral Anomaly Detection Method Based on Adaptive Background 
Extraction //IEEE Access. – 2020. – Т. 8. – С. 35446-35454. 
[21] Vafaei Sadr A., Bassett B. A., Kunz M. A Flexible Framework for Anomaly Detection via 
Dimensionality Reduction //arXiv e-prints. – 2019. – С. arXiv: 1909.04060. 
[22] Zheng Z., Reddy A. L. N. Safeguarding building automation networks: THE-driven anomaly 
detector based on traffic analysis //2017 26th International Conference on Computer Communication and 
Networks (ICCCN). – IEEE, 2017. – С. 1-11. 
[23] Gunay H. B., Shi Z. Cluster analysis-based anomaly detection in building automation systems 
//Energy and Buildings. – 2020. – Т. 228. – С. 110445. 
[24] Perera D. W. U., Winkler D., Skeie N. O. Multi-floor building heating models in MATLAB and 
Modelica environments //Applied Energy. – 2016. – Т. 171. – С. 46-57. 
[25] Zhang F., Fleyeh H. Anomaly Detection of Heat Energy Usage in District Heating Substations 
Using LSTM based Variational Autoencoder Combined with Physical Model //2020 15th IEEE Conference 
on Industrial Electronics and Applications (ICIEA). – IEEE, 2020. – С. 153-158. 
[26] Park S., Moon J., Hwang E. Explainable Anomaly Detection for District Heating Based on 
Shapley Additive Explanations //2020 International Conference on Data Mining Workshops (ICDMW). – 
IEEE, 2020. – С. 762-765. 
[27] Guzek M. et al. Advanced algorithms for operational optimization and predictive maintenance of 
large district heating systems //2019 IEEE 6th International Conference on Energy Smart Systems (ESS). – 
IEEE, 2019. – С. 165-170.