Аннотация:Работа посвящена исследованию и разработке методов обнаружения аномального поведения оборудования, то есть периодов, в которые признаки функционирования не соответствуют обычным. Под поведением оборудования понимается временной ряд потребления электроэнергии. В работе проведен обзор существующих подходов к обнаружению аномального поведения энергопотребления приборов и представления данных о потреблении электроэнергии. Проведены исследования методов обучения без учителя, а также методы авторегрессии, основанные на нейронных сетях и градиентном бустинге. Был проведен анализ таких методов представления временного ряда, как EMD, SSA, фильтр Калмана. Все описанные методы разработаны и протестированы на научных наборах данных LEAD, содержащий временной ряд с разметкой об энергопотреблении зданий, и IQDS, представляющий данные об энергопотреблении вентиляционной системы, для которого в была осуществлена разметка. Предложен подход, основанный на авторегрессии с использованием CatBoostRegressor и предобработкой с помощью SSA, показавший наилучший результат на наборе данных IQDS. Для набора данных LEAD предложен подход с предобработкой EMD и алгоритмом LOF, показавший лучшие результаты, чем предоставили авторы набора данных.