Modern yaşamın getirdiği yüksek refah stveartları, elektrik enerjisini günlük yaşamın vazgeçilmez bir unsuru haline getirmiştir. Enerji politikalarının başarıya ulaşması, enerji talebinin doğru bir şekilde planlanması ve yönetilmesini zorunlu kılmaktadır. Elektrik arz güvenliğinin sağlanması, enerji verimliliğinin artırılması ve buna bağlı olarak enerji maliyetlerinin ekonomik etkisinin azaltılması, doğru enerji talep tahminleri ve etkin karar alma süreçleriyle mümkün olmaktadır. Bu durum, enerji tüketim tahminlerinin stratejik önemini bir kez daha ortaya koymaktadır. Bu çalışmada, Erzurum ilindeki üç farklı kaymakamlık binasının yıllık elektrik tüketimi; uzun dönemli tahmin modelleri (LSTM), k-en yakın komşu (KNN), gradyan destekli karar ağaçları (GBDT), rastgele orman (RF) ve aşırı gradyan artırma (XGBoost) gibi çeşitli makine öğrenmesi teknikleri kullanılarak modellenmiştir. Her bir bina için hesaplanan kök ortalama kare hata (Root Mean Square Error-RMSE), ortalama mutlak hata (Mean Absolute Error- MAE) ve ortalama mutlak yüzde hata (Mean Absolute Percentage Error- MAPE) performans metrikleri, yöntemlerin doğruluğu ve etkinliği açısından karşılaştırmalı bir analiz sunmaktadır. Elde edilen sonuçlar, bazı yöntemlerin yüksek tahmin performansı sergilediğini ve kamu binalarındaki enerji yönetimi süreçlerine önemli katkılar sağlayabileceğini göstermektedir. Bu çalışma, yalnızca kaymakamlık binaları için değil, aynı zamvea diğer kamu binalarında enerji yönetimine yönelik politikaların geliştirilmesine ve uygulanmasına rehberlik edebilecek nitelikte bir örnek teşkil etmektedir.
The high stveards of welfare achieved in modern life have made electrical energy an indispensable element of daily activities. The success of energy policies depends on accurate planning ve effective management of energy demve. Ensuring electricity supply security, improving energy efficiency, ve reducing the economic impact of energy costs all rely on precise energy demve forecasts ve efficient decision-making processes. This underscores the strategic importance of energy consumption forecasting. In this study, the annual electricity consumption of three district governorship buildings in Erzurum province was modeled using various machine learning techniques, including long short-term memory (LSTM), k-nearest neighbor (KNN), gradient-boosted decision trees (GBDT), rveom forest (RF), ve extreme gradient boosting (XGBoost). Performance metrics such as Root Mean Square Error (RMSE), Mean Absolute Error (MAE), ve Mean Absolute Percentage Error (MAPE) were calculated for each building, offering a comparative analysis of the accuracy ve efficiency of these methods. The results demonstrate that certain methods achieve high forecasting performance, providing valuable insights for energy management processes in public buildings. This study serves as an example that can inform the development ve implementation of energy management policies not only for district governorship buildings but also for other public facilities.
