Machine Learning Approaches for Energy Management in Public Buildings

Öz

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.

Anahtar Kelimeler

• Energy efficiency
• Energy management
• Electricity consumption prediction
• Machine learning approaches

Kamu Binalarında Enerji Yönetimi için Makine Öğrenmesi Yaklaşımları

Öz

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.

Anahtar Kelimeler

• Enerji verimliliği
• Enerji yönetimi
• Elektrik tüketim tahmini
• Makine öğrenmesi yaklaşımları

Kaynakça

1. Akkurt T, Sarıçiçek İ. 2024. Derin öğrenme teknikleri kullanılarak üretim sistemlerinde KPI tabanlı performans tahminleme. Gazi Univ Müh Mim Fak Derg, 39(3): 1499-1508.
2. Aydın R. 2023. Satış adedini etkileyen değişkenlerin keşfi ve duyarlılık analizi uygulaması: E-ticaret örneği. Yüksek Lisans Tezi, İstanbul Teknik Univ, Lisansüstü Eğitim Enstitüsü, İstanbul, Türkiye, pp: 45-46.
3. Balaban ME, Kartal E. 2018. Veri Madenciliği ve Makine Öğrenmesi Temel Algoritmaları ve R Dili ile Uygulamaları. Çağlayan Kitabevi, İstanbul, Türkiye, 2. Baskı, pp: 56-59
4. Balta M. 2024. Rulman Titreşim Verilerinden Derin Öğrenme Tabanlı Hata Tespiti. Yüksek Lisans Tezi, Maltepe Univ, Lisansüstü Eğitim Enstitüsü, İstanbul, Türkiye, pp: 45-85
5. Başoğlu B, Bulut M. 2017. Kısa Dönem Elektrik Talep Tahminleri İçin Yapay Sinir Ağları ve Uzman Sistemler Tabanlı Hibrit Sistem Geliştirilmesi. Gazi Univ Müh Mim Fak Derg, 32(2): 575-583
6. Botman L, Lago J, Becker T, Vanthournout K, De Moor B. 2025. A global probabilistic approach for short-term forecasting of individual households electricity consumption. Appl Energy, 382: 125168
7. Breiman L. 2001. Rveom forests, machine learning. Kluwer Academic Publ, Dordrecht, Netherlves, 45(1): 5-32
8. Cao Z, Yuan P, Ma YB. 2014. Energy demve forecasting based on economy-related factors in China. Energy Sources Part B, 9(2): 214-219

9. Chen T, Guestrin C. 2016. XGBoost: A Scalable Tree Boosting System. In Proc 22nd ACM SIGKDD Int Conf Knowl Discov Data Min, 13-17 Aug 2016, San Francisco, CA, USA, pp: 785–794
10. Cui X, Lee M, Koo C, Hong T. 2024. Energy consumption prediction ve household feature analysis for different residential building types using machine learning ve SHAP: Toward energy-efficient buildings. Energy Build, 309: 113997
11. Çayır A, Yenidoğan I, Dağ H. 2018. Konutların Günlük Elektrik Güç Tüketimi Tahmini İçin Uygun Model Seçimi. Fırat Univ Müh Bil Derg, 30(3): 15-21
12. Çuhadar M. 2006. Turizm Sektöründe Talep Tahmini İçin Yapay Sinir Ağları Kullanımı ve Diğer Yöntemlerle Karşılaştırmalı Analizi (Antalya İlinin Dış Turizm Talebinde Uygulama). Doktora Tezi, Süleyman Demirel Univ, Sosyal Bilimler Enstitüsü, Isparta, Türkiye, pp: 45-87
13. Dash SK, Roccotelli M, Khansama RR, Fanti MP, Mangini AM. 2021. Long term household electricity demve forecasting based on RNN-GBRT model ve a novel energy theft detection method. Appl Sci, 11(18): 8612
14. Demolli H, Dokuz AS, Ecemis A, Gokcek M. 2019. Wind power forecasting based on daily wind speed data using machine learning algorithms. Energy Convers Manag, 198: 111823
15. Dev VA, Eden MR. 2019. Formation lithology classification using scalable gradient boosted decision trees. Comput Chem Eng, 128: 392-404
16. Dong X, Luo Y, Yuan S, Tian Z, Zhang L, Wu X, Liu B. 2025. Building electricity load forecasting based on spatiotemporal correlation ve electricity consumption behavior information. Appl Energy, 377: 124580
17. Eşidir KA. 2025. Makine Öğrenimi Modelleri İle Yetişkin Eğitimi Analizi: Modellerin Karşılaştırmalı Performansı. Elektronik Sosyal Bilimler Dergisi, 24(2): 946-964
18. Filippov SP, Malakhov VA, Veselov FV. 2021. Long-term energy demve forecasting based on a systems analysis. Thermal Eng, 68: 881-894
19. Goodfellow I, Bengio Y, Courville A. 2016. Deep Learning. MIT Press, Cambridge, 1(2), pp: 800
20. Gök M. 2017. Makine öğrenmesi yöntemleri ile akademik başarının tahmin edilmesi. Gazi Univ J Sci Part C: Des Technol, 5(3): 139-148
21. Grveón TG, Schwenzer J, Steens T, Breuing J. 2024. Electricity demve forecasting with hybrid classical statistical ve machine learning algorithms: Case study of Ukraine. Appl Energy, 355: 122249
22. Guo G, Wang H, Bell D, Bi Y, Greer K. 2003. KNN Model-Based Approach in Classification. In OTM Confederated Int Conf, Catania, Sicily, Italy, 3-7 Nov 2003, pp: 986-996
23. Gültepe Y. 2019. Makine öğrenmesi algoritmaları ile hava kirliliği tahmini üzerine karşılaştırmalı bir değerlendirme. Avrupa Bilim ve Teknoloji Dergisi, 16: 8-15
24. Gür YE, Eşidir KA, Şimşek Aİ. 2024. Sağlık İstatistiklerinin Veri Madenciliği Teknikleri İle Analizi: Makine Öğrenmesi Algoritmaları Kullanılarak Genel Sağlık Durumunun Sınıflveırılması. Afyon Kocatepe Univ Fen ve Müh Bil Derg, 24(06): 1364-1381
25. Hastie T, Tibshirani R, Friedman J. 2009. The elements of statistical learning: data mining, inference, ve prediction. Springer Sci & Bus Media, New York, 2nd ed, pp: 758
26. He Y, Lin B. 2018. Forecasting China's total energy demve ve its structure using ADL-MIDAS model. Energy, 151: 420-429
27. Hochreiter S, Schmidhuber J. 1996. LSTM can solve hard long time lag problems. In Advances in Neural Inf Process Syst, 2-5 Dec 1996, Denver, CO, USA, 9: 473-479
28. Hochreiter S, Schmidhuber J. 1997. Long short-term memory. Neural Comput, 9(8): 1735-1780
29. Hsu PC, Gao L, Hwang Y. 2025. Comparative study of LSTM ve ANN models for power consumption prediction of variable refrigerant flow (VRF) systems in buildings. Int J Refrig, 169: 55-68
30. Hwang J, Suh D, Otto MO. 2020. Forecasting electricity consumption in commercial buildings using a machine learning approach. Energies, 13(22): 5885
31. Iftikhar H, Turpo-Chaparro JE, Canas Rodrigues P, López-Gonzales JL. 2023. Day-Ahead Electricity Demve Forecasting Using a Novel Decomposition Combination Method. Energies, 16(18): 6675
32. Kazemzadeh MR, Amjadian A, Amraee T. 2020. A hybrid data mining driven algorithm for long term electric peak load ve energy demve forecasting. Energy, 204: 117948
33. Khan M, Ding Q, Perrizo W. 2002. K-nearest Neighbor Classification on Spatial Data Streams Using P-trees. Adv Knowl Discov Data Min, 2336: 517-528
34. Kim YS, Kim MK, Fu N, Liu J, Wang J, Srebric J. 2025. Investigating the impact of data normalization methods on predicting electricity consumption in a building using different artificial neural network models. Sustain Cities Soc, 118: 105570
35. Kulkarni V, Sinha PK. 2012. Pruning of rveom forest classifiers: a survey ve future directions. In 2012 Int Conf Data Sci & Eng (ICDSE), IEEE, 18-20 Jul 2012, Cochin, India, pp: 64-68
36. Lei L, Shao S, Liang L. 2024. An evolutionary deep learning model based on EWKM, rveom forest algorithm, SSA ve BiLSTM for building energy consumption prediction. Energy, 288: 129795
37. Li X, Jiang M, Cai D, Song W, Sun Y. 2024. A Hybrid Forecasting Model for Electricity Demve in Sustainable Power Systems Based on Support Vector Machine. Energies, 17(17): 4377
38. Li X, Wang Z, Yang C, Bozkurt A. 2024. An advanced framework for net electricity consumption prediction: Incorporating novel machine learning models ve optimization algorithms. Energy, 296: 131259
39. Li Y, Jones B. 2019. The use of extreme value theory for forecasting long-term substation maximum electricity demve. IEEE Trans Power Syst, 35(1): 128-139
40. Liu Y, Chen H, Zhang L, Wu X, Wang XJ. 2020. Energy consumption prediction ve diagnosis of public buildings based on support vector machine learning: A case study in China. J Clean Prod, 272: 122542
41. Man H, Huang H, Qin Z, Li Z. 2023. Analysis of a sarima-xgboost model for hve, foot, ve mouth disease in xinjiang, china. Epidemiol Infect, 151: 200
42. Mayr A, Binder H, Gefeller O, Schmid M. 2014. The evolution of boosting algorithms. Methods Inf Med, 53(6): 419-427
43. Mercan V. 2023. Metinsel veriler için çok sınıflı problemlere hata düzelten kod tabanlı kolektif öğrenme yönteminin uygulanması. Yüksek Lisans Tezi, İstanbul Sabahattin Zaim Univ, Lisansüstü Eğitim Enstitüsü, İstanbul, Türkiye, pp: 54
44. Nacar EN, Erdebilli B. 2021. Makine Öğrenmesi Algoritmaları İle Satış Tahmini. Endüstri Müh, 32(2): 307-320
45. Nebati EE, Taş M, Ertaş G. 2021. Türkiye’de Elektrik Tüketiminde Talep Tahmini: Zaman Serisi Ve Regresyon Analizi İle Karşılaştırma. Avrupa Bilim ve Teknoloji Dergisi, 31: 348-357
46. Nikseresht A, Amindavar H. 2024. Energy demve forecasting using adaptive ARFIMA based on a novel dynamic structural break detection framework. Appl Energy, 353: 122069
47. Olu-Ajayi R, Alaka H, Sulaimon I, Sunmola F, Ajayi S. 2022. Building energy consumption prediction for residential buildings using deep learning ve other machine learning techniques. J Build Eng, 45: 103406
48. Özkan Y. 2008. Veri Madenciliği Yöntemleri. Papatya Yayıncılık, İstanbul, Türkiye, pp: 45-65.
49. Peker M, Özkaraca O, Kesimal B. 2017. Enerji tasarruflu bina tasarımı için ısıtma ve soğutma yüklerini regresyon tabanlı makine öğrenmesi algoritmaları ile modelleme. Bilişim Teknolojileri Dergisi, 10(4): 443-449
50. Peterson LE. 2009. K-nearest neighbor. Scholarpedia, 4(2):1883
51. Silahtaroğlu G. 2008. Kavram ve Algoritmalarıyla Temel Veri Madenciliği. Papatya Yayıncılık, İstanbul, Türkiye, pp: 65-96.
52. Sinap V. 2024. Perakende Sektöründe Makine Öğrenmesi Algoritmalarının Karşılaştırmalı Performans Analizi: Black Friday Satış Tahminlemesi. Selçuk Univ Sos Bil Meslek Yüksekok Derg, 27(1): 65-90
53. Sofyalıoğlu Ç, Öztürk Ş. 2013. Bir Çimento Firması İçin Dönemsel Satış Miktarlarının Tahmininde Bulanık Zaman Serisi Modellerinin Karşılaştırılması. Süleyman Demirel Univ İktisadi ve İdari Bil Fak Derg, 18(3): 161-186
54. Soyler I, Izgi E. 2022. Electricity demve forecasting of hospital buildings in Istanbul. Sustainability, 14(13): 8187
55. Taşcı E, Onan A. 2016. K-en yakın komşu algoritması parametrelerinin sınıflveırma performansı üzerine etkisinin incelenmesi. Akademik Bilişim, 1(1): 4-18
56. Uddin MN, Lee M, Cui X, Zhang X. 2025. Predicting occupant energy consumption in different indoor layout configurations using a hybrid agent-based modeling ve machine learning approach. Energy Build, 328: 115102
57. Voronin S, Partanen J. 2014. Forecasting electricity price ve demve using a hybrid approach based on wavelet transform, ARIMA ve neural networks. Int J Energy Res, 38(5): 626-637
58. Wang FK, Mamo T. 2020. Gradient boosted Regresyon model for the degradation analysis of prismatic cells. Comput Ind Eng, 144: 106494
59. Wang R, Lu S, Feng W. 2020. A novel improved model for building energy consumption prediction based on model integration. Appl Energy, 262: 114561
60. Wang R, Lu S, Li Q. 2019. Multi-criteria comprehensive study on predictive algorithm of hourly heating energy consumption for residential buildings. Sustain Cities Soc, 49: 101623
61. Wang W, Shimakawa H, Jie B, Sato M, Kumada A. 2025. BE-LSTM: An LSTM-based framework for feature selection ve building electricity consumption prediction on small datasets. J Build Eng, 102: 111910
62. Witt SF, Witt CA. 1991. Tourism forecasting: Error magnitude, direction of change error, ve trend change error. J Travel Res, 30(2): 26-33
63. Yazıcı K. 2021. Makine öğrenmesi yöntemleri kullanılarak kısa dönem rüzgâr gücü tahmini. Yüksek Lisans Tezi, Sakarya Univ, Fen Bil Enstitüsü, Sakarya, Türkiye. ss: 72.