Ana içeriğe geç
ENERJİ VERİMLİLİĞİNİN ÇOK BOYUTLU DEĞERLENDİRİLMESİ
Enerji Sektörü

ENERJİ VERİMLİLİĞİNİN ÇOK BOYUTLU DEĞERLENDİRİLMESİ

Sanayide enerji verimliliği, yalnızca aylık elektrik tüketiminin düşürülmesi değildir. Sağlıklı bir değerlendirme işletme koşullarıyla birlikte ele alınır.

14 Ağustos 2026YusufEnerji Sektörü189 görüntülenme

Sanayide enerji verimliliği, yalnızca aylık elektrik tüketiminin düşürülmesi değildir. Sağlıklı bir değerlendirme; enerji tüketimini üretim çıktısı, çalışma süresi, duruşlar, kalite kayıpları, ekipman durumu ve işletme koşullarıyla birlikte ele alır. İncelenen dört çalışma, enerji verimliliğinin politika ve yönetim sistemi düzeyinden makine ve üretim çevrimi düzeyine kadar uzanan bütünleşik bir konu olduğunu göstermektedir.

Ana değerlendirme sonucu

Enerji verimliliği; “ne kadar enerji tüketildi?” sorusundan önce “hangi üretim çıktısı için, ne zaman, nerede ve hangi kayıp koşulunda tüketildi?” sorularını cevaplayabilme kapasitesidir.

·  Enerji tasarrufu ile enerji verimliliği aynı kavram değildir; üretim azalması nedeniyle tüketimin düşmesi verimlilik artışı anlamına gelmeyebilir.

·  İyileştirmeler iki kanaldan ilerler: mevcut süreçteki değer katmayan enerji tüketiminin azaltılması ve daha verimli teknoloji/ekipmana geçiş.

·  OEE kayıpları - arıza, yavaşlama, mikro duruş, ürün değişimi ve kalite kaybı - enerji kaybı olarak da ölçülmelidir.

·  Dijitalleşme, sensörden yapay zekâya tek adımda geçiş değildir; ölçüm, bağlantı, görünürlük, teşhis, tahmin ve uyarlanabilir kontrol aşamalarından oluşur.

·  Makine öğrenmesi, enerji tüketimi tahmini ve optimizasyon için güçlüdür; ancak veri kalitesi ve sektörel temsil sınırlılıkları dikkate alınmalıdır.

·  Enerji etütleri, enerji yönetim sistemleri, teşvikler ve atık ısı geri kazanımı, teknik iyileştirmelerin kurumsal ve düzenleyici tamamlayıcılarıdır.

1. Enerji Verimliliğini Doğru Tanımlamak

1.1. Aylık tüketim tek başına yeterli değildir

Bir sanayi tesisinin elektrik tüketiminin bir önceki aya veya yıla göre azalması, otomatik olarak verimlilik artışı anlamına gelmez. Üretim miktarı, vardiya süresi, ürün karması, kapasite kullanımı veya iklimlendirme ihtiyacı da değişmiş olabilir. Bu nedenle toplam kWh değerinin, üretim ve işletme koşullarıyla normalize edilmesi gerekir.

Örnek yorumlama

Tüketim %10 azalırken üretim %20 azalmışsa birim ürün başına enerji artmış olabilir. Buna karşılık tüketim aynı kalırken üretim %15 artmışsa enerji yoğunluğu iyileşmiş olabilir. Bu örnekler kavramsaldır; incelenen makaleler belirli bir fabrika için bu oranları vermemektedir.

1.2. Kullanılabilecek temel göstergeler

·  kWh/ürün, kWh/ton veya kWh/batch

·  kWh/çalışma saati ve kWh/m²

·  Baz yük / operasyonel tüketim oranı

·  Bekleme tüketimi ve üretim dışı saat tüketimi

·  Enerji maliyeti/ürün ve CO₂/ürün

·  Üretim çıktısı ile enerji girdisini birlikte izleyen enerji performans göstergeleri

Schmitt vd. (2025), göstergenin üretim alanına göre seçilmesi gerektiğini vurgular. Örneğin talebe bağlı çalışan bir üretim alanında “üretilen birim başına enerji” anlamlıyken, ısıtma ve aydınlatmanın baskın olduğu alanlarda m² başına enerji veya baz yük oranı daha açıklayıcı olabilir.

1.3. Dijital olgunluk ve insan bilgisi birlikte ilerlemelidir

Şekil 2’deki yapı, enerji yönetiminde değer üretiminin ölçüm ve bağlantıdan sonra başladığını gösterir. Görünürlük “ne oldu?”, şeffaflık “neden oldu?”, tahmin kapasitesi “ne olacak?” ve uyarlanabilirlik “sistem nasıl otomatik tepki verebilir?” sorularına karşılık gelir.

Teknik veri altyapısı tek başına yeterli değildir. Makine ve enerji akışlarını anlayan teknik bilgi, sapmaları sistematik biçimde inceleyen süreç bilgisi ve sorumluluk ile kaynak tahsisini sağlayan liderlik bilgisi birlikte bulunmalıdır.

2. Üretim Kayıplarını Enerji Kayıplarıyla Birlikte Okumak

2.1. OEE’nin enerji açısından anlamı

Nota vd. (2020), üretimde kullanılan OEE göstergesini enerji tüketimiyle ilişkilendirir. OEE; kullanılabilirlik, performans ve kalite bileşenlerinden oluşur. Bu bileşenlerdeki kayıplar yalnız üretim süresini veya ürün miktarını değil, üretime değer katmadan tüketilen enerjiyi de artırabilir.

Şekil 5, üretim hattı ürün üretmezken de enerji tüketiminin sürebildiğini gösterir. Önceki üretimin bitirilmesi, değişim için kaynakların hazırlanması, kalıp veya ayarın değiştirilmesi, yeni üretime hazırlık ve başlangıç aşamalarının her biri farklı güç düzeylerinde enerji kaybı oluşturabilir. Bu yaklaşım; SMED, bakım ve üretim planlama çalışmalarına enerji boyutu eklenmesini sağlar.

Vaka sonucu nasıl okunmalı?

Nota vd. (2020) kendi otomotiv vaka çalışmasında OEE artışı ve arıza kaynaklı enerji tüketiminde azalma raporlamıştır. Bu sonuçlar yöntemin uygulanabilirliğini gösterir; başka bir tesis için doğrudan tasarruf garantisi veya genellenebilir oran olarak kullanılmamalıdır.

3. Ölçümden Karar Desteğine Dijital Enerji Yönetimi

3.1. Veri altyapısının katmanları

Kaynakta sunulan mimari, enerji ve akış sayaçlarından gelen verinin ağ geçitleri, haberleşme sunucusu, zaman serisi veri tabanı, görselleştirme araçları ve kurumsal veri gölü üzerinden kullanıcılara ulaştırılmasını örnekler. Buradaki asıl ilke belirli bir marka seçimi değil; ölçüm, aktarım, depolama, birleştirme ve görselleştirmenin kesintisiz bir veri zinciri oluşturmasıdır.

3.2. Dashboard yalnız görüntü değil, aksiyon aracıdır

Şekil 7. Enerji tüketimi, baz yük ve operasyonel tüketimi birlikte gösteren örnek dashboard. Kaynak: Schmitt vd. (2025), Şekil 5, s. 6; okunaklılık için görsel iyileştirilmiştir.

Anlık tüketim ile üretim dışı saat tüketimini ayırmalı.

SANAYİDE ENERJİ VERİMLİLİĞİ

·  Baz yük ve operasyonel tüketim oranını göstermeli.

·  Üretim miktarı, vardiya, duruş ve proses parametreleriyle eşleştirilmeli.

·  Kullanıcının sapmayı fark etmesini ve sorumlu kişiye aksiyon atamasını sağlamalı.

·  Sadece aylık rapor değil, gerektiği düzeyde yakın gerçek zamanlı görünürlük sunmalı.

Dashboard kullanım riski

Schmitt vd. (2025) vaka çalışmasında, kullanımı kolay ve süreçlere entegre olmayan bazı enerji dashboardlarının zamanla terk edildiği belirtilmektedir. Bu nedenle dashboard başarısı ekran sayısıyla değil, karar ve takip sürecine bağlanmasıyla ölçülmelidir.

Şekil 8. Ölçümden doğrulamaya bütünleşik değerlendirme akışı. Kaynaklardan sentezlenmiştir

4. Makine Öğrenmesi ve İleri Analitik Nasıl Konumlandırılmalı?

Narciso ve Martins (2020), endüstriyel enerji verimliliğinde makine öğrenmesi kullanan 42 çalışmayı incelemiş ve uygulamaları tahmin, analiz, kıyaslama, optimizasyon, teknoloji ve ölçek değerlendirmesi gibi işlevlerde sınıflandırmıştır. İnceleme, makine öğrenmesinin tek bir algoritmadan ibaret olmadığını; veri ön işleme, değişken seçimi, modelleme, doğrulama ve karar üretme aşamalarından oluştuğunu gösterir.

4.2. Yapay zekâdan önce tamamlanması gerekenler

·  Sensörlerin doğruluğu, zaman senkronizasyonu ve veri sürekliliği

·  Enerji verisinin üretim, duruş, kalite ve ürün verileriyle eşleştirilmesi

·  Normal işletme koşulunun ve uygun KPI’ın tanımlanması

·  Eğitim ve test verilerinin ayrılması; model hatasının ölçülmesi

·  Model çıktısının operasyon ekibinin uygulayabileceği aksiyona dönüştürülmesi

·  Modelin zaman içinde izlenmesi ve değişen proses koşullarına göre güncellenmesi

Literatür sınırlılığı

Narciso ve Martins (2020), çalışmaların büyük bölümünün Çin’deki petrokimya ve özellikle etilen üretimine odaklandığını belirtir. Bu nedenle bir modelin başka bir sanayi koluna doğrudan aktarılması yerine, sektör ve tesis verisiyle yeniden doğrulanması gerekir.

5. Politika, Enerji Etüdü ve Yönetim Sistemi Boyutu

Malinauskaite vd. (2019), sanayi enerji verimliliğinin yalnız teknik projelerden oluşmadığını; enerji etütleri, enerji yönetim sistemleri, yükümlülük ve teşvik mekanizmaları ile atık ısı geri kazanımı gibi politika araçlarıyla desteklendiğini gösterir. Çalışma AB, İtalya ve Birleşik Krallık politikalarını 2018 öncesi çerçevede incelemektedir.

5.1. Kurumsal araçlar

·  Enerji etütleri: tüketim yapısını, teknik potansiyeli ve yatırım seçeneklerini belirler.

·  Enerji yönetim sistemleri: hedef, izleme, sorumluluk ve sürekli iyileştirme yapısı kurar.

·  Yükümlülük ve teşvik mekanizmaları: yatırımın finansal uygulanabilirliğini etkiler.

·  Atık ısı geri kazanımı: proseste yan ürün olarak çıkan ısının yeniden kullanılmasını değerlendirir.

·  Uzun vadeli ve öngörülebilir politika: sanayinin enerji verimliliği yatırımlarını planlamasını kolaylaştırır.

Şekil 10. 2014 yılında politika türlerine göre gerçekleşen enerji tasarruflarının tarihsel dağılımı. Malinauskaite vd. (2019), Şekil 2 verileri kullanılarak Türkçe olarak yeniden çizilmiştir.

Tarihsel veri notu

Şekil 10, 2014 dönemine ait AB politika araçlarını göstermektedir. Güncel politika payı veya Türkiye için geçerli dağılım olarak kullanılmamalı; farklı araçların birlikte rol oynayabildiğini gösteren tarihsel bir örnek olarak okunmalıdır.

6. Bir Sanayi Tesisi İçin Önerilen Değerlendirme Modeli


İncelenen çalışmalar birlikte ele alındığında, bir tesisin enerji verimliliği olgunluğu aşağıdaki sekiz alanda değerlendirilebilir. Bu model, makalelerdeki kavramların rapor kapsamında sentezlenmiş hâlidir; doğrudan herhangi bir standardın puanlama yöntemi değildir.

6.1. Uygulama yol haritası

0-3 AY

Sayaç ve veri envanteri; enerji faturaları, üretim ve vardiya verilerinin toplanması

Baz yük, pik güç ve ilk Pareto analizi

3-6 AY

Kritik hatlarda alt ölçüm; KPI ve normal durum tanımı; dashboard pilotu

Hat/makine bazlı görünürlük ve sapma alarmı

6-12 AY

OEE-enerji eşleştirmesi; bakım, ürün değişimi ve yardımcı işletme projeleri

Doğrulanmış düşük yatırım maliyetli iyileştirmeler

12+ AY

Tahmin, çizelgeleme optimizasyonu, ileri analitik ve uygun yerlerde otomatik kontrol

Sürekli iyileştirme ve ölçeklenebilir karar desteği

Başlangıç ilkesi

Öncelik, en gelişmiş algoritmayı seçmek değil; doğru ölçüm sınırını, uygun KPI’ı ve uygulanabilir aksiyon sürecini kurmaktır. İleri analitik, bu temelin üzerine eklenmelidir.

7. Değerlendirmenin Sınırları

·  Politika makalesi 2018 öncesi AB, İtalya ve Birleşik Krallık çerçevesini inceler; güncel Türkiye mevzuatı bu raporda doğrulanmamıştır.

·  Makine öğrenmesi incelemesi 2020’ye kadar olan çalışmaları kapsar ve petrokimya sektörü ağırlıklıdır.

·  2025 çalışması tek bir sanayi şirketindeki nitel vaka verilerine dayanır; vaka içi oranlar genel sektör standardı değildir.

·  OEE temelli çalışma batch/kesikli üretim için ayrıntılıdır; sürekli proseslerde yöntem uyarlanmalıdır.

·  Kaynaklar GES üretim-tüketim eşleşmesi, öztüketim, tarife optimizasyonu veya Türkiye elektrik piyasası kurallarını doğrudan ele almamaktadır.

8. Sonuç

Sanayide enerji verimliliğinin güçlü bir şekilde yönetilebilmesi için politika, organizasyon, veri altyapısı ve üretim operasyonları aynı değerlendirme zincirinde birleştirilmelidir. Aylık faturanın izlenmesi başlangıçtır; ancak gerçek iyileştirme, tüketimin üretim çıktısı ve kayıp nedenleriyle eşleştirilmesiyle ortaya çıkar.

İncelenen kaynakların ortak mesajı, enerji verimliliğinin bir ekipman satın alma projesinden daha geniş olduğudur. Ölçüm altyapısı, uygun enerji performans göstergeleri, OEE ve proses verileri, çalışanların teknik ve süreç bilgisi, yönetim sorumluluğu ve gerektiğinde tahmin/optimizasyon modelleri birlikte çalışmalıdır.

Özet yaklaşım

Ölç → üretimle eşleştir → kaybı sınıflandır → kök nedeni belirle → senaryoyu değerlendir → uygula → sonucu doğrula.

Kaynakça

Malinauskaite, J., Jouhara, H., Ahmad, L., Milani, M., Montorsi, L. & Venturelli, M. (2019). Energy efficiency in industry: EU and national policies in Italy and the UK. Energy, 172, 255-269. https://doi.org/10.1016/j.energy.2019.01.130

Narciso, D. A. C. & Martins, F. G. (2020). Application of machine learning tools for energy efficiency in industry: A review. Energy Reports, 6, 1181-1199. https://doi.org/10.1016/j.egyr.2020.04.035

Schmitt, T., Mattsson, S., Flores-García, E. & Hanson, L. (2025). Achieving energy efficiency in industrial manufacturing. Renewable and Sustainable Energy Reviews, 216, 115619. https://doi.org/10.1016/j.rser.2025.115619

Nota, G., Nota, F. D., Peluso, D. & Toro Lazo, A. (2020). Energy Efficiency in Industry 4.0: The Case of Batch Production Processes. Sustainability, 12(16), 6631. https://doi.org/10.3390/su12166631