Automatiserad fartoptimering för fartyg : en analys av hur automatiserad hastighetsplanering kan minska bränsleförbrukningen i passagerarsjöfart

Abstract

Detta examensarbete undersöker hur fartoptimering kan minska bränsleförbrukning och energibehov för ett passagerarfartyg som trafikerar en fast rutt i Östersjön. Syftet med arbetet är att analysera hur en optimerad fartprofil påverkar bränsleförbrukningen under varierande väderförhållanden samt att jämföra resultaten med ett traditionellt driftupplägg där fartyget håller konstant marschfart. Implementeringen bygger på en Python-baserad simuleringsmodell som är utvecklad i Google Colab. Modellen använder syntetiska väderdata för vind, våghöjd och ström samt en idealiserad energimodell där effektbehovet antas vara proportionellt mot farten i kubik. Fartoptimeringen genomförs med hjälp av en dynamisk programmeringsalgoritm (DP) som beräknar den mest energieffektiva farten per delsträcka under bibehållen ankomsttid, där algoritmen i slutet av rutten även uvärderar föregående beslut bakåt för att identifiera den optimala totala lösningen. Tre scenarier har simulerats: lugna, bas och tuffa väderförhållanden. Resultaten visar att fartoptimering ger betydande energibesparingar i samtliga scenarier. Bränsleförbrukningen minskade med 8,8 % i lugna förhållanden, 6,4 % i bas scenariot och 5,9 % i tuffa förhållanden. Den främsta orsaken är att lägre medelfart markant reducerar det momentana effektbehovet, särskilt i områden med svag motström. Detta motsvarar ungefär 1 750–1 850 euro i bränslebesparingar per resa. Studien visar att fartoptimering kan ge tydliga energieffektiviseringsvinster utan att påverka tidtabellen nämnvärt. Resultaten stödjer implementering av digitala beslutsstödsystem ombord och indikerar att även små hastighetsjusteringar kan bidra till både lägre driftkostnader och minskad miljöpåverkan.

This thesis investigates how speed optimization can reduce fuel consumption and energy demand for a passenger ferry operating along a fixed route in the Baltic Sea. The aim of the study is to analyze how an optimized speed profile affects fuel usage under varying weather conditions and to compare the results with a conventional operating approach in which the vessel maintains a constant service speed. The implementation is based on a Python-implemented simulation model developed in Google Colab. The model uses synthetic weather data for wind, wave height and current, together with an idealized energy model in which the required propulsion power is assumed to be proportional to the cube of the vessel’s speed. Speed optimization is carried out using a dynamic programming (DP) algorithm that determines the most energy-efficient speed along each segment while maintaining the scheduled arrival time, and at the end of route the algorithm also evaluates previous decisions through backtracking to identify the globally optimal solution. Three scenarios were simulated, representing calm, normal and rough weather conditions. The results show that speed optimization yields substantial energy savings across all scenarios, with fuel consumption decreasing by 8.8% in calm conditions, 6.4% in the baseline scenario and 5,9% in rough conditions. This corresponds to approximately 1,750-1,850 euros in fuel savings per voyage. The findings demonstrate that speed optimization can provide significant operational and environmental benefits without compromising schedule integrity, indicating that even small, data-driven speed adjustments can contribute to lower operating costs and reduced environmental impact.