Demand response potential of AI data center facilities

Thumbnail Image

Files

master_Keski-Nisula_Elias_2026.pdf (7.37 MB)

URL

Journal Title

Journal ISSN

Volume Title

School of Electrical Engineering | Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2025-12-20

Department

Major/Subject

Energy Systems and Markets

Mcode

Degree programme

Master's Programme in Advanced Energy Solutions
Kehittyneiden energiaratkaisujen maisteriohjelma
Magisterprogrammet i avancerade energilösningar

Language

en

Pages

106

Series

Abstract

The rapid expansion of large language models is driving the growth of baseload electricity demand from AI data centers. Simultaneously, the integration of variable wind and solar generation into the power system necessitates flexible consumption through both implicit and explicit demand response. While data center demand response is a well-researched topic, few studies address liquid-cooled AI facilities operating in Nordic conditions that participate simultaneously in wholesale and reserve markets. A techno-economic model is developed for a hypothetical large-scale AI data center in Finland. Existing literature models are adapted to represent a modern AI data center facility utilizing a hybrid air–liquid cooling topology. Flexibility is derived from mechanical chillers, cooling-side thermal energy storage, uninterruptible power supply units, and backup generators. A rolling-horizon optimization model with 15-minute time steps, formulated as a mixed-integer linear program, is used to evaluate demand response performance across day-ahead, intraday, and multiple reserve markets within the context of the Finnish electricity market. Results from the selected summer 2025 test period demonstrate that net electricity costs can be significantly reduced compared to a passive baseline, driven primarily by reserve market revenues and, to a lesser extent, wholesale energy arbitrage. The analysis suggests that the selected components can provide this flexibility without constraining the computational workloads of the servers. However, quantitative outcomes remain sensitive to market assumptions and component specifications. These findings highlight the importance of integrating demand response evaluation into the early stages of AI data center development.

Den snabba expansionen av stora språkmodeller driver tillväxt av baslastliknande elanvändning i datacenter för AI. Samtidigt ökar behovet av flexibel elanvändning genom både implicit och explicit efterfrågeflexibilitet, när intermittent vind- och solkraft integreras i elsystemet. Även om efterfrågeflexibilitet i datacenter är ett välstuderat område i litteraturen, behandlar relativt få studier vätskekylda AI-datacenter i nordiska förhållanden som samtidigt deltar på både grossist- och reservmarknader. En tekno-ekonomisk modell utvecklas för ett hypotetiskt storskaligt AI-datacenter i Finland. Befintliga modeller från litteraturen anpassas för att representera ett modernt AI-datacenter med en hybrid luft–vätskebaserad kyltopologi. Flexibilitet möjliggörs av mekaniska kylmaskiner, kylsides värmeenergilagring, avbrottsfri kraftförsörjning, samt reservkraftaggregat. En blandad heltalsoptimeringsmodell baserad på en rullande tidshorisont och 15-minuters tidssteg används för att utvärdera efterfrågeflexibilitet över dagen före-marknaden, intradagsmarknaden och flera reservmarknader inom ramen för den finska elmarknaden. Resultaten från den utvalda testperioden sommaren 2025 visar att de totala elkostnaderna kan minskas avsevärt jämfört med passiv drift, främst genom intäkter från reservmarknader och i mindre utsträckning genom energiarbitrage på grossistmarknaden. Analysen tyder på att de studerade komponenterna kan utnyttja sin flexibilitet utan att begränsa servrarnas beräkningsarbete. Samtidigt är de kvantitativa resultaten känsliga för marknadsantaganden och komponentspecifikationer. Resultaten understryker vikten av att integrera utvärdering av efterfrågeflexibilitet i ett tidigt skede av AI-datacenterprojekt.

Description

Supervisor

Lahdelma, Risto

Thesis advisor

Fagerström, Oskari

Keywords

artificial intelligence, data centers, demand response, electricity markets, reserve markets, mixed-integer linear programming

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202601201675

Collections

[dipl] Sähkötekniikan korkeakoulu / ELEC