Forecasting Carbon Intensity: A Case Study

Thumbnail Image

Files

URL

Journal Title

Journal ISSN

Volume Title

Sähkötekniikan korkeakoulu | Bachelor's thesis
Electronic archive copy is available locally at the Harald Herlin Learning Centre. The staff of Aalto University has access to the electronic bachelor's theses by logging into Aaltodoc with their personal Aalto user ID. Read more about the availability of the bachelor's theses.
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

2025-09-18

Department

Major/Subject

Informaatioteknologia

Mcode

ELEC3015

Degree programme

Sähkötekniikan kandidaattiohjelma

Language

en

Pages

31

Series

Abstract

Cloud computing is a service model that provides resources over the internet. However, as the demand for these resources has risen, so has the carbon footprint of cloud computing. Data centers, which provide the infrastructure for cloud computing, consume significant amounts of energy. To reduce the carbon footprint of electricity consumption, accurate forecasting of carbon intensity is essential. Accurate forecasts of carbon intensity allow for workload shifting to lower carbon intensity periods or regions. This thesis examines how well a time-series forecasting tool Prophet predicts day-ahead carbon intensity across three different electricity grid zones in the US. The US was chosen as a region due to its large number of data center locations and the variance of carbon intensity across its electricity grid zones. The electricity grid zones used for the analysis were PJM Interconnection (PJM), California ISO (CAISO), and Bonneville Power Administration (BPAT). These electricity grid zones were chosen due to the large variance of their electricity-generating sources and the overall patterns of carbon intensity over time. Historical carbon intensity data from the year 2024 were used since they provide the most recent trends in carbon intensity, and Prophet is fitted for each of the datasets separately. The results indicate that Prophet is suitable for forecasting carbon intensity in regions where there is little variation in carbon intensity over time. The mean absolute percentage errors (MAPE) for the zones range from 5.39 percent to 23.32 percent. The PJM model, which obtained the lowest MAPE, also had the lowest renewable energy usage percentage. The results were worse for the CAISO and BPAT models, where fluctuations in carbon intensity were higher due to a high renewable energy usage percentage. Models utilizing deep learning methods have generally performed better across different grids, indicating that more complex methods or additional regressors may be needed to capture all variations in carbon intensity. Better forecasting performance would allow for more effective workload shifting possibilities, reducing the environmental impact of cloud computing.

Pilvilaskenta on mahdollistanut yrityksille ja yksityisille henkilöille laskentatehoa ja tallennustilaa internetin välityksellä. Kasvava tarve pilvilaskennalle on kuitenkin lisännyt päästöjen määrää. Palvelinkeskuket, jotka pyörittävät pilvipalveluiden palvelimia, kuluttavat suuren määrän energiaa. Datakeskusten päästöistä operatiiviset päästöt ovat kytketty energian kulutuksesta tuleviin päästöihin. Operatiivisia päästöjä on pyritty vähentämään paikallisten ja ajallisten työtaakkojen siirrolla. Tällä menetelmällä on tarkoitus optimoida uusiutuvien energialähteiden käyttöä. Jotta työtaakkojen siirto saadaan optimoitua, hiili-intensiteetin ennustamisen tarkkuus on tärkeää. Hiili-intensiteetti kuvaa, kuinka paljon hiilidioksipäästöjä on vapautunut suhteessa sähkön kulutukseen. Hiili-intensiteetin ennustamisen avulla työkuormia voidaan ajoittaa ajanhetkiin, jolloin hiili-intensiteetin on ennustettu olevan matalin. Ennustamisen avulla työkuormia voidaan myös siirtää muihin sähköverkkovyöhyke alueisiin, joissa hiili-intensiteetin on ennustettu olevan matalampi. Tässä opinnäytetyössä analysoitiin, miten hyvin aikasarjamalli Prophet onnistuu hiili-intensiteetin ennustamisessa kolmelle eri sähköverkkovyöhyke alueelle Yhdysvalloissa. Tämän aikasarjamallin tarkkuutta verrattiin aikaisemmin tutkittuihin ja teetettyihin malleihin hiili-intensiteetin ennustamisessa. Tämän jälkeen arvioitiin aika-sarja mallin luotettavuutta yleisesti pilvilaskennan päästöjen ennustamisessa. Lisäksi pohdittiin tulosten käyttökelpoisuutta työtaakka siirtojen näkökulmasta. Suurimpien pilvipalvelutarjoajien palvelinkeskusten sijainnit ja niitä vastaavat sähköverkkovyöhyke alueet kerättiin sisäisen tietokannan avulla. Pilvipalvelutarjoajista valittiin Amazon Web Services (AWS). Electricity Maps-alustaa hyödynnettiin hiili-intensiteetti datan keräämisessä valituille sähköverkkovyöhykkeille vuodelle 2024. Python-ohjelmointikieltä ja sen kirjastoja käytettiin datan esikäsittelussä. Prophet-malli sovitettiin erikseen jokaiselle sähköverkkovyöhykkeelle. Jokaisen vyöhykkeen hiili-intensiteettiä ennustettiin vuorokaudella eteenpäin tunti kerrallaan. Tulosten tarkuutta mitattiin kahdella eri virhemittarilla: keskimääräisellä neliöjuurivirheellä (RMSE) ja keskimääräisellä absoluuttisella prosenttivirheellä (MAPE). Keskimääräiset neliöjuurivirheet (MAPE) sähkövyöhykkeille olivat 5.38 prosenttia, 18.29 prosenttia ja 23.32 prosenttia. Tuloksista nähtiin, että Prophet onnistui ennustamaan hyvin hiili-intensiteettejä sähköverkkovyöhyke alueelle, jossa hiili-intensiteetin yllättävät vaihtelut olivat vähäisiä. Tällä alueella uusiutuvien energialähteiden käyttö oli vähäistä. Kahdella muulla alueella tulokset olivat selkeästi heikompia. Näillä alueilla myös hiilin-intensiteetin arvot vaihtelivat myös huomattavasti enemmän uusiutuvien energialähteiden käytön ansiosta. Kaiken kaikkiaan huomattiin, että Prophet onnistui mallintamaan tasaisia kausivaihteluita ja trendejä hyvin. Tälläisillä alueilla myös hiili-intensiteetin ennustaminen työtaakkojen siirtoon voisi olla mahdollista. Odottamattomia vaihteluja hii-intensiteetin arvoissa Prophet ei pysty mallintamaan hyvin. Yleisesti mallit, jotka hyödyntävät syväoppimisen menetelmiä ennustamisessa, suoriutuvat paremmin. Erityisesti tämä korostuu sähköverkkovyöhykkeillä, jossa vaihtelua arvoissa on enemmän.

Description

Supervisor

Lassila, Pasi

Thesis advisor

Premsankar, Gopika

Keywords

carbon intensity, datacenter, cloud computing, time series

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202509237241

Collections

[kand] Sähkötekniikan korkeakoulu / ELEC