Economical and ecological impact of sector coupling applied to computing clusters

Diese Studie zeigt, dass die dynamische Planung von Hochleistungsrechnern in Deutschland so auszurichten ist, dass sie mit Phasen reichlich vorhandener erneuerbarer Energien übereinstimmt, was sowohl die Betriebskosten als auch die Kohlenstoffemissionen erheblich senken kann, während die gesamten Rechenziele eingehalten werden, selbst wenn die Hardwareanschaffungskosten und die eingebetteten Emissionen berücksichtigt werden.

Das Wesentliche

Stellen Sie sich eine massive, Hochgeschwindigkeits-Bibliothek aus Computern (ein „Cluster") vor, die Wissenschaftler nutzen, um komplexe Rätsel zu lösen, wie etwa die Vorhersage von Wettermustern oder das Verständnis des Universums. Normalerweise laufen diese Bibliotheken rund um die Uhr und verbrennen ständig Strom, unabhängig davon, ob der Strom aus dem Netz sauber (wie Wind oder Sonne) oder schmutzig (wie Kohle) ist, und unabhängig davon, ob der Strom billig oder teuer ist.

Dieser Artikel stellt eine einfache Frage: Was wäre, wenn wir diesen Computerbibliotheken sagen würden, sie sollen eine Siesta machen, wenn der Strom schmutzig oder teuer ist, und nur dann aufwachen und arbeiten, wenn der Strom sauber und billig ist?

Hier ist die Aufschlüsselung ihrer Erkenntnisse, einfach erklärt:

Die große Idee: „Wellenreiten"

Die Autoren vergleichen das Stromnetz mit dem Ozean. Wenn wir zu erneuerbaren Energien (Wind und Sonne) wechseln, werden die „Wellen" der Energie unvorhersehbarer. Manchmal gibt es einen Tsunami aus billigem, sauberem Energie; zu anderen Zeiten ist das Wasser niedrig, und wir müssen teure, schmutzige Notstromgeneratoren verwenden.

Das Konzept der „Sektorenkopplung" ist wie das Lehren der Computerbibliothek zum Surfen. Anstatt gegen die Wellen anzukämpfen, reitet die Bibliothek auf ihnen:

• Wenn die Welle hoch ist (viel Wind/Sonne): Die Bibliothek schaltet in den „Turbo-Modus" und rechnet schnell.
• Wenn die Welle niedrig ist (kein Wind/Sonne): Die Bibliothek geht in den „Schlafmodus", spart Energie und Geld.

Das Experiment: Testen verschiedener „Bibliotheken"

Die Forscher simulierten diese „Schlaf- und Wach"-Strategie mit Daten aus dem deutschen Stromnetz im Jahr 2024. Sie testeten fünf verschiedene Arten von Computer-Setups, von Standard-Universitätsservern bis hin zu Supercomputern.

Sie betrachteten zwei Hauptziele:

1. Rettung des Planeten: Reduzierung der Kohlenstoffemissionen.
2. Geld sparen: Reduzierung der Kosten für den Kauf von Strom und Hardware.

Die Ergebnisse: Eine Geschichte mit zwei Ausgängen

1. Rettung des Planeten (Kohlenstoffemissionen) 🌍

Das Urteil: Es funktioniert, aber nur, wenn die Computer richtig gebaut sind.

• Der Haken: Wenn ein Computer „schläft", schaltet er sich nicht vollständig ab; er summt immer noch mit einer niedrigen „Leerlauf"-Leistung.
• Die Analogie: Stellen Sie sich ein Auto vor. Wenn Sie den Motor ausschalten, sparen Sie Benzin. Aber wenn Sie das Auto nur in den „Parkmodus" stellen, während der Motor im Leerlauf läuft, verbrennen Sie immer noch Kraftstoff.
• Die Erkenntnis:
  • Bei einigen älteren oder weniger effizienten Computern war die „Leerlauf"-Leistung so hoch, dass die Einsparungen durch das Schlafen durch den zusätzlichen Hardwarebedarf, um den verlorenen Zeitverlust auszugleichen, zunichte gemacht wurden.
  • Bei den modernen, effizienten Computern (speziell das Setup „BAFmodern") funktionierte die Strategie jedoch wunderbar. Durch das Schlafen während schmutziger Energie-Stunden und das Aufwachen während sauberer reduzierten sie die Kohlenstoffemissionen um etwa 8 %.
  • Wichtige Lektion: Die Computer müssen in der Lage sein, in einen tiefen Schlaf (sehr niedrige Leerlaufleistung) zu gehen, damit dies funktioniert.

2. Geld sparen (Kosten) 💰

Das Urteil: Derzeit eigentlich nicht lohnenswert.

• Der Haken: Um die insgesamt geleistete Arbeit gleich zu halten (z. B. die gleiche Anzahl von Rätseln zu lösen), muss die Bibliothek größer sein, wenn sie Zeit zum Schlafen verbringt. Wenn Sie nur die Hälfte der Zeit arbeiten, benötigen Sie doppelt so viele Computer, um die Arbeit fristgerecht zu erledigen.
• Die Analogie: Es ist wie das Einstellen eines Bauarbeiters. Wenn Sie ihnen sagen, sie sollen nur arbeiten, wenn die Sonne scheint, sparen Sie vielleicht die Stromkosten für ihre Werkzeuge. Aber Sie müssen nun doppelt so viele Arbeiter einstellen, um das Haus in der gleichen Zeit fertigzustellen. Die Kosten für die Einstellung dieser zusätzlichen Arbeiter (den Kauf zusätzlicher Computer) löschen die Einsparungen auf der Stromrechnung aus.
• Die Erkenntnis: Da der Kauf neuer Computer teuer ist, sanken die Gesamtkosten um weniger als 1 %. Die Studie legt nahe, dass diese Strategie nicht viel Geld sparen wird, es sei denn, Computer werden in Zukunft deutlich günstiger zu kaufen.

Die „Schlaf"-Validierung

Die Forscher wollten sicherstellen, dass ihr „Schlafplan" nicht zusammenbricht, wenn sich das Wetter ändert. Sie testeten ihren Plan gegen Daten aus den Jahren 2023 und 2025.

• Ergebnis: Der Plan war sehr stabil. Selbst bei unterschiedlichen Wettermustern konnten die Computer ihre Arbeitsziele mit einem Fehler von weniger als 2 % erreichen. Der „Schlafplan" ist zuverlässig.

Die Alternative „Taktfrequenz"

Sie testeten auch eine andere Idee: Was wäre, wenn wir die Computer nicht schlafen ließen, sondern sie einfach langsamer machten (wie das Einlegen eines niedrigen Gangs in einem Auto), um Strom zu sparen?

• Ergebnis: Bei einigen spezifischen Computertypen war das Verlangsamen tatsächlich besser als das Schlafen. Dies hängt jedoch stark von der spezifischen Hardware und der Art der durchgeführten Arbeit ab.

Das Fazit

• Für die Umwelt: Ja, das ist ein kluger Schachzug, aber nur, wenn die Computer modern sind und in einen sehr tiefen, stromsparenden Schlaf gehen können. Es könnte die Emissionen um bis zu 8 % senken.
• Für den Geldbeutel: Nein, eigentlich nicht. Die Kosten für den Kauf zusätzlicher Computer, um die „Schlafzeit" auszugleichen, sind derzeit zu hoch. Es spart weniger als 1 % an Kosten.
• Realitätscheck: In der realen Welt können Computer nicht wie ein Lichtschalter sofort ein- und ausgeschaltet werden; sie brauchen Zeit zum „Hochfahren". Die Studie geht von einer sofortigen Umschaltung aus, daher könnten die realen Einsparungen etwas niedriger ausfallen.

Kurz gesagt: Wir können unsere wissenschaftlichen Computer zu umweltfreundlichen „Nachteulen" erziehen, um dem Planeten zu helfen, aber wir werden wahrscheinlich nicht reich dabei werden.

Technische Zusammenfassung

1. Problemstellung

Der zunehmende Anteil erneuerbarer Energien (Wind und Solar) im Stromnetz führt zu erheblicher Volatilität und Schwankungen in der Stromproduktion. Zur Stabilisierung des Netzes ist eine Sektorkopplung erforderlich, bei der flexible Stromverbraucher ihre Nachfrage an Perioden mit überschüssiger erneuerbarer Erzeugung anpassen.

Rechencluster, insbesondere in der wissenschaftlichen Forschung (z. B. Hochenergiephysik), stellen einen idealen Kandidaten für diesen dynamischen Betrieb dar, da:

• Sie einen wachsenden Anteil des globalen Stromverbrauchs decken (bis 2030 prognostiziert auf 8 %).
• Ihre Arbeitslasten verzögert oder verschoben werden können, ohne dass dies signifikante Auswirkungen auf langfristige Forschungsziele hat, sofern das Gesamtziel der Rechenleistung über die Zeit erreicht wird.
• Kurzfristige Verzögerungen bei Ergebnissen im wissenschaftlichen Kontext oft vernachlässigbar sind.

Das behandelte Kernproblem ist, ob der dynamische Betrieb von Rechenclustern – das Abschalten oder Idle-Laufen während Perioden mit hohem Kohlenstoffausstoß/hohen Kosten und das Hochfahren während Perioden mit niedrigem Kohlenstoffausstoß/niedrigen Kosten – effektiv die Gesamt-Kohlenstoffemissionen und die Betriebskosten senken kann, unter Berücksichtigung der Trade-offs, die eingebettete Emissionen (Herstellung) und Anschaffungskosten betreffen, die erforderlich sind, um eine konstante Rechenleistung aufrechtzuerhalten.

2. Methodik

Die Studie simuliert den dynamischen Betrieb von fünf verschiedenen Konfigurationen von Rechenclustern unter Verwendung deutscher Stromdaten aus dem Jahr 2024 (Quelle: Fraunhofer ISE).

Simulationsrahmen:

• Ziel: Minimierung der Gesamtkosten ($C_{total}$) und der gesamten Kohlenstoffemissionen ($E_{total}$) bei Aufrechterhaltung eines konstanten Rechenziels.
• Dynamische Steuerlogik: Die Simulation führt einen Schwellenwertmechanismus ein. Überschreitet die Kohlenstoffintensität ($kgCO_2/MWh$) oder der Spotmarktpreis ($€/MWh$) einen bestimmten Schwellenwert ($X_{emission}$ oder $X_{cost}$), wechselt der Cluster in einen Idle-Zustand. Sind die Bedingungen günstig, wird er betrieben.
• Skalierungsmechanismus: Um ein konstantes Rechenziel trotz reduzierter Betriebszeit ($u < 1$) aufrechtzuerhalten, geht die Simulation davon aus, dass die Clustergröße (Anzahl der logischen Kerne, $n_{cores}$) umgekehrt proportional zur Auslastungsrate hochskaliert werden muss ($n_{cores} / u$).
• Kosten-/Emissionskomponenten:
  • Eingebettet: Emissionen und Kosten im Zusammenhang mit der Herstellung und dem Erwerb der zusätzlichen Hardware, die erforderlich ist, um Ausfallzeiten auszugleichen.
  • Betrieblich: Emissionen und Kosten aus dem während der aktiven Verarbeitung verbrauchten Strom.
  • Idle: Emissionen und Kosten aus dem Stromverbrauch, während sich der Cluster in einem stromsparenden Idle-Zustand befindet (nicht vollständig abgeschaltet).
  • Nachfrage: Kapazitätsbasierte Gebühren des Stromversorgers.

Getestete Cluster-Konfigurationen:

1. BAFdefault: Standardknoten der Universität Bonn (HDD-Speicher).
2. BAFmodern: Moderne Knoten der Universität Bonn (SSD-Speicher).
3. DEEPCM: Jülich Supercomputing Centre (JSC) mit hoher Single-Thread-Leistung.
4. DEEPDAM: JSC datenintensives/ML-Modul.
5. GridKaARM: ARM-basierte Knoten bei GridKa (Tier-1-Zentrum).

Workload-Szenarien:
Drei verschiedene Workload-Profile wurden simuliert:

• Medium/Heavy: Standardlastverteilungen.
• Backfilling: Ein Szenario, das kurze Single-Core-Jobs priorisiert, um die Ressourcennutzung zu maximieren und den Cluster bei Aktivität mit Volllast laufen zu lassen.

Validierung:
Die aus den Daten von 2024 abgeleiteten optimalen Schwellenwerte wurden extrapoliert und gegen Daten aus den Jahren 2023 und 2025 validiert, unter Anpassung an den sich verändernden Anteil erneuerbarer Energien im Netz.

3. Hauptbeiträge

• Quantifizierung der Sektorkopplung im HPC: Die Studie liefert ein rigoroses mathematisches Modell zur Integration von Rechenclustern in den Energiemarkt, das betriebliche Einsparungen explizit gegen die „Strafe" erhöhter Hardwareanschaffung (eingebettete Emissionen/Kosten) abwägt.
• Identifizierung des Idle-Leistungsverhältnisses: Die Forschung identifiziert das Verhältnis von Idle-Leistung zu Maximalleistung ($P_{idle}/P_{max}$) als entscheidenden Faktor für den Erfolg des dynamischen Betriebs.
• Vergleich von Strategien: Sie vergleicht das dynamische Ein-/Ausschalten mit einer Begrenzung der Taktfrequenz (Betrieb der Hardware mit einer festen, effizienten Frequenz) und analysiert die Trade-offs zwischen Hardware-Skalierung und Effizienz.
• Robustheitsanalyse: Die Studie validiert die Stabilität der vorgeschlagenen Steuerschwellenwerte über verschiedene Jahre hinweg und unter variierenden Annahmen bezüglich eingebetteter Emissionen und Anschaffungskosten.

4. Hauptergebnisse

A. Optimierung der Kohlenstoffemissionen

• Signifikantes Einsparpotenzial: Der dynamische Betrieb kann Kohlenstoffemissionen reduzieren, wobei das Ausmaß stark vom Idle-Leistungsverbrauch der Hardware abhängt.
  • BAFmodern (Backfilling): Erzielte die höchste Reduktion mit ~8,2 % ($u_{opt} = 0,635$), bedingt durch ein niedriges Idle-zu-Max-Leistungsverhältnis ($P_{idle}/P_{max} \approx 15\%$).
  • DEEPDAM: Zeigte keine Einsparungen ($u_{opt} = 1,0$), da der Idle-Leistungsverbrauch zu hoch war ($\approx 48\%$ der Maximalleistung), was die Vorteile des Abschaltens zunichtemachte.
• Schwellenwerte: Optimaler Emissionsschwellenwerte wurden zwischen 458 und 714 $kgCO_2/MWh$ ermittelt.
• Empfindlichkeit gegenüber Idle-Leistung: Wenn $P_{idle}/P_{max} > 0,4$ ist, bietet der dynamische Betrieb keinen Vorteil. Wenn der Cluster vollständig abgeschaltet werden könnte ($P_{idle}=0$), könnten die Einsparungen 50 % überschreiten.
• Eingebettete Emissionen: Die Unsicherheit bei eingebetteten Emissionen (Herstellung) hatte einen geringen Einfluss auf die optimale Auslastung, was bestätigt, dass betriebliche Einsparungen die eingebetteten Kosten für das Hochskalieren der Hardware in der Regel überwiegen.
• Validierung: Die extrapolierten Schwellenwerte für 2023 und 2025 führten zu Abweichungen von weniger als 2 % vom Zielwert der Auslastung, was beweist, dass die Strategie gegenüber Netzvolatilität robust ist.

B. Optimierung der Betriebskosten

• Begrenzte Einsparungen: Kostensenkungen waren minimal und lagen allgemein unter 1 % für alle Szenarien.
• Dominierender Faktor: Die hohen Anschaffungskosten ($C_{acq}$) der zusätzlichen Hardware, die erforderlich ist, um das Rechenziel während Ausfallzeiten aufrechtzuerhalten, überwogen die Einsparungen durch den Kauf günstigeren Stroms.
• Empfindlichkeit: Selbst unter Annahme einer 50%igen Reduktion der Hardware-Anschaffungskosten blieben die Gesamteinsparungen unter 2 %.

C. Begrenzung der Taktfrequenz vs. dynamischer Betrieb

• Für das GridKaARM-Setup wurde die Begrenzung der CPU-Taktfrequenz auf ihren effizientesten Punkt (Reduzierung der Leistung um 40 % bei nur 19 % Leistungsabfall) mit dem dynamischen Betrieb verglichen.
• Ergebnis: Im Szenario „Backfilling" reduzierte die Begrenzung der Taktfrequenz die Emissionen um ~20 % und schnitt dabei deutlich besser ab als der dynamische Betrieb. Dies ist jedoch stark hardwareabhängig.

5. Bedeutung und Fazit

• Ökologische Auswirkungen: Die dynamische Sektorkopplung ist eine tragfähige Strategie zur Reduzierung des CO2-Fußabdrucks wissenschaftlichen Rechnens, vorausgesetzt, die Hardware weist einen geringen Idle-Leistungsverbrauch auf. Die Studie legt nahe, dass die Optimierung der Hardware auf stromsparende Idle-Zustände kritischer ist als die Steuerungssoftware selbst.
• Ökonomische Realität: Während die ökologischen Vorteile klar sind, ist der wirtschaftliche Fall unter den aktuellen Marktbedingungen aufgrund hoher Hardware-Anschaffungskosten schwach. Die „Kosten der Flexibilität" (Kauf weiterer Server) übersteigen derzeit die „Einsparungen der Flexibilität" (günstigerer Strom).
• Ausblick:
  • Mit zunehmender Durchdringung erneuerbarer Energien wird die Volatilität des Netzes wahrscheinlich zunehmen, was die Lücke zwischen Perioden mit hohem und niedrigem Emissionsausstoß vergrößern und den dynamischen Betrieb effektiver machen könnte.
  • Wenn die Hardware-Anschaffungskosten sinken oder wenn „grüne" Beschaffungspolitiken den eingebetteten Kohlenstoffgehalt von Servern senken, könnte sich der wirtschaftliche Fall verbessern.
  • Implementierungsherausforderungen: Die praktische Umsetzung erfordert robuste Job-Scheduling-Systeme, die in der Lage sind, Aufgaben sofort zu pausieren und wieder aufzunehmen, sowie die Berücksichtigung von Hochfahr- und Herunterfahrzeiten, die in dieser Simulation vereinfacht wurden.

Zusammenfassend beweist das Papier, dass dynamischer Betrieb ein wirksames Instrument zur Dekarbonisierung im wissenschaftlichen Rechnen ist, aber seine wirtschaftliche Tragfähigkeit derzeit durch Hardwarekosten begrenzt ist. Die wichtigste technische Voraussetzung für den Erfolg ist die Entwicklung von Rechenhardware, die im Idle-Zustand vernachlässigbare Leistung verbraucht.