Assessing climate change driven cooling cost risks in tropical data centres via a machine learning approach

An increasing use of data centres due to digitalisation and AI systems is driving up energy demand, with cooling systems accounting for a large share of the consumption. Climate change on the other hand is intensifying weather conditions, especially in humid, tropical regions. Tropical regions such as southeast Asia are expected to have the greatest population and economic growth in the upcoming century. This thesis investigates the impact of climate change on energy consumption within data centre CRAC units in humid, tropical regions. The main objective is modelling future projections to provide long term energy and cost predictions under various climate scenarios. LSTM neural networks are used to model complex, non-linear and time dependent relationships in energy demand. The model is trained via the use of operational data from a tropical nation’s (Singapore) data centre. Subsequently, the model generalises future predictions based on three climate pathways, with climate change inputs received from the Meteorological Service of Singapore. The study reveals energy costs will increase significantly under high-carbon growth scenarios. SSP5 exhibits the most aggressive growth in cooling demand, with SSP2 acting as a middle of the road scenario and SSP1 showing relative stability until 2100. External temperature at the condenser unit is identified as a dominant driver for this increase in cooling costs in tropical contexts. By 2100, the difference between the most and least sustainable scenarios is set to reach roughly 10%, with the divergence expected to grow past that year. Overall, the results confirm that climate change is a direct threat to financial and energy resilience when concerning digital infrastructure located in the tropics. Furthermore, the thesis demonstrates LSTM architecture as being applicable to long term infrastructure forecasting. Fundamentally, the research highlights the need for a low-carbon energy transition to mitigate the increasing costs of essential data centre infrastructure.

Il crescente utilizzo dei data center dovuto alla digitalizzazione e ai sistemi di intelligenza artificiale sta facendo aumentare la domanda di energia, con i sistemi di raffreddamento che rappresentano una quota importante del consumo. Il cambiamento climatico, d'altra parte, sta intensificando le condizioni meteorologiche, soprattutto nelle regioni tropicali umide. Si prevede che le regioni tropicali come il sud-est asiatico registreranno la maggiore crescita demografica ed economica nel prossimo secolo. Questa tesi studia l'impatto dei cambiamenti climatici sul consumo energetico delle unità CRAC dei data center nelle regioni tropicali umide. L'obiettivo principale è modellare le proiezioni future per fornire previsioni a lungo termine sull'energia e sui costi in vari scenari climatici. Le reti neurali LSTM sono utilizzate per modellare relazioni complesse, non lineari e dipendenti dal tempo nella domanda di energia. Il modello è stato addestrato utilizzando i dati operativi del data center di una nazione tropicale (Singapore). Successivamente, il modello generalizza le previsioni future sulla base di tre percorsi climatici, con input sui cambiamenti climatici ricevuti dal Servizio Meteorologico di Singapore. Lo studio rivela che i costi energetici aumenteranno in modo significativo in scenari di crescita ad alto tenore di carbonio. L'SSP5 mostra la crescita più aggressiva della domanda di raffreddamento, con l'SSP2 che rappresenta uno scenario intermedio e l'SSP1 che mostra una relativa stabilità fino al 2100. La temperatura esterna dell'unità di condensazione è identificata come il fattore dominante di questo aumento dei costi di raffreddamento nei contesti tropicali. Entro il 2100, la differenza tra lo scenario più sostenibile e quello meno sostenibile dovrebbe raggiungere circa il 10%, con una divergenza che dovrebbe aumentare dopo quell'anno. Nel complesso, i risultati confermano che il cambiamento climatico rappresenta una minaccia diretta alla resilienza finanziaria ed energetica delle infrastrutture digitali situate nei tropici. Inoltre, la tesi dimostra che l'architettura LSTM è applicabile alle previsioni infrastrutturali a lungo termine. Fondamentalmente, la ricerca evidenzia la necessità di una transizione energetica a basse emissioni di carbonio per mitigare i costi crescenti delle infrastrutture essenziali dei data center.