Bei der Nutzung digitaler Technologien in Gebäuden und Quartieren werden unterschiedliche Datenverarbeitungsprozesse durchlaufen. Einen Überblick über einige der möglichen Prozessschritte bietet das Schaubild in Abbildung 1. Eingeteilt in fünf Hauptkategorien entlang der Daten-Wertschöpfungskette finden sich dort viele Prozessschritte wieder, die bei digitalen Anwendungen im Gebäude- und Quartiersbereich zum Einsatz kommen. Hinter jedem Datenverarbeitungsprozessschritt steht eine programmierte Anweisung, die oftmals in Schleifen ausgeführt wird. Dadurch kommt es ununterbrochen zur Generierung von Daten, welche auch mit einem entsprechenden Energieverbrauch verbunden ist. Bei der Bilanzierung der durch die digitale Anwendung verursachten Umweltlasten muss also zu allererst das Datenaufkommen bzw. der Datenaufwand (z. B. in GB/Jahr) bekannt sein.

Während der Nutzungsphase werden die entsprechenden Prozessschritte ununterbrochen von Komponenten der digitalen Anwendung ausgeführt. Hierbei ist anzumerken, dass die entstehenden Energieverbräuche im Betrieb, die für die Realisierung der Daten-Wertschöpfungskette notwendig sind, entsprechend zugeteilt werden müssen. Ein vereinfachendes Beispiel hierfür ist ein Temperatursensor im Gebäude, dessen Messwert alle 15 Minuten direkt von einem Arbeitsrechner im selben Gebäude abgefragt wird. Für diesen Prozessschritt (Abfrage von Sensordaten) entsteht ein entsprechender Datenaufwand und ein damit verbundener Energieverbrauch – und zwar beim Arbeitsrechner. Zusätzlich wird für den Betrieb des Sensors auch noch Energie verbraucht (z. B. batteriebetriebener kabelloser Sensor). Dieser Energieverbrauch ist wiederum der Komponente an sich zuzurechnen (siehe „Aufwände für häufig verwendete Komponenten“).

Nutzende digitaler Anwendungen kennen die Bandbreiten (Datenvolumen/Zeiteinheit) einzelner Prozessschritte häufig nicht. Für eine einfache Abschätzung des Ressourcen- und Energieaufwands für die Datenverarbeitung können die Prozessschritte aggregiert als Gesamtdatenaufwand (GB/a) der digitalen Anwendung betrachtet werden. Wenn darüber hinaus noch der Standort der Server/Rechenzentren, die Technologie für den Datentransfer und der Zweck der Nutzung des Servers/Rechenzentrums bekannt sind, können der Stromverbrauch, der kumulierte Energieaufwand und die Treibhausgasemissionen abgeschätzt werden.

Energieverbrauch durch die Datenübertragung: Für den Transfer der Daten über die Internet-Infrastruktur muss an vielen Stellen (z. B. Repeater, Verstärker) Energie zum Betrieb der Geräte aufgewandt werden. Je nach Standort des Rechenzentrums (Länge der Übertragungsstrecke) ergibt sich für den Datentransfer eine unterschiedliche Anzahl an beteiligter Infrastruktur und damit ein Energieverbrauch, der i.d.R. mit Zunahme der Distanz ansteigt. Ebenso unterscheidet sich der Energieaufwand je nach Datenübertragungstechnologie der Zugangsnetzwerke (z. B. kabellos/kabelgebunden). In der Literatur variieren die Angaben zum Energieverbrauch für die Datenübertragung zum Teil deutlich, wobei das Alter der Technologie sowie die betrachteten Systemgrenzen maßgeblichen Einfluss haben (Coroama et al. 2015; Gröger et al. 2021; Gröger 2020; Wohlschlager et al. 2022; Wu et al. 2019; Gährs et al. 2021). Grob unterteilt setzt sich die Datenübertragung bis zum Eingang am Rechenzentrum aus dem Netzwerkequipment des Senders, dem Zugangsnetzwerk (z.B. 4G-Netzwerk) und dem Kernnetzwerk des Internets zusammen. Gerade der Energieverbrauch für das Zugangs- und Kernnetzwerk bleiben den Nutzenden digitaler Anwendungen dabei oftmals verborgen, weshalb diese hier abgeschätzt werden.

Als Stromverbrauch des Kernnetzes wurde ein Basiswert von 52 Wh/GB angenommen (Gröger 2020; Schien et al. 2015). Als Zugangsnetzwerke wurden drei Technologien betrachtet: mit den 4G und 5G Netzwerken zwei kabellose und mit dem VDSL (stellvertretend für die fixed access broadband networks - FAN) eine kabelgebundene Technologie. Für diese Technologien wurden die von Wu et al. (2019) projizierten Verbrauchswerte für 2024 verwendet, die sich zu 40 Wh/GB (4G), 9 Wh/GB (5G) und 10 Wh/GB (FAN) ergeben. Um unterschiedliche Entfernungen der Server abbilden zu können, wurde basierend auf Literaturangaben ein Korrekturfaktor berechnet. Der hier als Mark-up-Faktor bezeichnete Korrekturfaktor spiegelt die zusätzliche Leistungsaufnahme der Infrastrukturkomponenten in Abhängigkeit des Serverstandorts wider. Für Serverstandorte in Europa und in den USA ergibt sich für einen definierten Datenstrom von 1 GB/h eine zusätzliche Leistungsaufnahme von 0,3 bzw. 1 W, verglichen mit dem Serverstandort Deutschland (Gröger et al. 2021). Für die Faktorberechnung wurde diese zusätzliche Leistungsaufnahme ins Verhältnis zu den von Gröger et al. (2021) ermittelten Leistungsaufnahmen der jeweiligen Datenübertragung mittels VDSL, 4G und 5G gesetzt. Die sich daraus ergebenen Mark-up-Faktoren sind in Tabelle 1 aufgeschlüsselt. Der Stromverbrauch am jeweiligen Standort kann daraufhin über die Summe des Verbrauchs des Kern- und Zugangsnetzwerks multipliziert mit dem jeweiligen Mark-up-Faktor abgeschätzt werden. Die sich ergebenen Kennwerte sind in Tabelle 2 aufgelistet. Dort sind auch die resultierenden Treibhausgasemissionen angegeben, die schätzungsweise aus den Emissionsfaktoren der Standorte berechnet wurden1. Zur genauen Berechnung des CO2-Fußabdrucks entlang des Übertragungsweges müsste der exakte Übertragungsweg bekannt sein, um so länderspezifische Emissionsfaktoren in die Berechnungen einbeziehen zu können.

Tabelle 1:Mark-up-Faktoren für längere Übertragungsdistanzen. Gebildet aus dem Verhältnis aus der zusätzlichen Leistungsaufnahme durch längere Distanzen zur technologiespezifischen Leistungsaufnahme aller Komponenten der Zugangs- und Kernnetzwerke am Standort Deutschland. Basierend auf den Werten in (Gröger et al. 2021)

Mark-up-Faktoren für längere Übertragungsdistanzen	VDSL	4G (LTE)	5G
Deutschland	1,00	1,00	1,00
Europa (außer DE)	1,18	1,03	1,10
USA/Asien	1,61	1,11	1,34

Tabelle 2: Übersicht des standortabhängigen Stromverbrauchs und der Treibhausgasemissionen, die die technologieabhängige Übertragung von einem GB verursachen.

	Energieverbrauch (Strom) Datenübertragung [kWh/GB]			Treibhausgasemissionen Datenübertragung [kg CO2eq/GB]
	VDSL	4G (LTE)	5G	VDSL	4G (LTE)	5G
Deutschland	0,062	0,092	0,061	0,031	0,046	0,030
Europa (außer DE)	0,071	0,093	0,066	0,018	0,023	0,017
USA/Asien	0,094	0,097	0,079	0,037	0,038	0,031

Energie- und Ressourcenverbrauch im Rechenzentrum (basierend auf der Studie Green Cloud Computing (Gröger et al. 2021)): Mit Dateneingang im Rechenzentrum entsteht ein Energieverbrauch durch den Betrieb der Hardware im Rechenzentrum (z. B. Server, Klimatisierung, Netzwerktechnik). Dieser muss anteilig auf die durch die Daten der digitalen Anwendung beanspruchten Ressourcen angerechnet werden. Da sich Rechenzentren in ihrer Effizienz unterscheiden, ist daher auch der Energieverbrauch für ein GB Daten je nach Rechenzentrum verschieden. Weiterhin muss beachtet werden, dass die Höhe des Energieverbrauchs von den jeweiligen Diensten abhängig ist, die im Rechenzentrum durchgeführt werden sollen. Unterschiedliche Dienste beanspruchen die Hardwarekomponenten des Rechenzentrums (i.e. Speicher, Arbeitsspeicher, Prozessor, Infrastruktur) verschieden stark. Durch das Dienst-abhängige Bereitstellen der physischen Ressourcen entsteht folglich ein variierender CO2-Fußabdruck für die genutzte Hardware des Rechenzentrums. So wird die Hardware beispielsweise durch das reine Speichern von Daten (Backup) anders genutzt als im Falle von Online-Anwendungen, die auf den Servern des Rechenzentrums laufen, aber nur zu bestimmten Zeitpunkten durch die digitale Anwendung abgefragt bzw. genutzt werden.

Häufige Dienste, für die digitale Anwendungen in Rechenzentren in Forschungsprojekten zur Anwendung kommen, sind das reine Speichern/Backup von Daten (folgend Use-Case „Online-Storage“) und das Bearbeiten (z. B. mittels Analysealgorithmen), Verwerten und anschließende Speichern von Daten. Letzterer Anwendungsfall (hier „virtuelle Maschine“) kann grob mit der Nutzung eines Servers als virtuelle Desktopumgebung verglichen werden. Während das Speichern von Daten vor allem die Ressource „Speicher“ nutzt und dies auch physikalisch als Anteil der genutzten Speicherkapazität allokiert werden kann, werden Nutzenden virtueller Maschinen die physikalischen Ressourcen nur virtuell zugesichert. Dies führt jedoch nicht zwingend zu einer physikalischen Belegung, da beispielsweise der Arbeitsspeicher nach der ausgeführten Datenbearbeitung wieder für andere Prozesse zur Verfügung steht. Den Use-Case der virtuellen Maschine betrachten die Autoren von Green Cloud Computing mit der Anzahl an Usern als Nutzen (in der Studie Green Cloud Computing als Anwendungsfall „Virtuelle Desktop Infrastruktur“). Für die Forschungsprojekte ist jedoch nicht die Anzahl an Nutzenden von Interesse, sondern das Aufbereiten und Speichern von Daten mittels der virtuellen Ressourcen. Daher wird der Nutzen hier ebenso als belegter Speicherplatz definiert. Das vereinfacht die Abschätzung der entstehenden Energie- und Ressourcenaufwände. Denn dieses Vorgehen bedeutet, dass der eingehende Datenaufwand im Rechenzentrum weiterverarbeitet und anschließend mit der gleichen Größe [GB] wie beim Eingang gespeichert wird.

Im Folgenden wird die Berechnung der Kennwerte für die Abschätzung des Energie- und Ressourcenaufwands anhand der Use-Cases beschrieben:

1. CO2-Fußabruck der Rechenzentren basierend auf den Arbeiten von Gröger et al. 2021: Die Komponenten/Ressourcen von unterschiedlichen Rechenzentren wurden in die Kategorien Server, Speicher, Netzwerk und Infrastruktur aufgeteilt und deren Energieverbrauch quantifiziert. Die Rechenzentren, in denen der jeweilige Use-Case zur Anwendung kommt, unterscheiden sich hinsichtlich ihrer Kennwerte recht stark voneinander. Für den Fall „Online-Storage“ wurden die Werte von vier Testrechenzentren, die in der Studie für den gleichnamigen Anwendungsfall untersucht wurden, gemittelt und auf die mittlere Speicherkapazität aller Rechenzentren bezogen. Für den Use-Case „virtuelle Maschine“ wurden in Anlehnung an den Anwendungsfall „Virtuelle Desktop Infrastruktur“ die Kennwerte zweier Rechenzentren einer Bundesbehörde verwendet. Bei einer virtuellen Desktop Infrastruktur laufen sowohl das Betriebssystem als auch die Softwareanwendungen auf dem Rechenzentrum. Es bedarf damit lediglich eines vergleichbar ressourcenarmen Computers (i.e. es werden keine aufwändigen Prozesse auf dem Computer selbst ausgeführt), der den Zugang zum Rechenzentrum herstellen sowie die Ein- und Ausgaben verarbeiten/anzeigen muss. Für die typischen Anwendungen einer Bundesbehörde berechnen die Autoren von Green Cloud Computing einen jährlichen CO2-Fußabdruck von 59 kg CO_2eq/user. Zudem gehen die Autoren davon aus, dass die Nutzung der virtuellen Infrastruktur durch die 890 User ca. 9 % der Speicherkapazität bindet, die auch physisch allokiert werden können. Bei einer Gesamtspeicherkapazität von 213,6 TB entfallen somit 19,3 TB auf die Nutzung der virtuellen Infrastruktur bzw. 21,6 GB/User. Geht man davon aus, dass sich alle anderen Prozesse (Server, Infrastruktur, Netzwerk – die Allokationsfaktoren sind in der Studie für alle Anteile ähnlich) proportional mit der Speicherkapazität ändern und das ein Forschungsprojekt einem User gleichkommt, so lässt sich der CO2-Fußabdruck über den Quotienten des Datenaufwands und der GB/User des Use-Cases ausdrücken. Wenn beispielsweise ein Projekt 10 GB/a an Datenaufwand besitzt, ergäbe sich nach dieser Schätzung ein CO2-Fußabdruck von 27,3 kg CO2eq/a (10 GB/a / 21,6 GB/a * 59 kg CO2eq/a).
2. Berechnung des kumulierten Energiebedarfs (KEA) aus dem CO2-Fußabdruck: Der CO2-Fußabdruck und der KEA sind eng miteinander verbunden. Da in allen Fällen angenommen wird, dass die involvierten Prozesse für die Lebensphasen gleich sind, ist der KEA in einer ersten Näherung über eine Konstante verknüpft. Diese wurde für die in Gröger et al. (2021) untersuchten Rechenzentren bestimmt und somit die unter 1) berechneten CO2-Fußabdrücke umgerechnet. Dabei ist anzumerken, dass die Umrechnung der THG-Emissionen maßgeblich den Emissionsfaktor des Strommixes für die Nutzungsphase enthält. In den hier aufgeführten Kennwerten ist demnach ein höherer, weil älterer Emissionsfaktor für Strom enthalten (0,635 kg CO_2eq/kWh), weshalb die Angaben als eher konservativ zu betrachten sind. Da sich die Use-Cases in der Green Cloud Computing Studie nur auf einen Standort (Deutschland) der Server beziehen, wurde der kumulierte Energiebedarf an anderen Standorten (EU und USA) aus dem abgeschätzten Stromverbrauch im Rechenzentrum angenähert (siehe Tabelle 3).
3. Abschätzung des Stromverbrauchs der Rechenzentren während der Nutzungsphase: Aufgeteilt nach Lebenszyklusphase entstammt der Großteil der CO2-Emissionen aus dem Betrieb des Rechenzentrums. Obwohl auch hier anzumerken ist, dass die Verteilung der Emissionen auf Herstellung und Nutzung stark abhängig vom Rechenzentrum ist. Nichtdestotrotz, hat damit der Stromverbrauch und dessen Zusammensetzung nach Energieträger maßgeblichen Einfluss auf den CO2-Fußabdruck. Die Wichtigkeit der Energieeffizienz in Rechenzentren wird daher auch im Energieeffizienzgesetz (EnEfG) berücksichtigt – wenn auch nur für verhältnismäßig große Rechenzentren. Der Stromverbrauch kann aus dem kumulierten Energieverbrauch und dem standortabhängigen Primärenergiefaktor für Strom abgeschätzt werden. Für die Abschätzung des kumulierten Energieverbrauchs an anderen Standorten (EU, USA) wird angenommen, dass der absolute Stromverbrauch unabhängig vom Standort des Rechenzentrums ist (Vernachlässigung von externen Einflüssen wie Wetter).

Die sich für die beiden Anwendungsfälle aus der Berechnung ergebenen Kennwerte sind in Tabelle 3 gegenübergestellt.

Tabelle 3: Übersicht der standortabhängigen Treibhausgasemissionen, des Kumulierten Energieverbrauchs und des Stromverbrauchs für die Speicherung oder Aufbereitung + Speicherung von einem GB in einem Rechenzentrum. Anmerkung: je nach Rechenzentrum können sich die tatsächlichen Werte stark unterscheiden. Die hier angegeben Werte können daher nur zur Abschätzung verwendet werden. PEF = Primärenergiefaktor.

Jährliche Werte für Rechenzentrum Standort Deutschland	Online-Storage / Backup	Virtuelle Maschine	Anmerkungen
Jährliche Treibhausgasemissionen Rechenzentrum [kg CO2eq/GB]	0,21	2,73
Jährlicher Kumulierter Energieverbrauch Rechenzentrum [kWh_primär/GB]	0,94	12,74
Jährlicher Stromverbrauch [kWh_el/GB]	0,31	4,25	Angenommener PEF = 3,0

Abgeschätzte Werte für Rechenzentren außerhalb Deutschlands	Online-Storage / Backup	Virtuelle Maschine	Anmerkungen
Jährliche Treibhausgasemissionen Rechenzentrum EU (außer DE) [kg CO2eq/GB]	0,14	1,82
Jährliche Treibhausgasemissionen Rechenzentrum USA [kg CO2eq/GB]	0,21	2,73
Jährlicher Kumulierter Energieverbrauch Rechenzentrum EU (außer DE) [kWh_primär/GB]	0,63	8,49	Angenommener PEF = 2,0
Jährlicher Kumulierter Energieverbrauch Rechenzentrum USA [kWh_primär/GB]	0,94	12,74	Angenommener PEF = 3,0

Hinweise zur Nutzung der Kennwerte

Die oben genannten Kennwerte dienen der groben Orientierung. Die tatsächlichen Emissionen können je nach Rechenzentrum (Standort, Ausstattung, Effizienz, Strommix etc.) und – wie oben ersichtlich wird – vor allem auch auf Grund des Anwendungsfalls stark variieren. So lässt sich für die allgemeine Internetnutzung ein weitaus geringerer CO2-Fußabdruck von 0,032 kg CO_2eq/GB finden (Obringer et al. 2021). Auch sei darauf hingewiesen, dass sich Literaturwerte z.T. stark bezüglich des Energieverbrauchs / der Emissionen unterscheiden. Gerade technologische Fortschritte / Effizienzgewinne entlang der gesamten Datenwertschöpfungskette, aber auch unterschiedliche Methoden zur Berechnung der Umweltlasten führen zu variierenden Werten. Ebenso wird die Angabe spezifischer Werte wie kWh/GB durchaus hinterfragt (Kamiya 2020). Unter anderem bewirken bei solchen Angaben rechnerische Effekte wie ein proportional stärker ansteigender Datenverkehr, dass die Datenübertragung scheinbar effizienter wird (Gröger 2020).

Weiterführende Literatur

• Coroama, Vlad C., Daniel Schien, Chris Preist und Lorenz M. Hilty (2015): The Energy Intensity of the Internet: Home and Access Networks. In: ICT Innovations for Sustainability, hg. v. Lorenz M. Hilty und Bernard Aebischer, S. 137–155. Cham.
• Gährs, Swantje, Hannes Bluhm, Elisa Dunkelberg, Jannes Katner, Julika Weiß, Peter Henning, Laurenz Hermann und Knauff Matthias (2021): Potenziale der Digitalisierung für die Minderung von Treibhausgasemissionen im Energiebereich.
• Gröger, Jens (2020): Digitaler CO2-Fußabdruck - Datensammlung zur Abschätzung von Herstellungsaufwand, Energieverbrauch und Nutzung digitaler Endgeräte und Dienste.
• Gröger, Jens, Ran Liu, Lutz Stobbe, Jens Druschke und Nikolai Richter (2021): Green Cloud Computing. Umweltbundesamt. https://www.umweltbundesamt.de/publikationen/green-cloud-computing.
• Kamiya, George (2020): The carbon footprint of streaming video: fact-checking the headlines – Analysis. IEA. Website: https://www.iea.org/commentaries/the-carbon-footprint-of-streaming-video-fact-checking-the-headlines (Zugriff: 13. Juni 2024).
• Obringer, Renee, Benjamin Rachunok, Debora Maia-Silva, Maryam Arbabzadeh, Roshanak Nateghi und Kaveh Madani (2021): The overlooked environmental footprint of increasing Internet use. Resources, Conservation and Recycling 167 (1. April): 105389.
• Schien, Daniel, Vlad C. Coroama, Lorenz M. Hilty und Chris Preist (2015): The Energy Intensity of the Internet: Edge and Core Networks. In: ICT Innovations for Sustainability, hg. v. Lorenz M. Hilty und Bernard Aebischer, S. 157–170. Cham.
• Wohlschlager, Daniela, Sofia Haas und Anika Neitz-Regett (2022): Comparative environmental impact assessment of ICT for smart charging of electric vehicles in Germany. Procedia CIRP 105: 583–588.
• Wu, Anson, Paul Ryan und Terence Smith (2019): Intelligent Efficiency For Data Centres & Wide Area Networks. Report Prepared for IEA-4E EDNA. https://www.iea-4e.org/wp-content/uploads/publications/2019/05/A1b_-_DC_WAN_V1.0.pdf.