21.10.2026 – Als Grundlage für den digitalen Zwilling ihrer Stromnetze nutzt die italienische Enel Group die Graphdatenbank von Neo4j – und kann damit unter anderem 80 Prozent der Netzanschlussanfragen automatisiert bearbeiten.
Überall in Europa verändert die Energie-, Verkehrs- und Wärmewende den Energiesektor grundlegend. Während der Strombedarf durch Elektromobilität, Wärmepumpen, KI und Rechenzentren steigt, verlagert sich die Stromproduktion auf Millionen dezentraler Erzeugungsanlagen. Neue Anlagen und Verbraucher kurzfristig zu integrieren und Lastspitzen sowie bidirektionale Stromflüsse zu beherrschen, für die viele Netze historisch nicht ausgelegt sind, wird für Netzbetreiber zunehmend zur Herausforderung.
Foto: ASoullife / stock.adobe.com / KI-generiert
Wachsende Komplexität kontrollieren
Klassische IT-Architekturen und relationale Datenmodelle stoßen hier schnell an ihre Grenzen. Das erkannte auch die italienische Enel Group – mit über 70 Millionen Kunden in neun Ländern eines der größten Energieunternehmen Europas. Allein die Tochtergesellschaft E-Distribuzione betreibt nahezu 90 Prozent der italienischen Verteilnetze. „Die Bearbeitung von Netzanschlussanfragen basierte früher auf nächtlichen Batchläufen und Näherungswerten in unserem relationalen Datenbanksystem“, erklärt Leonisio Schepis. Der Solution Architect verantwortet mit seinem Topology-Team die Modellierung der Stromflüsse und Netzstrukturen im gesamten Enel-Netz. „Um tausende solcher Anfragen zu bearbeiten, benötigt man enorme Ressourcen.“
Graphtechnologie für Netzanalysen
Schepis und seinem Team wurde bewusst, dass sich ein Stromnetz im Prinzip wie ein Graph verhält – in der Mathematik eine abstrakte Struktur, die eine Menge von Objekten zusammen mit den zwischen diesen Objekten bestehenden Verbindungen repräsentiert. Digital lassen sich solche Strukturen in Graphdatenbanken abbilden, die zum Beispiel in sozialen Netzwerken, im Finanzsektor oder Onlineshops für Analysen und Empfehlungen genutzt werden. Anders als klassische Datenbanken, die Informationen in separaten Tabellen speichern und dort auch abfragen müssen, bilden Graphdatenbanken die physischen Beziehungen zwischen einzelnen Elementen direkt ab. Dabei werden Daten als Knoten und deren Verbindungen als Kanten dargestellt. Knoten und Kanten können mit beliebigen Eigenschaften versehen werden. So können Anwender ein dynamisches, realitätsnahes Modell ihrer spezifischen Infrastruktur erschaffen, das sich sehr effizient durchsuchen und auswerten lässt. Daten aus vorhandenen GIS, ERP- oder aEMT-System lassen sich dazu ebenso integrieren wie Echtzeitinformationen aus Messsystemen oder Sensoren.
Enel modelliert seine Netze erfolgreich mit- hilfe der Neo4j-Daten- bank-Technologie. (Foto: Enel S.p.A.)
Das intuitive Datenmodell lässt sich auf unterschiedlichste Bereiche übertragen. Im Energiesektor stellen Graphdatenbanken beispielsweise die physischen Verbindungen zwischen Transformatoren, Umspannwerken und Stromleitungen direkt im Datenmodell dar. Auch Einspeisepunkte, Netzebenen und Schaltzustände können als Knoten und Kanten abgebildet werden. Zusammenhänge und Abhängigkeiten lassen sich in Echtzeit analysieren – etwa für die Bearbeitung von Netzanschlussanfragen. Während relationale Datenbanken für solche Auswertungen komplexe Joins über viele Tabellen hinweg benötigen, ermitteln Graphdatenbanken die relevanten Verbindungen direkt im Datenmodell. „Dadurch bleiben auch tiefe und stark vernetzte Abfragen bei großen Datenvolumen performant, er-äutert Heiko Schönfelder, Head Of Sales DACH bei Neo4j, Anbieter einer der führenden Graphdatenbanken weltweit.
Vom Test zum digitalen Zwilling
Das Team von Enel testete verschiedene Graphdatenbanken und SQL-Alternativen anhand von 21 unterschiedlichen Netzwerkszenarien. Dafür entstanden Testdatenbanken, die von einzelnen Landesnetzen bis hin zu Simulationen reichten, die fünfmal größer waren als die bestehende Infrastruktur.
Schließlich entschied sich Enel für die Graphdatenbank Neo4j. „Enel kann den Netzwerkgraphen direkt traversieren und komplexe Netzbeziehungen in Echtzeit analysieren. Kritische Graph-Operationen verarbeitet die Plattform dabei in weniger als 100 Mikrosekunden“, ergänzt Heiko Schönfelder. Auch die Neo4j-eigene Abfragesprache Cypher erweist sich für das IT-Team von Enel als intuitiv. „Als ich zum ersten Mal eine Cypher-Abfrage gesehen habe, fand ich sie sofort verständlich“, so Schepis. „Selbst ohne die Syntax zu kennen, versteht man, was passiert. Man erkennt sofort, wenn etwas nicht plausibel ist.“
Datenmodell im Vergleich: Relationale Datenbank und Graphdatenbank.
(Grafik: Neo4j GmbH)
Enel begann schrittweise mit der Implementierung und modellierte zunächst isolierte Inselnetze in der Graphdatenbank. Aufgrund ihrer physischen Trennung eigneten sie sich besonders gut, um den daraus resultierenden digitalen Zwilling kontinuierlich zu validieren. Anschließend migrierte das Unternehmen seine Stromnetzinfrastruktur auf die Neo4j Graphdatenbank, ehe die Lösung auf regionale und nationale Netze ausgeweitet wurde.
Geschwindigkeit, Skalierbarkeit und neue Services
Der digitale Zwilling von Enel umfasst heute 600 Millionen Knoten und 800 Millionen Beziehungen. Die virtuelle Kopie der kompletten Netzinfrastruktur bildet Abhängigkeiten und Lastflüsse innerhalb des Stromnetzes in Echtzeit ab. Auswirkungen von Veränderungen lassen sich simulieren, um lokale Engpässe frühzeitig zu erkennen. Dank des Knoten-Kanten-Prinzips lassen sich neue Anschlüsse und Informationen fortlaufend ergänzen, ohne das Modell anpassen zu müssen. Insgesamt verarbeitet die Enel-Graphdatenbank rund ein Terabyte Daten über zehn länderspezifische Datenbanken hinweg und täglich etwa 500.000 Abfragen bei konstant hoher Performance. Drei AWS-Cluster mit jeweils drei Knoten unterstützen dabei den globalen Betrieb.
Die Umstellung auf Graphtechnologie brachte für Enel messbare Vorteile im Netzbetrieb, berichtet Schönfelder: „Netzanalysen laufen heute bis zu hundertmal schneller ab. Statt auf nächtliche Batchläufe angewiesen zu sein, kann das Unternehmen Netzanschlüsse, Lastflüsse und potenzielle Engpässe nahezu in Echtzeit analysieren. Gleichzeitig verbesserten sich Konsistenz und Zuverlässigkeit der Daten, während redundante Datenbestände reduziert werden konnten.“
Besonders spürbar sind die Auswirkungen im Kundenservice. „Die Graphdatenbank schafft ein besseres Kundenerlebnis“, betont Schepis. „Die Technologie spart Zeit und Kosten, reduziert Fehler und skaliert zuverlässig.“ Allein in Italien stieg der Anteil automatisierter Netzanschlussbewertungen von zehn auf 80 Prozent. Das bringe Einsparungen und erhöhe die Kundenzufriedenheit. Inzwischen rollt Enel den Service auch auf Spanien und weitere Märkte aus.
Räumliche Visualisie- rung der ersten Imple- mentierungstests von Enel mit Neo4j. (Foto: Enel S.p.A.)
Durch die automatisierte Bearbeitung von Netzanschlüssen und die deutlich verkürzten Bearbeitungszeiten kann Enel Erzeuger erneuerbarer Energien schneller ans Netz bringen – und kommt damit seinem erklärten Ziel einer emissionsfreien Energieversorgung bis 2040 näher. Tatsächlich ist das Land auf einem guten Weg: 2025 kamen Erhebungen der Datenplattform OWID zufolge etwa 7,2 GW erneuerbarer Erzeugungskapazitäten hinzu, allein die PV-Leistung wuchs im Jahresvergleich um rund 25 Prozent.
Grundlage für digitale Transformation und KI
Gleichzeitig bilden die Graphinfrastruktur und der digitale Zwilling von Enel inzwischen die Grundlage für die digitale Transformation des Unternehmens. Unterschiedliche Teams nutzen die Neo4j-Plattform für Echtzeit-Monitoring, Netzplanung und datengetriebene Analysen. Data-Science-Teams entwickeln darauf Modelle für Predictive Maintenance, während Planungsteams zukünftige Netzausbauten und die Integration erneuerbarer Energien simulieren.
Zudem entstehen neue digitale Services für Kunden. Enel plant bis 2030 eine erneuerbare Erzeugungskapazität von 154 Gigawatt. „Die Graphdatenbank liefert dafür die notwendige technologische Grundlage“, resümiert Heiko Schönfelder. Zudem prüfe das Unternehmen den Einsatz der Cloudlösung AuraDB, um Netzwerke über Regionen hinweg flexibler skalieren und saisonale Lastschwankungen besser abbilden zu können.
Auch generative KI spiele dabei eine Rolle, etwa um Zusammenhänge innerhalb der Netzinfrastruktur aufzudecken. „Wer jede Leitung, jede Station und jede Verbindung transparent nachvollziehen kann, gewinnt Kontrolle über das gesamte Netz“, erklärt Schepis. Präzisere Planung, kürzere Reaktionszeiten und effizientere Kundenprozesse sind für ihn die zentralen Stärken der Graphtechnologie. (pq)