mAIEnergy

mAIEnergy数据集是由UBITECH能源数字化小组构建的多模态开放语料库，旨在为能源领域的大语言模型应用提供基础支持。该数据集整合了约5万份文本文档、2万张图像、2500万条数值时间序列记录以及200万条地理空间与关系数据，涵盖政策法规、科学文献、新闻文章、卫星影像、电力系统测量、天气观测及能源基础设施地理表征等多源异构数据。其创建过程通过系统化的工作流实现，包括数据识别、检索与准备三个阶段，并对原始数据进行清洗、模式统一与跨模态关联，最终形成符合FAIR原则的结构化知识库。该数据集主要应用于能源领域的AI驱动研究、建模与决策支持，能够有效支撑大语言模型的持续预训练与检索增强生成系统开发，以解决能源转型中复杂多源信息融合与智能分析的核心挑战。The mAIEnergy Dataset is a multimodal open corpus developed by the UBITECH Energy Digitalization Team, aiming to provide foundational support for large language model (LLM) applications in the energy sector. This dataset integrates approximately 50,000 text documents, 20,000 images, 25 million numerical time-series records, and 2 million geospatial and relational data entries, covering multi-source heterogeneous data including policies and regulations, scientific literature, news articles, satellite imagery, power system measurements, weather observations, and geospatial representations of energy infrastructure. Its construction follows a systematic workflow comprising three stages: data identification, retrieval, and preparation. Raw data undergoes cleaning, schema unification, and cross-modal correlation, ultimately forming a structured knowledge base compliant with the FAIR Principles. This dataset is primarily applied in AI-driven research, modeling, and decision support within the energy field, effectively supporting continuous pre-training of LLMs and the development of retrieval-augmented generation (RAG) systems to address core challenges of complex multi-source information fusion and intelligent analysis in energy transition.

搜集汇总

数据集介绍

构建方式

在能源领域加速数字化转型与去碳化目标的宏大背景下，当前公开数据集多局限于单一模态，难以支撑大规模语言模型（LLM）与检索增强生成（RAG）所需的多维理解。为解决这一碎片化困境，mAIEnergy数据集采用系统性三阶段工作流构建：首先从欧洲机构开放平台、学术仓库及领域特定API中识别并筛选出覆盖文本、图像、数值与地理空间四类模态的数据源，依据主题契合度、时空完备性及开放许可合规性进行严格评估；继而针对每个模态开发模块化、可复现的管道，通过API调用、网页抓取或批量下载自动采集维基百科、GNews、ENTSO-E、哥白尼卫星影像等来源的数据；最终对原始数据进行清洗、标准化与富化，统一属性名称与测量单位，去除重复与损坏记录，并将跨模态记录通过国家代码、竞标区域与地理坐标等共享实体密钥关联，为每个条目附加结构化元数据，形成可直接索引的联合知识库。

使用方法

mAIEnergy数据集的多模态结构为多种应用场景提供了灵活入口。用户可直接使用Python标准库加载各模态：JSON Lines文件供文本解析，CSV及伴生元数据文件供数值分析，栅格与GeoJSON文件供图像与地理空间处理。典型用途涵盖四个方面：开展能源领域持续预训练或领域自适应微调以培育专用LLM；搭建RAG管道——通过提供的混合检索器一次性从文本、数值、图像与图库中获取证据并馈送至生成模型；执行跨模态分析，例如联合查询某国的电力时序、发电站布局与相关政策文件；以及进行知识图谱分析，如追溯跨国电网互连与科研项目合作关系。由于存储后端与嵌入模型已集成至开源代码仓库，研究者可即刻开展端到端检索增强生成实验，或通过修改种子关键词、区域参数与时间范围将数据集扩展至非欧洲语境。

背景与挑战

背景概述

在能源领域加速数字化转型与脱碳目标的驱动下，人工智能技术，特别是大型语言模型与检索增强生成技术，展现出处理复杂能源数据的巨大潜力。然而，现有公开能源数据集多局限于单一模态，如数值型时间序列或文本语料，割裂的数据景观严重制约了上下文感知与跨模态推理能力的发展。为填补这一空白，来自UBITECH能源数字化研究团队的Costas Mylonas与Magda Foti于2025年推出了mAIEnergy数据集，这是一个遵循可发现、可访问、可互操作与可复用原则的多模态开放语料库。该数据集整合了约5万份文本、2万幅图像、2500万条数值时序记录与200万条地理空间及关系数据，全面覆盖电力系统、建筑能耗、气象观测与政策法规等核心维度，为能源领域的知识密集型人工智能应用奠定了坚实的数据基座。

当前挑战

mAIEnergy数据集面临的核心挑战源于能源领域数据的异构性与碎片化。一方面，现有公开数据源（如ENTSO-E、Eurostat、OpenStreetMap）在格式、粒度与许可协议上高度分化，缺乏统一的语义关联，使得跨模态检索与知识融合成为难题；另一方面，构建过程中需对海量异构数据进行清洗、标准化与对齐，包括解决单位不统一、时空覆盖不完整、元数据缺失等问题，并建立跨模态实体链接（如通过国家代码与地理坐标关联电力时序、卫星影像与政策文本）。此外，如何确保数据集的可扩展性与持续更新，以适应能源领域快速演变的政策与技术动态，同时维护符合FAIR原则的开放数据生态，亦是持久的技术挑战。

常用场景

经典使用场景

在能源领域的智能分析与决策支持研究中，mAIEnergy数据集因其多模态融合的特性，成为训练与评估大语言模型在能源问答、信息检索及知识图谱构建等任务中的理想基石。研究者可利用其整合的文本、图像、数值时序与地理空间数据，开发面向能源政策解读、电网运行分析、可再生能源规划等场景的检索增强生成系统，实现跨模态语义关联与上下文推理。该数据集通过统一的实体键与属性图谱实现模态间的有机联结，支持对同一地理区域或能源设施的多维描述，从而为能源领域的智能对话代理与辅助决策工具提供丰富的训练语料与验证基准。

解决学术问题

mAIEnergy数据集的出现有效弥合了能源领域长久以来数据模态割裂与AI就绪性不足的学术鸿沟。既往公开能源数据多局限于单一模态，如数值型负荷曲线、文本型政策文件或地理空间基础设施图，缺乏语义关联与跨模态检索能力，严重制约了大语言模型在该领域的深度应用。该数据集通过系统性的数据清洗、模态对齐与元数据标准化，构建了首个公开可用的、面向能源领域的多模态知识库，使研究者能够探索跨模态知识融合对语言模型领域适应性的提升机理，并为评估大语言模型在能源专用任务中的表现提供了标准化的评测框架。其遵循FAIR原则的开放发布模式，亦推动了能源研究社区在开放科学与可复现研究方面的实践进步。

实际应用

在实际产业界，mAIEnergy数据集为能源企业的数字化转型与智能化运营提供了直接的数据支撑。能源公司可借助该数据集构建基于大语言模型的智能客服系统，自动检索并解释复杂的电价形成机制、电网调度规则或碳排放政策，提升信息获取效率。电力系统运营商能够利用其整合的数值负荷数据与地理空间设施信息，开发辅助调度与异常预警工具，实现对电网状态的实时理解与快速响应。此外，该数据集还可支撑分布式能源规划、电动汽车充电基础设施布局优化以及建筑能效评估等实际业务场景，帮助能源利益相关者在数据驱动的决策过程中获得更全面的上下文洞察。

数据集最近研究

最新研究方向

mAIEnergy数据集代表了一种突破性的跨模态知识基础设施，专为能源领域的大语言模型应用而设计。当前，能源数字化转型催生了对能够理解文本、图像、时序数据和地理空间信息的智能体的迫切需求。该数据集通过整合约5万篇政策与技术文档、2万张卫星及设施图像、2500万条电力系统与气象时序记录以及200万条地理空间与关系数据，构建了首个面向能源系统的多模态知识库。其核心创新在于提供了跨模态语义链接与检索增强生成能力，使得语言模型能够同时调用法规条文、卫星影像、负荷曲线和电网拓扑进行协同推理。这一资源直接回应了能源领域在开放数据实践和FAIR原则采纳方面的滞后问题，为构建可解释的能源决策智能体、推动数字化能源转型奠定了基石，在智能电网、碳排放追踪和分布式能源管理等前沿方向具有深远意义。

相关研究论文

• A Multimodal Dataset for Large Language Model Applications in the Energy Domain

  UBITECH·能源数字化小组 · 2026年