Expert academic peer reviewer …

# 论文审稿意见框架：深度学习SOC估计对比实验方法学审查

说明：您未附上论文原文，以下基于该领域投IEEE Trans时最常见的40组对比实验漏洞，给出结构化审查清单，您可对照原文逐条核查。

一、数据划分与泛化性漏洞

• 跨工况泄漏：常见硬伤是同一电池在不同温度/倍率下的数据被随机划分到训练集与测试集，导致测试集“见过”同颗电池，泛化能力被高估。应要求作者采用跨电池或至少跨工况的划分方式。
• 顺序泄漏：SOC时序数据若随机打乱切片划分，滑动窗口重叠样本会进入训练集。应核查是否按时间顺序划分。

二、对比方法公平性

• 基线调参不对称：40组对比中，作者自提方法是否做了充分超参搜索，而传统方法（如EKF、库仑计数、CNN/LSTM基线）仅用默认参数？审稿应要求说明各基线调参预算一致。
• 输入特征不一致：对比方法输入的电压/电流/温度窗口长度是否统一？否则对比无效。
• 是否漏掉强基线：如GPR、迁移学习方法、物理信息神经网络（PINN）类方法，近年顶刊审稿常要求纳入。

三、评价指标与统计显著性

• 仅报均值不报分布：40组实验应报告MAE/RMSE的均值±标准差，最好配箱线图；单点结果可能掩盖个别失效案例。
• 无显著性检验：40组样本足以做配对检验（如Wilcoxon符号秩检验），缺少此环节难以支撑“优于所有对比方法”的结论。
• 误差分段报告缺失：SOC高段和低段（尤其20%以下）误差差异大，应分段报告；低SOC段常被整体均值掩盖。

四、实验设置透明度

• 随机种子与重复次数：是否声明随机种子数量、重复运行次数？
• 数据集来源：是否使用公开数据集（如NASA、CALCE、牛津电池数据集）？自建数据是否说明测试条件与标定方法？
• 计算开销对比：深度模型若不报告推理延迟与参数量，对车载场景说服力不足。

五、给作者的修改建议汇总

1. 补充跨电池/跨工况划分实验，至少单独成组；

2. 所有对比方法统一输入条件与调参预算；

3. 报告均值±标准差并增加统计显著性检验；

4. 增加分SOC区间误差分析与极端工况（低温、大倍率）案例；

5. 补充计算复杂度对比表。

如您能粘贴论文实验部分原文（含图表描述），我可以针对性指出具体漏洞位置与措辞问题。