🔍 耿同学打假报告

论文信息

标题：基于 GME-Net 的电力系统状态估计方法
作者：洪恺岐，王启猛，孔祥慧**
期刊：中国科技论文在线
DOI：未提供
发表年份：2024（基于基金项目编号 202410148030 推断）
论文来源：https://www.paper.edu.cn/releasepaper/downFile/original/NUDGcF2QORTVAIweQMQeQeQ

综合评定：🔴 实锤

详细发现

发现 1：数据违背基础数学定律（RMSE 与 MAE 的悖论）

位置：表 1（第 105 行）与表 2（第 110 行）
描述：在评估回归模型的误差时，均方根误差（RMSE）和平均绝对误差（MAE）之间存在严格的数学约束。根据詹森不等式（Jensen's inequality），对于同一组真实值与预测值， $RMSE \ge MAE$ 恒成立。然而，在作者引以为傲的 GME-Net 模型结果中，出现了明显的数学悖论。
证据：
- 在表 1 的 IEEE 14 节点系统中，GME-Net 的 RMSE 为 0.00166，而 MAE 却是 0.00170。RMSE 竟然小于 MAE！
- 在表 2 的 IEEE 14 节点系统中，GME-Net 的 RMSE 为 0.00106，而 MAE 为 0.00170。
- 如果 RMSE 是 0.00106，那么 MAE 绝对不可能高达 0.00170。这说明这些数据根本不是通过代码运行计算出来的，而是人为编造（或者是从不同实验中东拼西凑来的），且编造者缺乏基本的统计学常识。
严重程度：🔴（致命硬伤，直接判定数据造假）

发现 2：极度反常的基准模型对比（人造惨案）

位置：表 1（第 105 行）
描述：为了凸显自己提出的 GME-Net 模型的优越性，表格中基准模型（MLP、CNN、Proxi）的误差数据极其反常，完全违背了深度学习在工程应用中的常理。
证据：
- 以表 1 中 IEEE 57 节点系统为例，MLP 的 MAE 为 0.83692。在电力系统状态估计中，电压幅值通常是标幺值（1.0 p.u. 左右）。MAE 高达 0.83 意味着，如果真实电压是 1.0，MLP 预测出来要么是 0.17，要么是 1.83。
- 在正常的神经网络训练中，只要数据做了基本的归一化，模型哪怕什么都不学直接输出均值，MAE 也不可能达到 0.83 这种离谱的程度。这说明基准模型要么是故意设置了极差的超参数（恶意对比），要么是基准模型的数据完全是随手编造的“反面教材”。
严重程度：🔴（核心数据失真）

发现 3：机器学习常识性方法论错误（数据泄露与分布违背）

位置：第 2 节数据集与实验设置（第 90-94 行）
描述：文中声称“训练集中加入 50 dB 高斯白噪声，测试集中加入 20 dB 高斯白噪声”。这是严重违背机器学习基本常识的实验设计。
证据：
- 50 dB 的噪声极小（信号极强），20 dB 的噪声较大（信号较弱）。这意味着模型在一个非常干净的数据集上训练，却被要求在一个充满噪声的数据集上测试。这种训练集与测试集分布不一致的做法，会导致模型的泛化性能极大地下降。
- 正常的鲁棒性实验，应该是训练集加入等于或强于测试集的噪声（例如训练加 20dB，测试加 50dB；或都加 20dB）。作者这样写，要么是完全不懂机器学习，要么是在掩饰其实验中存在的数据泄露——即测试集的数据实际上也参与了训练，否则无法解释为何在测试集噪声远大于训练集时，模型依然表现出了“完美”的精度。
严重程度：🟠（严重的方法学缺陷或掩盖造假痕迹）

发现 4：图片与像素级分析缺失说明

位置：全文图表（Figure 1, Figure 2）
描述：由于文本中未提供原始的高清图片文件，无法对图 1 的损失函数曲线和图 2 的状态估计曲线进行像素级分析。
证据：虽然无法进行第三式（PS 痕迹）检测，但结合表 1 和表 2 中确凿的数学造假证据，这些看起来“极其平滑”、“完美贴合”的曲线图，其生成的原始数据真实性存疑，极有可能是用造假的数学数据直接生成的矢量图。
严重程度：🟡（存疑，需获取原图进一步验证）

耿同学辣评

连最基础的数学不等式（ $RMSE \ge MAE$ ）都能违背，把 MLP 的误差写得比随机数生成器还要离谱，这篇论文简直是在挑战审稿人的智商底线。造数据的时候是不是连计算器都没按，全凭手感填表？拿着 2005 年出生的本科生一作、国家级大创项目的经费，就交出一份连基本数学逻辑都不自洽的“杰作”，这哪里是 GME-Net，这明明是“造假-Net”吧！

建议后续行动

拒绝该论文在任何正规学术期刊上发表
联系作者及通信作者（孔祥慧教授）要求提供原始代码和未经篡改的运行日志
建议辽宁石油化工大学学术委员会对该项目（项目编号：202410148030）的实验数据真实性进行核查
在中国科技论文在线平台对该预印本提出公开质疑

⚠️ 免责声明

本报告由 AI 辅助生成，仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信，但也尊重每一位研究者的名誉权。
如有异议，请以官方调查结论为准。
本工具不保证检测结果的准确性，误报和漏报均有可能。

基于 GME-Net 的电力系统状态估计方法