KAIST 김동민 연구원은 초소형 전기차(MBEV)의 실제 운행 데이터를 활용하여, 배터리 열화가 단일 요인이 아닌 주행 속도, 도로 경사, 온도, 운전 패턴이 결합된 복합적 영향으로 발생함을 밝혔다. 

이 기술은 실제 주행 환경을 반영한 데이터 기반 분석을 통해 배터리 열화 메커니즘을 정량적으로 해석하고, 운행 조건 최적화를 통해 배터리 수명을 효과적으로 관리할 수 있는 기술로 확장될 수 있다.

 본 연구에서는 실제 전기차 운행 데이터를 기반으로 배터리 용량 열화를 분석하는 데이터 기반 모델링 프레임워크가 활용되었다. 이 프레임워크는 차량에서 수집되는 충전정보를 활용하여 배터리 용량 열화여부를 판단하고 주행정보와 외부정보(외기온도, 도로구배, 제한속도)를 기반으로 주행 조건과 환경 요인이 열화에 미치는 영향을 통합적으로 분석할 수 있는 장점을 갖는다. 특히, 다양한 주행 패턴, 도로 경사, 기후 정보를 결합한 다중 요인 분석을 통해 실제 운행 환경을 반영한 열화 메커니즘을 규명할 수 있다.

 연구팀은 이를 바탕으로 차량 단위에서 회귀 기반 모델을 통해 열화여부를 높은 정확도로 모델링하는 데 성공했다. 해당 모델을 기반으로, 용량이 열화된 차량만을 구분하여 고속 주행, 경사로 주행, 동적 운전 패턴 등 복합적인 고출력 운행 조건이 배터리 열화를 가속화하는 주요 요인임을 확인하였다. 특히, 기존 연구가 단일 요인 또는 실험실 조건에 기반한 분석에 국한되었던 것과 달리, 본 연구는 실제 도로 환경에서의 누적적이고 경로 의존적인 열화 특성을 규명했다는 점에서 차별성이 있다.

 김동민 연구원은 “실제 운행 데이터를 기반으로 배터리 열화를 분석함으로써, 차량 운용 조건에 따른 열화 메커니즘을 보다 현실적으로 이해할 수 있다”며, “해당 기술은 향후 전기차 플릿 운영 최적화, 배터리 수명 예측 고도화는 물론, 물리 기반 모델과 데이터 기반 인공지능을 결합한 Physical AI 프레임워크로 확장되어 실제 운행 환경을 반영한 시뮬레이션 및 의사결정 고도화에 활용될 수 있을 것”이라고 밝혔다. 또한, 이 기술은 차량 운행 데이터를 실시간으로 반영하는 디지털 트윈 및 Physical AI 기반 진단 체계로 발전되어, 열화 상태를 지속적으로 추정하고 위험 운행 패턴을 선제적으로 식별함으로써 전기차 배터리의 안전성과 경제성을 동시에 향상시키는 데 기여할 것으로 기대된다.

 이번 연구는 국제 학술지 ‘이트랜스포테이션(eTransportation)’에 2월 26일 자 온라인으로 게재되었다.

※ 논문명: Driving and environmental factors affecting lithium-ion battery capacity

degradation in micro battery electric vehicles

DOI: https://doi.org/10.1016/j.etran.2026.100565

 본 연구는 과학기술정보통신부·한국연구재단(RS-2023-00247245, RS-2022-NR068258), 산업통상자원부·한국산업기술진흥원(P0017120), 과학기술정보통신부의 이노코어 프로그램(N10250154)의 지원을 받아 수행되었습니다.

 A postdoctoral researcher at KAIST, Dongmin Kim, demonstrated—using real-world operational data from micro battery electric vehicles (MBEVs)—that battery degradation is driven not by a single factor, but by a complex interplay of driving speed, road grade, ambient temperature, and driving patterns. This approach enables a quantitative understanding of battery degradation mechanisms based on data that reflect real driving conditions and can be further extended to technologies for effectively managing battery lifespan through optimized operating strategies.

 In this study, a data-driven modeling framework was developed to analyze battery capacity degradation using real-world EV operation data. The framework utilizes charging-related information collected from vehicles to determine whether capacity degradation has occurred, and integrates driving data with external factors—such as ambient temperature, road slope, and speed limits—to comprehensively assess how operating conditions and environmental factors influence degradation. In particular, by combining diverse driving patterns, road gradients, and climate conditions, the proposed multi-factor analysis enables the identification of degradation mechanisms under realistic driving environments.

 Based on this framework, the research team successfully developed a regression-based vehicle-level model capable of identifying degradation status with high accuracy. Using this model, the study isolated vehicles experiencing capacity degradation and confirmed that high-power operating conditions—such as high-speed driving, uphill driving, and aggressive driving patterns—are key contributors that accelerate battery degradation. Unlike previous studies that focused on single factors or laboratory conditions, this work is distinguished by its ability to reveal cumulative and path-dependent degradation behaviors under real-world driving environments.

 Dr. Dongmin Kim stated, “By analyzing battery degradation based on real-world driving data, we can achieve a more realistic understanding of how operating conditions influence degradation mechanisms. This approach can be extended beyond fleet-level optimization and advanced battery lifetime prediction to a Physical AI framework that integrates physics-based models with data-driven artificial intelligence, enabling more accurate simulation and decision-making under real operating conditions.” He further added that the technology can evolve into a digital twin and Physical AI-based diagnostic system that continuously estimates degradation states and proactively identifies risky driving patterns using real-time vehicle data, thereby improving both the safety and economic efficiency of EV batteries.

 This research was published online on February 26 in eTransportation under the title “Driving and environmental factors affecting lithium-ion battery capacity degradation in micro battery electric vehicles.”

DOI: https://doi.org/10.1016/j.etran.2026.100565

 This work was supported by the Ministry of Science and ICT and the National Research Foundation of Korea (RS-2023-00247245, RS-2022-NR068258), the Ministry of Trade, Industry and Energy and the Korea Institute for Advancement of Technology (P0017120), and the InnocoRE Program (N10250154).