김동민 박사(한국과학기술원)는 전기차(BEV)에서 실시간으로 수집되는 운행 데이터를 활용하여 배터리 시스템의 내부저항 열화(Internal Resistance Degradation)를 진단하고, 열화를 유발하는 주요 운용 요인을 규명하는 연구를 수행하여 국제학술지 eTransportation (Impact Factor: 18.7, JIF percentile: 98.8%)에 게재하였다.

최근 전기차 보급이 확대되면서 배터리의 수명과 안전성 확보는 전기차 산업의 핵심 과제로 주목받고 있다. 특히 배터리 내부저항 증가는 출력 성능 저하, 발열 증가, 에너지 효율 감소 등 다양한 성능 저하를 초래하는 대표적인 열화 지표로 알려져 있다. 그러나 대부분의 기존 연구는 실험실 환경에서 수행된 충·방전 실험에 기반하고 있어 실제 차량 운행 환경에서 발생하는 다양한 주행 조건과 운전자 특성을 충분히 반영하지 못하는 한계가 있었다.

이번 연구에서는 실제 운행 중인 전기차 54대로부터 약 1년간 수집한 1 Hz 고해상도 운행 데이터를 활용하여, 배터리 내부저항 변화를 실시간으로 추정하고 이를 기반으로 내부저항 열화 특성을 정량적으로 분석할 수 있는 새로운 데이터 기반 프레임워크를 제안하였다. 또한 배터리 온도와 누적 충·방전량(Throughput)을 동시에 고려한 반경험적(Semi-empirical) 열화 모델을 개발하고, 내부저항 열화 속도를 정량적으로 나타내는 Internal Resistance Degradation Index (IRDI)를 새롭게 제안하였다.

연구진은 제안한 프레임워크를 실제 차량 데이터에 적용하여 높은 모델 적합도와 안정적인 열화 특성 재현 성능을 확인하였으며, 다양한 통계 분석을 통해 차량 수준(vehicle-level)에서 내부저항 열화에 영향을 미치는 주요 요인을 체계적으로 규명하였다. 분석 결과, 평균 내부저항, 배터리 사용 강도(Throughput Intensity), 누적 충·방전 이력(Cumulative Cycling Condition) 등이 내부저항 열화 속도를 결정하는 핵심 인자인 것으로 확인되었다.

특히 본 연구는 단순히 현재의 배터리 열화 상태(State of Health)를 추정하는 것을 넘어, 배터리가 얼마나 빠르게 열화되고 있는지를 정량적으로 평가할 수 있는 새로운 열화 진단 지표를 제시했다는 점에서 의미가 있다. 이를 통해 향후 배터리 관리 시스템(BMS)에 적용될 경우, 기존의 상태 추정 기술과 함께 배터리의 열화 진행 속도를 실시간으로 모니터링하고 이상 열화를 조기에 감지할 수 있는 기반 기술로 활용될 것으로 기대된다.

김동민 박사는 "이번 연구는 실험실이 아닌 실제 전기차 운행 환경에서 수집된 대규모 데이터를 기반으로 배터리 내부저항 열화 메커니즘을 분석하고, 차량 수준에서 열화 특성을 정량적으로 평가할 수 있는 프레임워크를 제안했다는 점에서 의의가 있다"며, "향후에는 내부저항 증가뿐 아니라 배터리 용량 감소(Capacity Fade)까지 통합적으로 고려한 열화 진단 기술과 AI 기반 배터리 관리 기술로 연구를 확장해 나갈 계획"이라고 밝혔다.

이번 연구는 실제 전기차 운행 데이터를 활용한 배터리 열화 진단 기술의 실용성을 입증함으로써, 전기차 배터리의 수명 예측, 예방 정비(Predictive Maintenance), 배터리 관리 시스템(BMS) 고도화, 사용후 배터리 평가 및 재사용 기술 등 다양한 분야에 활용될 것으로 기대된다.

본 연구는 국토교통부의 재원으로 국토교통과학기술진흥원(KAIA)의 지원을 받아 수행된 연구(과제번호: RS-2022-00156089)의 성과입니다. 또한 본 연구는 과학기술정보통신부에서 지원하는 과학기술원 InnoCORE 사업(과제번호: N10260002)의 지원을 받아 수행되었습니다.

 자세한 정보와 전체 논문은 eTransportation (https://doi.org/10.1016/j.etran.2026.100627)를 참조하세요.

Dr. Dongmin Kim Publishes Research on Battery Internal Resistance Degradation Diagnosis Using Real-World Electric Vehicle Driving Data

Dr. Dongmin Kim (Korea Advanced Institute of Science and Technology, KAIST) has published a research paper in the international journal eTransportation (Impact Factor: 18.7, JIF Percentile: 98.8%) on diagnosing battery internal resistance degradation and identifying key degradation factors using real-world driving data collected from battery electric vehicles (BEVs).

As electric vehicle adoption continues to grow, improving battery durability and reliability has become increasingly important. While previous battery degradation studies have mainly relied on laboratory experiments, they often fail to capture the diverse operating conditions encountered in real-world driving.

In this study, the research team analyzed one year of operational data collected from 54 commercially operated BEVs and developed a data-driven framework to estimate battery internal resistance and characterize its degradation behavior. The study also proposed a new degradation metric, the Internal Resistance Degradation Index (IRDI), which enables quantitative evaluation of the battery's degradation rate.

Using statistical analyses, the researchers identified the major vehicle-level factors affecting internal resistance degradation, including average internal resistance, throughput intensity, and cumulative cycling condition. These findings provide valuable insights into battery aging under practical driving conditions.

The proposed framework is expected to contribute to advanced Battery Management Systems (BMS) by enabling continuous monitoring of battery degradation, improving lifetime prediction, and supporting predictive maintenance and second-life battery applications.

Dr. Kim stated, "This study demonstrates that battery degradation can be quantitatively analyzed using large-scale real-world vehicle data rather than laboratory experiments. We expect this framework to contribute to the development of more reliable and intelligent battery management technologies for future electric vehicles."

This research was supported by a Korea Agency for Infrastructure Technology Advancement (KAIA) grant funded by the Korean government (MOLIT) (RS-2022-00156089). This research was also supported by the InnoCORE program of the Ministry of Science and ICT (N10260002).

For more information, please refer to the published article in eTransportation (https://doi.org/10.1016/j.etran.2026.100627).