출판 논문: 김가은, 김동재, 안해준, 배석후, 문형빈. (2025). 비지도 학습 기반 전기차 배터리 전기적 이상 탐지에 관한 연구: 충전 방식, 노화에 따른 비교 분석. 한국산업정보학회논문지, 30(4), 15-25.
신기술이 시장에 성공적으로 안착하기 위해서는 기반 시스템의 신뢰성(Reliability)이 반드시 확보되어야 합니다. 탄소중립으로의 전환과 함께 모빌리티 산업에서 전기차(EV) 배터리의 안전성은 시장 수요를 결정짓는 가장 핵심적인 요인입니다.
📌 문제 정의: 라벨링된 이상(고장) 데이터의 절대적 부족
전기차 보급이 확대되면서 배터리 열폭주 및 결함을 사전에 예방하는 것이 중요해졌습니다. 기존의 고장 진단은 주로 지도 학습에 의존했으나, 실제 주행 환경에서 배터리의 치명적인 결함은 매우 드물게 발생합니다. 즉, 예측 모델을 학습시킬 충분한 ‘고장 정답(Label)’ 데이터가 부족하다는 치명적인 한계가 존재합니다.
⚙️ 연구 방법론: 오토인코더 기반 이상 탐지
이러한 데이터 불균형 및 라벨 부족 문제를 해결하기 위해, 본 연구는 비지도 학습 기반의 오토인코더(Autoencoder) 모형을 제안했습니다.
정상적인 충방전 과정에서 발생하는 시계열 데이터만을 활용하여 배터리의 ‘건강한 상태’에 대한 데이터 분포를 모델링합니다. 이후 전압강하, 과열 등 정상 궤도에서 통계적으로 유의미하게 벗어나는 패턴이 발생하면, 사전 고장 데이터 없이도 이를 즉각적인 ‘이상(Anomaly)‘으로 탐지해냅니다.
Figure 1. Autoencoder Reconstruction Error
🚀 연구의 시사점: 충전 환경 및 노화에 따른 실증적 검증
이 연구는 배터리의 운영 환경(충전 방식, 노화)을 비교 분석하여 실무적인 통찰을 제공합니다.
- 급속 충전 환경에서의 높은 민감도: 제안된 모형은 일반 충전 대비 급속 충전 환경에서 개별 이상 시나리오에 대해 더 높은 탐지 민감도를 보였습니다. 이는 향후 고속 충전 인프라의 안전망 구축에 중요한 단서를 제공합니다.
- 복합 이상 탐지 성능 보명: 전압강하와 과열 등 여러 이상이 동시에 발생하는 복합 이상 시나리오에서 탐지 민감도가 크게 증가함을 확인하여 시스템의 신뢰성을 입증했습니다.
- 시스템 신뢰성 강화: 모빌리티 혁신의 핵심 하드웨어인 배터리의 운영 안정성을 보장함으로써, 자율주행 및 MaaS 생태계가 안착할 수 있는 튼튼한 기술적 토대를 마련합니다.