실측 데이터 재현 ● REPLAY
2023.11 – 2026.06 · ClickHouse 최신 집계
REPLAY 실측 데이터 재현 — 실제 주행·충전 기록 재생
-- --:--:--
전체 차량
--
--
급속충전 세션
--
--
주행 세션 (방전)
--
--
배터리 교체 감지
--
SOH 5%+ 급등 기준
프로젝트 목표
SOH 추정 모델 개발
급속충전 세션 시계열로 배터리 건강도(SOH) 회귀/분류 예측
열화 궤적 추적
차량별 시간순 SOH 변화 패턴 모델링 (멀티세션 LSTM)
배터리 교체 조기 감지
셀 편차 선행 지표 기반 위험 차량 식별
AI-Ready 지식·학습 데이터 전환
최신 통계·EV 이론은 RAG 지식 corpus로, 답변 행동은 중복 없는 SFT 데이터로 분리 생성
로컬 LLM 에이전트 웹 플랫폼
최신 통계 검색 → 근거 추적 → 자연어 진단·전처리 요청까지 연결하는 시연 플랫폼
주요 차종 구성 (급속충전 세션 기준)
데이터 처리 파이프라인 (멀티소스 어댑터)
원본 전처리 데이터 (MinIO)
소스별 어댑터로 컬럼/단위/세션규칙 통일 — betterwhy_preprocessed/ · sk_data_collect/preprocessed/ · aicar_data/splited/
급속충전 구간 추출
Ray 병렬 · chg_state==1 + fast_chg_current.notna() + current≥50A 비율 20%+ · 어댑터별 gap 분리(BW 90s / SK·아이카 30분) · speed>5km/h 즉시 분리 · SOC 5%+ · 50행+
주행(방전) 추출
chg_state==0 + 평균 speed>0 + 평균 current<0 + mileage 1km+ + SOC 5%p+ 감소 · 30분+ 정차(speed<5km/h) 자동 분리
EDA 및 품질 검증
SOH 분포 · 차종별 셀 수 · 배터리 교체 감지(SOH 5%+ 급등 3단계) · 이완 구간 셀편차 · 충전기 GPS 고정 추적
모델 학습 입력
SOH 변화 1%+ AND 세션 30개+ 차량만 선별 · IONIQ5 LR 180/192셀 분리 처리 · 통합 integrated_car_stats + soh_trajectories 다소스 합산
코드 파일 현황
위치파일명역할상태
pipeline/sources/betterwhy.py · sk.py · aicar.py소스별 어댑터 (컬럼·단위·세션규칙 통일)완료
pipeline/run_extract.sh통합 추출 진입점 — 소스/추출종류 2단계 메뉴완료
pipeline/get_fast_charging.py · get_discharging.py급속충전 / 주행(방전) 추출 (Ray+MinIO)완료
analysis/explore_fast_charge.py · explore_discharge.py · explore_relaxation.py각 구간 EDA + 교체 감지 + 충전기 고정 추적완료
analysis/additional_analysis.py다소스 합산 → SOH 궤적·열화 속도·통합 지표완료
analysis/fast_charge_cell_analysis.py · extract_cell_history.py셀 단위 편차 분석 · 차량별 셀×세션 이력완료
modeling/grade_classification.py재사용 등급 산정 (A/B/C/재활용, 100점)완료
modeling/scoring.pyRUL 잔존수명 · 충전/주행 습관 · 충전기 지도완료
modeling/predict_models.py · LSTM_multi_soh.py · calc_dcir.py앙상블 예측 · LSTM/GRU SOH · DCIR 분석완료
web/ai_ready/service.py최신 통계 → 이론 근거 결합 → AI-Ready JSONL 생성·검증·에이전트완료
modeling/finetune/train_qlora.py · evaluate.py고품질 SFT JSONL 기반 QLoRA 파인튜닝·평가 패키지준비 완료
EDA(Exploratory Data Analysis, 탐색적 데이터 분석) — 모델링 전에 데이터 분포·이상치·변수 간 관계를 살피는 단계.
급속충전 + 주행(방전) 세션을 통합해 살핀 결과. 급속충전에서는 SOH·셀 상태를, 주행에서는 운전 패턴·전비·운전습관을 추출합니다.
급속충전 세션
--
--
주행 세션 (방전)
--
--
전체 차량
--
--
배터리 교체 감지
--
SOH 5%+ 급등 기준
급속충전 주요 지표
세션당 평균 SOC 충전량--
평균 세션 길이--
평균 최대 전류--
충전 시작 SOC 중앙값--
SOH 결측 세션--
주행(방전) 주요 지표
평균 주행 속도--
전비 전체 중앙값--
운전습관 점수 중앙값--
회생제동 비율 중앙값--
급가속·급제동 vs SOH 상관--
차종별 세션 수
차종별 셀 수 (실데이터 검증)
차종셀 수아키텍처
EV6 LR, IONIQ5 LR (192), IONIQ6 LR, GV70, THE_NEW_IONIQ5 LR, IONIQ5 N192E-GMPElectric-Global Modular Platform: 현대차그룹 전용 EV 플랫폼. 800V 고전압으로 초고속 충전 지원.
IONIQ5 LR (180), GV60180E-GMP 구형
ST1174E-GMP 상용
IONIQ9168E-GMP
EV9152E-GMP
IONIQ5 STD, G80144400V계열
KONA LR, NIRO LR (1세대), NIRO_PLUS, SOUL LR98400V계열 (LG/SK pouch)
NIRO2 (2세대 SG2)96400V계열 (CATL prismatic)
AUDI Q4 e-tron, VW ID.4 Pro, VW ID.5 Pro96MEB 외산 (LG ES NCM712 pouch)
Tesla Model 3 LR, Tesla Model Y LR962170 cylindrical (LG ES NCM811)
IONIQ (1세대, 28 kWh)96400V계열 (LG Chem pouch)
EV3 LR, EV4 LR93400V계열
PORTER2 EV, BONGO3 EV (1톤 트럭)90400V계열
CASPER LR84400V계열
IONIQ5 LR 180셀(구형)과 192셀(신형)은 별도 모델로 처리. KONA 1세대(OS) = LG Chem 98S3P · NIRO 1세대(DE) = SK Innovation 98S3P · NIRO 2세대(SG2) = CATL 96S1P — 셀 공급사 다름.
SOH 분포
평균 SOH
98.2%
std 2.8%
최저 SOH
82.5%
KONA_LONGRANGE
최저 SOH 90% 미만
--
교체 전 이력 포함
SOH 5%p+ 감소
--
뚜렷한 열화 진행
SOH 구간별 분포
~85% (8개) 85~90% (410개) 90~95% (1,992개) 95~100% (5,002개) 100% (5,859개)
열화 심한 차량 TOP5 (통합 분석 기준)
차량 ID차종최저 SOH열화폭교체
로딩중...
--
교체 감지
교체 감지 차량
--
SOH 5%+ 급등 기준 (3단계 감지)
평균 교체 전 SOH
--
--
감지 방식
3단계
세션 점프 + 월간 점프 + 저점→고점
교체 주원인
용량 저하
셀 불균형 아님
교체 이력 차량 전체 (--대)
차량 ID차종연식교체 시점 (추정)교체 전 SOH교체 후 SOHSOH 급등
로딩중...
셀 전압 분석 결과
cell_diff_mean
순간 셀간 전압 편차 (최대-최소)
교체 차량이 정상보다 오히려 낮거나 유사 — 특이점 없음
cell_std_mean
세션 전체 시계열에 걸친 셀 전압 표준편차
교체 차량 정상 대비 1.9배 높음 · SOH 상관 -0.447
충전·방전 반복 과정에서 전체 셀 전압이 낮아지는 폭이 크다는 의미
weak_cell_ratio
임계 이하로 떨어진 셀 비율
거의 0 — 특정 셀이 먼저 망가지는 게 아님
해석 셀들이 균일하게 노화되면서 전체 전압·용량이 함께 낮아지는 패턴. 특정 셀 불균형이 아니라 팩 전체 용량 저하가 교체 결정의 직접 원인. cell_std_mean이 높다는 건 셀 간 불균형이 아닌, 시간에 따른 전압 변동 폭(열화 진행도)이 크다는 신호.
분석 교체 차량
--
급속충전 데이터 보유 차량
분석 세션 수
--
교체 전 급속충전 세션
정상 비교 차량
--
--
결론
사전징후 미약
팩 전체 열화 패턴
📊 그래프 읽는 법
실선 ━━ (파랑)
해당 교체 차량의 셀 간 전압 편차 (mV) — 시간 흐름에 따라.
값이 낮을수록 정상 (시계열 모양·변동 무관). 점선 위로 튀면 비정상.
초록 영역 + 초록 점선
같은 차종 정상 차량의 셀편차 분포 상한 (95th percentile).
점선 = 정상 범위의 천장. 실선이 초록 영역 안에 있으면 사전 징후 미약 (정상권).
점선 위로 튀면 비정상 신호.
점선 ─ ─ (주황)
해당 차량 SOH 변화 (%) — 우측 y축. 교체 직전 하락 패턴 확인용.
x축
D-N = 교체일 N일 전. 오른쪽으로 갈수록 교체 임박.
cell_diff_mean = 한 세션의 셀 간 최대·최소 전압 차 (mV). 모든 셀이 균일하면 0에 가까움. 약셀이 생기면 커짐.
로딩중...
차량별 월별 SOH 궤적
▼ 차량 선택
교체 전/후 SOH가 5%p 이상 급등해 배터리 교체로 판단된 차량입니다.
교체 전과 후를 별도 궤적으로 분리해 표시하며, 교체 후 궤적은 점선으로 표시됩니다.
세션 간 점프 + 월별 중앙값 점프 + 저점→고점 상승 3단계로 감지합니다.
⚠ BMS보정 SOH가 1~5%p 소폭 상승한 구간입니다.
BMS가 내부 저항·용량을 재측정해 SOH를 보정(recalibration)한 것으로 추정됩니다. 실제 배터리 상태 변화가 아니므로 열화율 해석에 주의가 필요합니다.
[제외] 분석 대상 차종 목록에 포함되지 않는 차량입니다.
궤적은 열람 가능하지만, 개요·SOH 분포·열화 통계 등 집계 지표에서는 제외됩니다.
데이터 로드 중...
선택 차량 요약
Period ID차종연식세션수시작일종료일SOH 변화하락폭연간 열화율교체 구분
차량을 선택하세요
열화 속도는 차량별 선형 회귀(월당 SOH 변화율)로 계산. ⚠ 표시된 항목은 관측 기간 6개월 미만으로 과대 추정될 수 있습니다.
연식별 연간 열화율
연식별 평균 SOH
차종별 연간 열화율
8%p/년 초과 (이상) 4~8%p/년 (주의) 4%p/년 이하 (정상)
차종별 열화 상세
차종차량수period수세션수평균 SOH최저 SOH연간 열화율신뢰도
로드 중...
배터리 팩 디지털 트윈
● 위험 ● 주의 ● 정상 셀 클릭 → 상세 모달
각 타일 = 1개 셀 · 색은 전체 세션 기준 등급(위험/주의/정상), 높이는 최근 세션 |편차|(mV) · 드래그 회전 · 휠 확대
차량별 전체 셀의 시간순 편차를 한 칸씩 미니 차트로 표시.
🔴 위험 / 🟡 주의 칸이 많을수록 셀 불균형 진행. 대부분 ⚪ 회색이면 정상.
칸 색상: 🔴 위험 점 ≥ 1/3 · 🟡 (위험+주의) ≥ 1/3 (위험은 1/3 미만) · ⚪ 그 외
스파크라인 위 점: 그 시점 |편차|가 alert 초과면 빨강, warn 초과면 주황, 그 외 점 없음. 회색 칸에 빨강 점이 보이면 단발 위험 spike (1/3 미만이지만 발생).
우측 상단 "N/T": (위험+주의) 점 수 / 전체 세션 수. 절댓값은 모달에서.
임계값: warn ±20mV / alert ±30mV (전 차종 동일) — 정상 차량 분포 p95/p99 기반 (정상 95% 범위 밖만 잡음).
기간: 교체 차량은 첫 세션~교체일, 정상은 전체 기간(균등 샘플링, 최대 12개)
⚠ 데이터 한계 주의 — BMS의 셀 전압 보고가 10mV 단위로 양자화돼 있어 미세 변화 감지 불가. 정상 차량과 교체 차량의 cell_dev 분포가 거의 동일(전체 표본 p95=20mV) → 셀 단위 사전 징후로 교체 차량을 식별하기 어렵다는 게 데이터의 결론. 정상 차량에서도 위험 칸 일부가 보이는 것은 BMS 양자화 노이즈일 수 있음.
셀별 추세 그리드 (전체 셀)
▼ 차량 선택
진단 요약
차량을 선택하세요...
위험 칸 (위험 점 ≥1/3) 주의 칸 (위험+주의 ≥1/3) 정상 칸 (그 외) ·점 = 그 시점 spike (빨강=alert, 주황=warn) --
셀 이력 데이터 로드 중...
각 칸 = 1개 셀 · 가로축은 시간(좌→우), 세로축은 편차(mV) · 호버하면 등급·초과 횟수, 클릭하면 상세 모달
이상 셀 TOP5
팩 중앙값과의 |편차|가 가장 큰 5개 셀 (양·음 모두 포함) — 재사용 등급 판단 시 분리 후보
순위셀 번호편차최근 추세
차량을 선택하세요
편차 분산 추세
세션마다 모든 셀 편차의 std(mV) — 우상향이면 팩 전체로 셀 간 불균형이 커지는 중
--
충전 + 주행 데이터를 차량 단위로 통합 분석 — 전 소스 자동 합산 (BetterwHY + SK + 아이카). 단 GPS 기반 지도(아래 2개)는 BetterwHY + 아이카 한정 (SK는 GPS 미수집).
급속충전 장소 · 크기=충전횟수 · 색상=평균SOH
주행 통계 · 크기=세션수 · 색상=평균속도
전비 중앙값
--
--
운전습관 점수 중앙값
--
100점 만점
충전 시작 SOC 중앙값
--
급속충전 기준
과방전 습관 차량
--
SOC 20% 미만일 때 충전시작 비율 30%+
차종별 전비 중앙값 (n≥5)
운전습관 점수 분포
점수 = 회생 40점(에너지회수율) + 급가속 40점 + 제동빈도 20점
회생에너지회수율 40% = 만점 기준 (도심·고속 등 주행환경이 달라도 같은 기준으로 비교)
충전 시작 SOC 구간별 평균 SOH
데이터 기간 2~3년으로 짧아 충전 습관→SOH 인과관계가 아직 명확히 나타나지 않음 (r=+0.048). 장기 모니터링 필요.
핵심 상관관계
전비 ↔ 회생비율--
운전습관 ↔ 회생비율--
SOH ↔ 전비--
충전시작SOC ↔ SOH--
인사이트
로드 중...
확보 차종의 탑재 배터리(제조사·셀 형상·화학계) 마스터 DB와 ClickHouse 통합 운행데이터(keti_ev.ev_soh_daily)를 연결한 조회 화면입니다. 신뢰도 추정 항목은 보도·커뮤니티 기반 추정치로 실측 검증 대상입니다. SOH 30~110% · 2015년 이후 데이터만 집계합니다.
사양 소스 확인 중...
ClickHouse 데이터 로드 중...
전체 차량 (ClickHouse)
--
--
차종·트림
--
--
배터리 제조사
--
--
이상 의심 차량
--
--
필터
--
배터리 제조사별 최신 SOH 중앙값
배터리 제조사별 차량 구성
월별 SOH 추이 — 배터리 제조사별 가중평균
차종·배터리 마스터 (사양 × 운행데이터)
차종소스완성차트림배터리 제조사셀 형상화학계용량(kWh)신뢰도차량수SOH 중앙값
로드 중...
차량별 배터리 매칭 조회 (차량 ID → 탑재 배터리)
--
행을 클릭하면 해당 차량의 배터리 사양과 월별 SOH 궤적이 아래에 표시됩니다. 필터·검색이 함께 적용됩니다.
차량 ID소스차종트림배터리 제조사팩용량(kWh)최신 SOH기준일주행거리
로드 중...
--
이상 의심 차량 (코호트 대비 SOH 하위 — 실측 진단 후보)
동일 차종 코호트(5대 이상) 평균 대비 z ≤ −2.0 또는 SOH < 70%는 위험, z ≤ −1.5는 주의로 분류합니다.
수준소스차종차량 ID최신 SOH코호트 평균z-score기준일주행거리
로드 중...
급속충전 세션 데이터(팩전압·전류·셀편차·온도 곡선)에서 추출한 통계 피처 30개로 차량 SOH를 예측하는 회귀 모델. 단일 충전 세션만으로 SOH를 추론할 수 있는지 검증하는 것이 목적.
Test MAE
--
전체 모델 중 최고
Test R²
--
--
학습 샘플
--
BetterwHY + SK + 아이카 합산
피처 수
30개
통계 기반
SOH 구간별 MAE
피처 중요도 TOP8
SOH 구간 분류 실험 — LightGBM으로 정상·주의·위험 3단계 분류 시도
Weighted F1
0.383
Accuracy 38.3%
위험 구간(~90%) 검출
0%
14개 전부 오분류
클래스 불균형
54:1
정상(95~100%) vs 위험(~90%)
데이터의 대부분이 SOH 95~100% 정상 구간에 몰려 있어 클래스 불균형이 54:1에 달함. 모델이 위험 차량(SOH ~90%)을 전혀 감지하지 못하는 근본 원인. 분류보다는 회귀(수치 예측) 방식이 현 데이터에 더 적합.
결론 — 유의미하나 한계 명확
✓ 유의미한 점MAE 2.32%로 평균 오차는 낮음. pack_v_slope·cell_diff_std 등 충전 곡선 피처가 SOH와 실제 상관 있음을 확인.
✗ 한계R² 0.145 — 분산의 85% 이상을 설명하지 못함. 대부분 차량이 SOH 95~100% 구간에 몰려 있어, 모델이 평균값 근처를 예측해도 MAE가 낮게 나오는 효과.
→ 시사점단일 충전 세션으로 SOH 절댓값 예측은 어려움. 동일 차량의 충전 곡선 변화 추이(시계열)를 활용하는 방향이 더 효과적일 것으로 판단.
📖 지표 읽는 법 — 처음 보는 분을 위한 설명
MAE (평균 절대 오차) 모델이 예측한 값과 실제 값의 차이를 평균낸 것. MAE 2.32%라면 "예측한 SOH가 실제와 평균 2.32%p 정도 다르다"는 의미. 작을수록 좋음.
R² (결정계수) 모델이 데이터의 변동을 얼마나 잘 설명하는지 나타내는 지표. 1.0이면 완벽, 0이면 평균값만 찍는 것과 같음, 음수면 평균보다 못함. 0.145는 "변동의 14.5%만 설명한다"는 뜻으로 예측력이 낮은 편.
F1 Score 분류 모델에서 정확도(Precision)와 검출률(Recall)을 동시에 고려한 종합 점수. 1.0이 만점. 특히 데이터가 불균형할 때 Accuracy보다 신뢰할 수 있는 지표.
AUC (ROC 곡선 면적) 이진 분류 모델이 "정상 vs 이상"을 얼마나 잘 구별하는지 나타냄. 1.0이 완벽, 0.5는 동전 던지기 수준. 0.8 이상이면 실용적으로 유의미하다고 봄.
피처 (Feature) 모델이 예측할 때 입력으로 사용하는 변수. 예: 충전 전류 평균, 팩전압 기울기, 셀 간 편차 등. 피처 중요도가 높다 = 그 변수가 SOH 예측에 많이 기여한다.
5-Fold CV 데이터를 5개 구간으로 나눠 번갈아 학습·검증하는 방식. 특정 구간에서만 잘 맞는 "운 좋은 결과"를 방지하고, 더 신뢰할 수 있는 성능 수치를 얻기 위한 방법.
급속충전 세션의 전압·전류·셀편차·온도 시계열 곡선 자체를 딥러닝으로 학습해 SOH를 예측하는 모델. 연속된 5개 충전 세션을 함께 입력해 "충전 패턴이 시간에 따라 어떻게 변하는지"를 포착하는 것이 핵심 아이디어. LSTM과 경량 GRU 두 구조를 동일 데이터로 비교 학습.
GRU MAE
--
--
LSTM MAE
--
--
학습 샘플
--
SOH 변화 ≥ 1%p 차량의 슬라이딩 윈도우
BW + SK + 아이카
--
3소스 합산 학습
멀티세션 구조 (K=5)
입력
(5, 200, 4)
5개 연속 세션
→
intra RNN
hidden=64
세션내 시계열
×5 병렬
→
inter RNN
hidden=64
세션간 추이
열화 패턴
+
메타 FC
(3,)→(32,)
car_type 등
→
SOH
스칼라
회귀 출력
모델 성능 비교
모델파라미터MAERMSER²비고
로드 중...
R² 음수의 의미 — R²가 0 미만이면 "평균값만 찍는 것보다 못하다"는 뜻. 딥러닝이 LightGBM에 뒤처지는 근본 원인은 데이터 부족 (아래 참고).
학습 수렴 곡선 (LSTM)
실제 vs 예측 SOH (GRU)
SOH 구간별 MAE (GRU)
한계 분석 — 왜 딥러닝이 LightGBM보다 못한가
!
데이터 절대 부족 — SOH 변화가 있는 차량 한정
딥러닝이 의미있는 패턴을 학습하려면 수천~수만 개 샘플이 필요. 현재 3소스 합산 슬라이딩 윈도우 약 2,500개 — 통계 모델엔 충분하지만 딥러닝엔 부족. SK·아이카 다수가 SOH=100 고정 reporting이라 학습 표본 확대 한계.
!
SOH 분포가 너무 좁음 (std 3.2%, 대부분 95~100%)
모델이 "평균값(~97%) 근처만 예측"하는 전략을 택하면 MAE는 작아지지만 실제 열화 구간 예측은 실패. R²가 음수로 나타나는 직접 원인.
✓
파이프라인·아키텍처는 완성 — 데이터 축적 시 재사용 가능
GRU가 LSTM보다 파라미터 23% 적으면서 MAE 기준 우세. SOH 80~90%대 차량 데이터가 충분히 쌓이면 동일 구조로 재학습 시 성능 대폭 향상 기대.
용어 설명
LSTM / GRU시계열 패턴을 학습하는 순환 신경망. GRU는 LSTM보다 게이트 수가 적어 가볍고 빠름. 적은 데이터에선 GRU가 유리한 경우 많음.
intra / inter RNNintra: 세션 내부(200포인트) 패턴 압축. inter: K개 세션에 걸친 시간순 변화(열화 추이) 학습.
슬라이딩 윈도우연속된 5개 세션을 하나의 학습 샘플로 묶는 방식. SOH 변화 ≥1%p 차량의 세션을 윈도우로 분리해 약 2,500개 샘플 생성.
급속충전 + 주행 데이터를 통합한 차량별 통계 피처로 학습한 앙상블 예측 모델 (LightGBM + XGBoost · Optuna 튜닝 · 5-Fold CV)
Model 1 · 전비 R²
--
--
Model 2 · 열화 AUC
--
--
Model 3 · 일관성 R²
--
--
학습 차량
--
BetterwHY + SK + 아이카 통합본
Model 1 — 전비 예측 (efficiency_median)
모델RMSEMAER²
로드 중...
--

RMSE — 예측 오차를 제곱해 평균낸 값의 제곱근. 큰 오차에 더 민감. 단위는 예측값과 같음 (여기선 km/kWh).
MAE — 오차의 단순 평균. "평균 ±0.36 km/kWh 오차"처럼 직관적으로 읽힘.
R² — 1.0이 완벽, 0이면 평균값만 찍는 수준. 본 모델은 전비 변동의 80%+ (R² 0.82)를 설명함.
Model 2 — 급속 열화 위험 분류 (slope < -0.2%p/월)
모델AUCF1Threshold
로드 중...
샘플--
Oversample소수 클래스 복원 추출 (SMOTE 대체, sklearn-only)
Top 피처soh, temp_mean, duration_months, charge_sessions_per_month, ratio_highway
AUC — "열화 위험" vs "정상"을 얼마나 잘 구별하는지. 1.0이 완벽, 0.5는 동전 던지기. 0.801은 실용적으로 유의미한 수준.
F1 — 정밀도(예측이 맞을 확률)와 재현율(실제 위험 차량을 잡아내는 비율)의 균형 점수. 1.0이 만점.
Threshold — 이 확률 이상이면 "위험"으로 분류하는 기준값. 낮출수록 더 많이 위험으로 분류.
Model 3 — 전비 변동성 예측 (efficiency_std · 주행 일관성)
모델RMSEMAER²
로드 중...
예측 대상: 전비의 세션 간 표준편차 (efficiency_std) — 매번 주행할 때마다 전비(km/kWh)가 얼마나 들쭉날쭉한지를 나타냄. 이 값이 낮을수록 매 주행마다 비슷한 전비가 나오는 일관된 주행 습관을 의미. 범위 [0.15, 2.19] · 평균 0.695.
Top 피처: regen_ratio, energy_per_session, soc_used_mean, driving_score, speed_mean

R² 약 0.6 — 전비 변동성의 60%대를 설명. Model 1(전비, R² 0.82)보다 낮은 이유는 주행 일관성이 운전 습관 외에 도로 환경 등 외부 변수 영향도 크기 때문.
피처 중요도 — Model 1 (전비)
피처 중요도 — Model 2 (열화)
피처 중요도 — Model 3 (주행 일관성)
급속충전 초기 ΔV/ΔI로 추정한 겉보기 내부저항(DCIR)과, 충전 종료 후 이완 구간에서 셀 전압 회복 패턴으로 본 셀 단위 노화 신호를 함께 표시. 전 소스 자동 합산 (BetterwHY + SK + 아이카).
💡 차종별 DCIR ~3배 차이
EV6_LR 296mΩ ↔ BONGO3 103mΩ (1톤 트럭) — 같은 SOH 99%인데 차종 따라 2.9×. → DCIR은 절댓값보단 같은 차종 내 변화로 보아야 함. 800V 고전류 vs 400V 일반·팩 크기·셀 화학 차이 반영. PORTER2/BONGO3(90셀) 최저, EV6_LR(192셀) 최고.
💡 NIRO 세대 차이 — 셀 변경 효과 검증
NIRO 1세대(DE, SK On pouch) 129mΩ → NIRO 2세대(SG2, CATL prismatic) 98mΩ — 24% 감소. → 셀 공급사·형태 변경(NCM pouch→prismatic)이 내부저항을 실제로 낮춤. 공식 셀 매핑 정합성 데이터로 재확인.
💡 3소스 측정값 일치 — 데이터 품질 검증
같은 차종 비교: EV6_LR BW 316mΩ vs SK 325mΩ (+2.7%), IONIQ5_LR_180 BW 305 vs SK 307 (+0.8%). 아이카 PORTER2 107mΩ · BONGO3 103mΩ — 1톤 트럭은 BW 차종에 없어 직접 비교 X. → DCIR 알고리즘이 BMS·소스 무관하게 일관된 결과 산출. 멀티소스 통합이 데이터 오염 없이 작동함을 검증.
⚠ 이완 셀편차 outlier 10대 — 추가 점검 권장
BMS는 SOH=100을 보고하지만 이완 중 셀편차가 50mV 이상인 차량 10대 발견. → SOH 메트릭이 셀 불균형 노화를 못 잡는 경우 있음. 셀 단위 점검 별도 필요. 자세한 차량 목록은 셀 이력 관리 페이지 참조.
DCIR 분석 차량
--
--
DCIR 평균
--
--
SOH ↔ DCIR 상관
--
전체 평균 (차종별은 표 참조)
이완 분석 차량
--
전 소스 (BW + SK + 아이카)
차종 계열별 SOH vs DCIR (열화 있는 차종만, n≥5)
차종 계열별 평균 DCIR (mΩ)
차종별 평균 DCIR (3소스 합산)
차종n평균 SOH평균 DCIR (mΩ)std (mΩ)
로드 중...
계산에 사용한 필드
· 전압: pack_voltage → pack_v → batt_volt (파일에 존재하는 컬럼 우선순위 적용)
· 전류: current → fast_chg_current → chg_current
· 구간: 세션 초기 10% 행(최소 5행 이상) · 유효 범위: 0.5 ~ 500 mΩ · |ΔI| ≥ 20 A 조건
· |ΔI| < 20 A 세션 제외 이유: 200 mΩ 팩 기준 ΔV = 4V로 센서 노이즈(±0.5V) 대비 SNR ≥ 8배 확보. 1A 기준은 SNR 0.4배로 노이즈가 신호보다 큼
· 필터 적용 후 분포 변화 없음 — 급속충전 초기 램프업은 원래 ΔI가 100A급이라 1A 미만 세션이 거의 없었음. 데이터 품질이 애초에 양호했음을 의미

왜 팩 전압을 쓰는가 — 셀 전압 개별값은 셀 수(180개/192개)와 병렬 구성을 알아야 환산 가능해 범용성이 낮음. 팩 레벨 DCIR이 실제 충전 성능·열화 진단에서 직접 의미있는 단위.

왜 급속충전만 쓰는가 — DCIR은 ΔV/ΔI 비율. 완속충전(6~16 A)은 ΔI가 너무 작아 노이즈 비중이 커지고 분극 영향이 커짐. 급속충전(100 A+)은 ΔI가 충분히 커서 더 안정적. BMS 내부 DCIR 측정도 고전류 펄스 기반.

주의: 순수 옴 저항이 아님 — 초기 10% 구간은 전류가 서서히 올라가는 구간으로, 분극 저항(polarization)이 포함된 겉보기 DC 임피던스. 정밀 DCIR은 수 ms 단위 전류 펄스 테스트(HPPC)로 측정해야 하며, 본 값은 상대적 비교·경향 파악 용도로 사용 권장. 400 mΩ 이상 값은 ΔI가 1~2 A에 가까워 노이즈 비중이 크므로 신뢰도 낮음.
현재 데이터 기준 한계 — SOH 분포가 90% 이상에 집중되어 열화 신호 자체가 작음. 대부분의 SK 차량은 SOH=100 고정 reporting이라 SOH ↔ DCIR 상관 산출이 더 약해지는 경향. SOH 80%대 이하 차량 데이터가 충분히 축적되면 DCIR은 유효한 열화 지표로 재검증 가능.
이완 구간 분석 — 충전 종료 후 셀 전압 회복 패턴
왜 이완을? 급속충전 직후 60분간 셀 전압이 회복하는 속도·정상화 시간·셀편차 변화는 내부저항·셀 균일성·노화 단계의 합성 신호로, DCIR의 보조/대체 지표가 됨. BMS 2초 reporting + 전 소스 자동 합산이라 SK 데이터도 포함.
이완 세션 수
--
전 소스 합계
평균 전압 강하
--
충전 직후 즉시 강하 (V)
평균 안정화 시간
--
변화 ≤ 5mV 도달 시간 (초)
평균 셀편차
--
이완 중 셀간 max-min (mV)
SOH vs 평균 전압 강하
배터와이 · SK · 아이카
--
SOH vs 이완 셀편차
배터와이 · SK · 아이카
--
해석 가이드
· 전압 강하 큼 = 충전 종료 직후 셀 전압이 많이 떨어짐 → 높은 내부저항 / 분극 큼 — DCIR과 같은 방향 신호.
· 안정화 시간 김 = 분극이 회복되는 데 오래 걸림 → 전극 표면 노화 진행 가능.
· 이완 셀편차 큼 = 충전 직후 셀별 회복 속도 차이 큼 → 셀 균일성 저하 — 약셀 존재 신호.
본 페이지는 BMS reporting 한계상 절대 임계가 아닌 SOH와의 상관관계로 노화 신호 강도를 평가.
데이터 한계
!
SOH 데이터 편향
최신 유효 SOH 차량 --대 중 90% 미만은 --대로 희소. 열화 예측 모델이 평균값에 수렴할 위험이 있어 차량 단위 검증이 필요.
!
SK BMS — SOH 고정 reporting 다수
SK 차량 다수가 SOH=100 고정 보고. 개별 slope 계산 불가 → RUL 차종 중위수 fallback이 대부분. 셀 단위 사전 징후 검출 어려움.
!
BMS 셀 전압 양자화
cell_dev_mV가 10mV 단위로만 reporting (BMS 해상도). 미세 셀 불균형 감지 한계. 정상/교체 분포가 거의 동일.
!
재사용 등급 — C등급·재활용 샘플 희소
현역 EV 특성상 C·재활용 실데이터 거의 없음. 실 폐배터리 데이터 확보 시 정확도 크게 향상 예상.
모델 한계
i
DCIR 절댓값 비교 불가 — 차종별 ~3배 차이
EV6_LR 296mΩ vs BONGO3 103mΩ. 플랫폼·팩 크기·셀화학이 DCIR을 좌우 → 같은 차종 내 변화만 의미. 절대 임계 부재.
i
SK 데이터에서 GPS 미수집
충전기 GPS 지도·운전 동선 분석은 BetterwHY + 아이카 한정 (SK는 GPS 미수집). 현재 비-SK 모집단은 --대로, 실제 GPS 유효 레코드 검증 후 해석해야 함.
i
로컬 LLM 품질 편차
현재 선택 모델 로딩 중. 전문 배터리 용어 해석 오류 가능성은 AI-Ready 근거와 RAG 컨텍스트를 답변에 함께 제시해 통제.
✓
멀티소스 어댑터 — 향후 확장 용이
소스별 컬럼·단위·세션규칙을 어댑터로 추상화. 새 소스 추가 시 어댑터 1개만 작성하면 추출~분석~등급까지 자동 흐름.
핵심 인사이트 (멀티소스 합산 후)
배터리 교체 시점SOH 88~95%에서 교체 결정 (--대 실측) — 대부분 B등급 구간
DCIR 차종별 ~2.9× 차이EV6 LR 296mΩ ↔ BONGO3 103mΩ (1톤 트럭) — 800V 고전류·192셀 vs 400V·90셀 작은 팩 + 100A+ 충전 90%
NIRO 세대 차이 — 셀 변경 효과 검증1세대(SK On pouch) 129mΩ → 2세대(CATL prismatic) 98mΩ, 24% 감소
BW ↔ SK ↔ 아이카 측정 일관성같은 차종 DCIR ±2.7% 이내 — 알고리즘이 소스 무관, 멀티소스 통합 검증
예측 모델 검증 성능앙상블 전비 R² 0.82 · 열화 분류 AUC 0.89 · Grade F1 macro 0.83 (2026-05-28 학습 스냅샷 · 최신 입력 모집단 --대)
재사용 등급 핵심 피처SOH(40pt) > 셀편차(20pt) > 과방전이력(20pt) > DCIR(20pt) — 환경부·EU BattReg 준용
중고차 거래 활용 가능성EU Battery Regulation의 EV 배터리 여권 적용(2027년 2월) 대응 — 등급·점수·이력 연동 시 객관적 가치 산정 근거
완료
멀티소스 어댑터 통합 (BetterwHY + SK + 아이카)
pipeline/sources/{betterwhy,sk,aicar}.py · 컬럼·단위·세션규칙 통일 · 현재 --대 수집 · 아이카 GPS·텔레매틱스 별도 파일을 merge_asof로 BMS에 흡수
데이터 파이프라인 구축
MinIO 원시 BMS → Ray 병렬 추출 · 급속충전 69,373 + 주행 336,990 + 이완 13,582세션
배터리 교체 감지 (3단계)
세션별/월별 SOH 점프 + 저점-고점 상승 · 오탐 필터 → BW 30대 + SK 1대 + 아이카 0대 (신차급) 자동 감지
AI 모델 5종 + DCIR + 이완 분석
앙상블 예측(전비 R² 0.82·열화 AUC 0.89·일관성 R² 0.61, 1,485~1,885대) · LSTM/GRU 2,514세션 · DCIR 1,444대 · 이완 1,011대
셀 이력 관리 — 셀×세션 단위 분석
차량별 전체 셀 시계열 그리드 · 약셀 추적 · BMS 양자화 한계 보정 · 같은 차종 비교 baseline
재사용 등급 산정
환경부·EU BattReg 준용 A/B/C/재활용 4등급 · 외산 5종(LG ES NCM) 셀 매핑 추가
잔존수명(RUL) 예측
개별 실측 + 충전기 고정 + 차종 중위수 3-tier · 이완 보정 적용 · 1,789대 추정
AI-Ready RAG·파인튜닝 파이프라인
최신 차량 통계 + EV 이론 지식 corpus · 검색 chunk · 실측 기반 SFT JSONL 10,000행 · 중복·식별자 누출 자동 검사
웹 대시보드 + AI 진단 서비스
20+ 페이지 SPA · CSV 업로드 자동 진단 · 근거 추적형 로컬 LLM 채팅 · PDF 리포트
단기 과제
SOH=100 고정 reporting 차량 — slope 추출 정밀화
SK·아이카 다수가 RUL 차종 중위수 fallback (1,529대). 충전 곡선·이완 지표 기반 SOH 재추정 방안 검토 → 개별 RUL 정밀도 향상.
셀편차 사전 징후 패턴 학습
BMS 양자화(10mV) 한계 보완 — 충전 곡선·온도·시계열 변동성으로 셀 불균형 조기 검출. 정상 분포 p95 기반 임계는 이미 적용.
아이카 텔레매틱스 기반 운전 점수 정교화
2026-05-29 분석은 1톤 트럭 115대 표본의 시간당 카운트 분포로 임계를 산정. 최신 모집단을 반영한 재산정과 차종별 분리가 필요.
소스 간 비교 검증 강화
DCIR은 같은 차종 BW vs SK ±2.7% 일치 검증 완료 (아이카는 BW와 공통 차종 없어 직접 비교 X). SOH·전비·셀편차도 동일 검증 → 멀티소스 일관성 정량화.
장기 과제
Battery Passport 연동
EU Battery Regulation의 EV 배터리 여권 적용(2027년 2월) 대응 — 등급·점수·이력을 디지털 배터리 여권에 연계
실 폐배터리 데이터 확보
C등급·재활용 실데이터 수집 → 등급 모델 F1 macro 개선 목표
상용차 운영 효율 페이지 — 1톤 트럭 특화
아이카 PORTER2/BONGO3 데이터로 idle 비율·일일 주행 분포·충전 패턴 별도 분석 페이지 신설
멀티모달 LLM 에이전트
충전 파형 이미지 + 수치 데이터 통합 진단 → 자동 리포트 생성
코칭 산출 차량 (2026-05-29)
--
--
평균 종합 습관 점수
--
--
저SOC 충전 위험 차량
--
20% 미만 방전 후 충전 ≥30%
고온 노출 차량
--
배터리 최고온도 ≥40°C
점수 체계 — 충전·주행 습관 종합
① 충전 시작 SOC (30%) — 30~45% 출발 시 최고점. 60% 이상에서 자주 충전하면 감점. 20% 미만 방전 후 충전은 리튬 석출 위험.
② 저SOC 충전 빈도 (35%) — 20% 미만 상태에서의 충전 비율. 0%면 만점, 40% 이상이면 30점으로 감점.
③ 주행 습관 점수 (35%) — 회생제동 비율, 급가속·급제동 빈도, 속도 패턴 종합.
등급: A ≥85점 / B ≥70점 / C ≥55점 / D <55점
종합 점수 분포
등급 분포 (A/B/C/D)
차종별 평균 습관 점수 (상위 20개)
현재 SOH × 습관 점수 — 습관과 배터리 상태 상관
전체 차량 습관 코칭 상세
차량 ID차종SOH 충전 시작 SOC저SOC 비율 회생제동급가속급제동 종합 점수등급코칭 메시지
데이터 한계 — 차종 중위수 fallback 다수. RUL은 차량별 SOH trajectory에 음의 slope가 충분히 잡혀야 개별 추정 가능. SK BMS는 SOH를 100으로 고정 reporting하는 차량이 많아 slope 계산 불가 → 같은 차종 정상 노화 중위수로 fallback되어 표시됨. 개별 실측 추정은 BetterwHY 일부 차량(약 244대)만 가능하며, 나머지는 신뢰도가 낮은 추정.
RUL 산출 차량 (2026-05-29)
--
--
중위 잔존수명 (SOH→80%)
--
선형 외삽 추정
3년 내 교체 권고
--
SOH 80% 도달 임박
5년 내 교체 권고
--
중기 교체 계획 필요
추정 방법론 — 2단계 선형 외삽
① 개별 실측 (고신뢰) — 차량별 SOH 궤적에서 slope_per_month 산출 (관측 ≥3개월 + 열화율 ≥0.5%p/년). 연간 열화율 = |기울기| × 12, RUL = (현재 SOH − 80%) ÷ 연간 열화율.
② 차종 중위수 (추정) — 개별 데이터 불충분 시 동일 차종의 중위수 열화율 적용.
⚠ 선형 모델은 SOH 90% 이하에서 정확도 저하 | 충전 습관·온도 변화 미반영 | 30년 상한 캡 적용 | 공인 검사기관 실측과 병용 권장
차종별 평균 잔존수명 (SOH→80%)
잔존수명 분포 (전체 차량)
현재 SOH × 잔존수명 (SOH→80%) — 신뢰도별 구분
전체 차량 잔존수명 상세
차량 ID차종SOH 열화율 (%p/년)RUL (SOH→80%)RUL (SOH→70%) SOH 80% 예상연도추정 방법신뢰도
분석 산출물 기준: 아래 등급·모델 성능은 2026-05-29 배치 결과입니다. 상단 최신 현황은 ClickHouse에서 5분 단위로 갱신되며, 최신 차량 전체의 등급 재산정에는 모델 배치 실행이 필요합니다.
A등급 — EV재사용 / 고용량ESS
--
75점↑ · SOH 90%+
B등급 — 중용량ESS / 소형EV
--
52~74점 · SOH 85~95%
C등급 — 저용량ESS / UPS
--
33~51점 · SOH 80~90%
재활용 — 원재료 회수
--
33점↓ · SOH < 65%
등급 분포
점수 산정 기준
💡 각 행에 마우스를 올리면 점수 산식이 표시됩니다.
항목배점기준 근거
SOHⓘSOH 점수 (40점 만점)
입력: 현재 SOH × 0.6 + 최저 SOH(soh_min) × 0.4 가중평균
━━━━━━━━━━━━━━━━━━━━
≥ 95% → 40점 (신품 수준)
≥ 90% → 30점 (정상 노화)
≥ 80% → 14점 (열화 진행)
≥ 70% → 4점 (열화 심각)
그 외 → 0점 / 결측 시 20점 fallback
※ SOH < 65% 절대 컷오프 → 점수 무관 재활용
40점정책 방향 참조: 정부 합동 「이차전지 전주기 산업경쟁력 강화 방안」(2023.12) + EU BattReg Art.14 (점수 공식·임계는 자체 설계)
과방전이력ⓘ과방전이력 점수 (20점 만점)
입력: charge_low_soc_ratio (SOC < 20%일 때 충전 시작한 비율)
━━━━━━━━━━━━━━━━━━━━
= 0% (완벽) → 20점
< 14.8% (Q75) → 13점
< 33.3% (Q90) → 5점
≥ 33.3% → 0점 (상시 과방전)
결측 시 10점 fallback
※ Q75/Q90은 실데이터 분위수 스냅샷
20점실데이터 분위수 기반 — Q75=14.8%, Q90=33.3% (SOC 20%↓ 충전 비율)
셀전압 편차ⓘ셀전압 편차 점수 (20점 만점)
입력: cell_diff_mean (셀 간 최대-최소 평균, V)
━━━━━━━━━━━━━━━━━━━━
NCM 파우치 (SK On / LG):
< 8mV → 20점
< 15mV → 14점
< 30mV → 6점
≥ 30mV → 0점
NCM 각형 (Samsung / CATL):
< 7mV → 20점 / < 12~13mV → 14점 / < 25mV → 6점
외산 (LG ES NCM): 파우치와 동일 밴드
미매핑 차종: 분위수 q10/q50/q90 fallback
20점(chemistry, 셀 제조사) 스펙 — NCM 파우치(SK On·LG) / NCM 각형(Samsung·CATL), 미매핑 차종은 분위수 fallback
DCIR 정규화ⓘDCIR 점수 (20점 만점)
입력: 동일 차종 내 dcir_mean의 분위수 위치 (0~1)
━━━━━━━━━━━━━━━━━━━━
< 0.25 (하위 25%) → 20점
< 0.50 (하위 50%) → 13점
< 0.75 (하위 75%) → 5점
≥ 0.75 (상위 25%) → 0점
결측 시 10점 fallback
※ 차종별 DCIR 3.3× 차이 → 절대값 비교 불가, 차종 내 상대 위치만 의미
20점동일 차종 내 상대 위치 (분위수 0.25 / 0.50 / 0.75)
하드 컷오프: SOH < 65% → 강제 재활용 (한국 환경부: ≥80% 재사용 / 65~80% 재제조·ESS / <65% 재활용) · synthetic 훈련: 교체 직전 차량 soh_min 활용
SOH × 복합점수 분포 (▲ 교체이력 차량)
피처 중요도 (LightGBM 기준)
교체 직전 --대 특성 분석
로딩중...
등급별 활용 용도 및 비즈니스 시나리오
등급주요 활용처잔존가치주요 고객
A등급EV 배터리 재사용 / 고용량 산업 ESS (200kWh+) / 태양광 저장높음중고 EV 딜러 / 산업 ESS 사업자
B등급중용량 ESS (10~50kWh) / 소형 EV / 물류 AGV중간가정용 ESS / 스마트팩토리 / 농기계
C등급저용량 ESS / UPS 비상전원 / 소형 선박 보조낮음UPS 제조사 / 소형기기 업체
재활용원재료 회수 — Li·Co·Mn 재련 / 배터리 블랙매스소재값배터리 리사이클링 업체
중고차 거래 활용: EU Battery Regulation은 2027년 2월부터 EV 배터리에 배터리 여권 요건을 적용합니다. 등급+점수를 Battery Passport에 연동하면 중고 EV 거래 시 배터리 상태의 객관적 근거로 활용 가능합니다.
분류 모델 성능: 앙상블 Accuracy -- / F1 macro -- (학습 샘플 --, BetterwHY + SK + 아이카 합산). 현역 EV 데이터 특성상 C등급·재활용 샘플이 희소합니다. 교체 직전 차량의 soh_min을 synthetic 훈련 데이터로 보강 — A/B 분류 신뢰도는 높음, 실 폐배터리 데이터 확보 시 macro F1 추가 향상 가능.
2천여 대 EV · 운행·충방전 BMS 시계열 → AI-READY

실제 전기차 운행 데이터가
배터리 전문 AI가 되는 전 과정

차량 운행과 충·방전 과정에서 수집된 BMS 시계열을 정제한 뒤, 최신 통계·EV 지식은 RAG 검색 corpus로, 답변 방식과 분석 원칙은 고품질 SFT 데이터로 분리하는 과정입니다.

--RAG 지식 문서
운행·충방전품질·통계 EV 지식Local LLM
END-TO-END EV DATA AI

원본 데이터가 배터리 전문 AI가 되기까지

보관·분석·학습·활용을 하나의 검증 가능한 데이터 계보로 연결합니다.

실데이터 분석 결과 RAG + SFT
01 · DATA LAKE

MinIO 원본 보관

운행·충방전 BMS CSV와 전처리 파일의 원본 보관소

2.03 TiB34,807개 전처리 파일
BetterWhySKAiCar
→전처리·적재
02 · ANALYTICS DB

ClickHouse 분석 적재

대용량 시계열을 열 기반으로 압축하고 SQL로 빠르게 집계

2,480,215,836행활성 분석 테이블 3개 · 3.57 TiB 논리 · 241.08 GiB 압축
3 ACTIVE TABLESSQL
→정제·집계
03 · CLEAN · AGGREGATE · FEATURE

데이터 파이프라인

품질 정제·특징화 · 단위·유효범위 검증, 차량·일별 집계, 식별자 가명화

2,031대SOH·온도·셀편차·운행 특징
CLEANAGGREGATEFEATURE
→EV 지식 결합
04 · AI-READY

RAG 지식 + SFT 행동

최신 지식은 검색하고, 답변 원칙은 선별 학습하는 이중 구조

RAG --SFT -- · 반복 증강 없음
CORPUSCHUNKSFTEVIDENCE
→학습·RAG
05 · LOCAL AI

배터리 전문 LLM

사용자 질문을 분류하고 실측 근거와 조회 과정을 함께 제시

LOCAL LLM파인튜닝 준비 · RAG · 질의응답
ANSWERTRACEEVIDENCE
DATA LINEAGE 원본 → 통계 → RAG 문서·SFT 예제의 근거를 추적VALIDATION FEEDBACK 중복·누수·수치 검사 후 수동 승인해 다음 생성에 반영
01
ORIGINAL EV DATA

먼저, 어떤 전기차 데이터를 분석하는지 확인합니다.

현재 플랫폼은 전기차 운행과 충·방전 과정에서 수집된 정형·시계열 BMS 데이터를 사용합니다. 원천 레코드 1행은 특정 시각의 차량·배터리 상태를 나타내며, 아래에 실제 원본 행을 CSV 형태로 보여줍니다.

수집·분석 차량--유효 SOH 기준
MinIO 전처리 데이터--핵심 3개 수집원 기준
차종--차종 표기 기준
활성 분석 테이블 행 수--BetterWhy · SK · AiCar 합산
데이터 기준일--최신 유효 관측
현재 AI-Ready 분석에 사용하는 원본 범위전기차 운행 및 충·방전 BMS 시계열
-- 수집원 · 3 ACTIVE TABLES
DRIVING차량 운행 상태시각, 차속, 누적 주행거리, 차종
CHARGE / DISCHARGE충·방전 상태SOC, 팩 전압, 팩 전류
BATTERY HEALTH배터리 상태·건강도SOH, 배터리 온도, 셀 전압 편차
DATA TYPE정형 · 시계열FORMATCSV · JSONSTORAGEMinIO(S3) · ClickHousePROVISION원본 · 전처리 · 가공 데이터
DATA STORAGE FLOW실제 원본 파일은 MinIO에 보관하고, 플랫폼은 ClickHouse 분석 적재본을 조회합니다.대용량 CSV를 화면에서 매번 바로 읽지 않아 집계·통계 응답을 빠르게 제공합니다.BetterWhy · SK · AiCar 전처리 용량 점검 완료
01MinIO원본·전처리 파일 보관
전처리·적재 →
02ClickHouse열 기반 압축·분석 테이블
API 쿼리 →
03AI Ready통계·특징·학습 문장
MinIO 원본 보관소 열기사내 인증 필요↗
원본 테이블 현황을 불러오는 중입니다.
원본 CSV 로딩 중
--
전체 필드 로딩 중
드래그 또는 버튼으로 전체 필드 보기
데이터를 불러오는 중입니다.

보안 원칙 · 원본 차량 ID와 저장 경로는 화면에 노출하지 않습니다.

집계 기준 · 현재 통합 분석뷰가 사용하는 BetterWhy 전처리본·SK·AiCar만 합산합니다. raw_betterwhy_origin은 별도 원본 적재본이므로 중복 집계하지 않습니다.

↓NEXT 02 · 정제·통계 생성
02
CLEAN · AGGREGATE · FEATURE

원본을 분석 가능한 통계와 특징으로 바꿉니다.

이 단계는 EV 지식 카드를 붙이기 전입니다. 버튼을 누르면 ClickHouse 원본이 정제·집계되어 어떤 중간 테이블과 값이 만들어지는지 실제 데이터로 보여줍니다.

상태 확인 중
데이터 확인최신 상태를 불러오고 있습니다.
01원천 확인행 수·컬럼·최신성
수집원별 구조 확인
실행 대기
→
02품질 정제단위·날짜·유효범위
차량 ID 가명화
실행 대기
→
03일별 집계차량·일 중앙값
중복·결측 영향 완화
실행 대기
→
04통계·특징SOH · 온도 · 셀편차
코호트·월별 추세
실행 대기
LIVE PREPROCESSING OUTPUT버튼을 누르면 지식 결합 전 산출값이 표시됩니다.
대기 중
원천 확인부터 통계·특징 생성까지의 처리 결과가 여기에 누적됩니다.
지식 결합 전 중간 산출물숫자와 특징만 생성된 상태이며 EV 이론·공개 원문·RAG·SFT는 아직 포함되지 않습니다.
PRE-GROUNDING
전처리 과정 실행 버튼을 누르면 단계별 결과와 실제 예시 레코드가 표시됩니다.
이 과정에서 실제로 산출되는 값화면의 다른 분석 메뉴도 같은 정제·집계 원칙을 사용합니다.
유효 일별 SOH--차량·날짜 단위 중앙값
최신 평균 SOH--30~110% 유효범위
SOH 90% 미만--추가 확인 후보 차량
차종 코호트--수집원·차종별 비교
월별 추세점--2대 이상 코호트만
FILTER유효범위2015년 이후 · SOH 30~110% · 주행거리 0~1,000,000km
GROUP일별 대표값차량·일 단위 중앙값과 최솟값·최댓값·표본 수
FEATURE배터리 특징SOH · SOC 구간 · 온도 · 셀 전압 편차 · 주행거리
PRIVACY식별자 보호SHA-256 기반 EV-XXXXXXXXXXXX 가명으로 변환
↓NEXT 03 · EV 지식 결합
03
GROUNDING WITH EV KNOWLEDGE

계산된 수치에 EV 이론과 해석 원칙을 결합합니다.

통계만 나열하지 않고, 해당 수치의 의미·주의사항·비교 조건을 EV 도메인 지식 카드와 연결해 답변 문장을 만듭니다.

결합 과정 대기
LIVE FACT

실측 통계 근거

차량 --대 · 평균 SOH --ClickHouse 집계 · 기준일 · 코호트 · 차량 가명 ID
+
EV THEORY

8개 검증 지식 카드

SOH운용 이력급속충전온도·냉각용량·임피던스RUL재사용 평가학습 누수 방지
=
AI-READY OUTPUT

용도별 지식과 학습 예제

RAG 문서 + SFT 대화모든 산출물에 evidence · 기준일 · 생성 범주 기록
LIVE GROUNDING TRACE실측값과 공개 원문이 한 레코드로 만들어지는 과정
READY
  1. 01
    질문 틀 선택통계 해석 질문과 필요한 필드를 정의실행 대기
  2. 02
    실측 근거 조회ClickHouse 최신 집계에서 값 추출실행 대기
  3. 03
    검증 지식 검색질문과 맞는 이론 카드·공개 원문 연결실행 대기
  4. 04
    AI-Ready 레코드 생성본문과 evidence·기준일 metadata 저장실행 대기
DEMO QUESTION“현재 플랫폼의 평균 SOH를 어떻게 해석해야 하나요?”

실행하면 조회 명령, 사용한 값, 연결한 원문과 생성 결과가 순서대로 표시됩니다.

VERIFIED PUBLIC SOURCES실제로 원문을 확인한 공개 자료만 사용공식 연구 기록 · 공공 데이터 설명 · 공식 규정 · 공식 기술문서를 직접 확인하고, 카드 metadata에 출처 ID와 확인 범위를 기록합니다.
4개 공개 원문 · 2026-10-13 확인

현재 검수 상태 위 4개 공개 원문의 관련 절을 직접 확인해 출처 범위를 기록했습니다. 내용은 원문을 그대로 복제하지 않고 요약·재서술한 초안이며, 연구 활용 전 배터리 도메인 전문가의 최종 감수가 필요합니다.

1질문 틀 선택차량 상태, 차종 비교, 전처리, 이상 후보, EV 이론
2실측값 주입최신 SOH, 코호트 평균, 온도, 셀 편차, 관측일
3해석 원칙 결합인과 단정 방지, 동일 조건 비교, 안전 판단 유보
4용도별 분리최신 지식은 RAG, 답변 행동은 SFT로 선별 · 반복 증강 금지
SFT 학습 예제 범주반복 증강 없이 실제 manifest 기준
SFT 범주를 불러오는 중입니다.
HANDOFF TO 05
지식 레코드를 최종 에이전트의 검색 근거로 전달실측 통계 + 검증 이론 + evidence ID가 RAG 후보 문서가 되고, 답변 원칙은 SFT 후보 대화로 분리됩니다.
RAG 후보 · SFT 후보 →
↓NEXT 04 · RAG 지식과 SFT 학습 분리
04
RAG KNOWLEDGE + BEHAVIOR SFT

최신 지식은 검색하고, 답변 행동은 10,000라인 JSONL로 학습합니다.

통계와 EV 이론은 중복 없는 지식 문서로 보관하고, 비식별 차량 사례와 분석 과업을 결합한 SFT 대화 10,000건을 학습·검증 JSONL로 생성합니다.

2-LAYER AI-READY · 10,000 JSONL분리 구조 대기
SFT JSONL GENERATOR실측 기반 학습 대화 10,000라인 생성JSONL 1행마다 system · user · assistant · metadata가 들어간 독립 학습 레코드입니다.
0/ 10,000 lines
01통계·특징 입력SOH · 온도 · 셀 편차 · 주행 · 코호트
→
02비식별 사례 구성차량 가명 + 서로 다른 분석 업무
→
03대화 레코드 생성질문 · 모범답변 · 근거 metadata
→
04품질검사·분할중복·ID 누출 검사 + Train / Valid
→
OUTPUT10,000 JSONL화면 전문 열람 + 파일 다운로드
최신 데이터로 생성할 준비가 되었습니다.TRAIN -- · VALID --
1-MINUTE CONCEPT

RAG와 SFT는 경쟁 기술이 아닙니다.

RAG는 필요한 지식을 찾아오고, SFT는 답변하는 방식을 가르칩니다.

최신 지식 + 전문적인 답변 태도
RAG · 지식 검색

필요한 자료를 그때 찾아 읽기

시험 중 참고서를 펼치는 오픈북과 같습니다.

① 사용자 질문“SOH가 낮은 이유는?”
→
② 관련 자료 검색최신 통계 · 검증 공개 원문
→
③ 근거와 함께 전달LLM이 자료를 읽고 답변
모델 자체 변경
없음
최신 데이터 반영
문서 갱신 즉시
플랫폼 역할
사실·수치·출처 제공
SFT · 지도 미세조정

답변하는 방식과 원칙 미리 학습

전문가가 반복 훈련하는 코칭과 같습니다.

① 검증된 대화질문 · 모범 답변
→
② QLoRA 학습답변 패턴을 가중치에 반영
→
③ 일관된 수행형식 · 어조 · 분석 원칙
모델 자체 변경
가중치 조정
최신 데이터 반영
재학습 필요
플랫폼 역할
답변 행동·안전 원칙 학습
EV 질문 예시“이 차량의 SOH가 낮은 원인과 확인할 사항을 알려줘.”
↓
RAG가 가져오는 내용최신 SOH · 동일 차종 코호트 · 온도·충전 이력 · 검증 공개 원문
+
SFT로 학습한 태도비교 조건 명시 · 인과 단정 금지 · 근거와 한계 표시
↓
근거 기반 전문 답변관측 결과 → 가능한 원인 → 추가 확인 데이터 → 권장 조치 → 사용 근거
이 플랫폼의 적용 원칙최신 통계·이론은 RAG+답변 원칙·분석 태도는 SFT

역할 경계 SOH 계산과 이상 탐지는 ClickHouse 집계·분석 로직이 수행하고, RAG와 SFT는 그 결과를 근거 있게 해석하고 설명합니다.

RAG + SFT EXECUTION TRACE생성된 두 데이터 계층이 저장되고 활용되는 과정
READY
  1. 01
    Manifest 검사파일 수량·품질검사·기준일 확인실행 대기
  2. 02
    RAG 지식 적재Corpus를 검색 Chunk로 색인실행 대기
  3. 03
    JSONL 10,000행 생성비식별 사례를 학습·검증으로 분리실행 대기
  4. 04
    질문 시 근거 검색질문과 관련된 최신 Chunk 조회실행 대기
  5. 05
    답변 구성검색 지식과 학습된 답변 원칙 결합실행 대기
RUNTIME QUESTION“평균 SOH만으로 배터리 상태가 좋다고 볼 수 있나요?”
RAG · 검색 결과검색 대기Corpus와 Chunk를 읽으면 관련 근거가 표시됩니다.
+
SFT · 답변 원칙선별 대기학습·검증 데이터와 적용 원칙이 표시됩니다.

실행하면 실제 manifest 수량과 사용 파일, 검색 근거, 모델 적용 상태가 표시됩니다.

RAG 지식 문서--
검색 Chunk--
SFT JSONL 전체--
SFT 학습 / 검증--
품질 검사--
RAG CORPUS SAMPLE중복 없는 지식 문서
id · title · text · metadata
RAG corpus를 불러오는 중입니다.
SFT CHAT PREVIEW답변 행동 학습 대화
대표 예시 · 아래에서 전체 데이터 열람
SFT 샘플을 불러오는 중입니다.
SFT FULL DATASET · 10,000 JSONL LINES답변 행동 학습 JSONL 전문예시가 아니라 생성된 10,000라인을 화면에서 스크롤하고 검색하며 직접 확인합니다.
전체 --학습 --검증 --
불러오는 중
전체 SFT 전문을 불러오는 중입니다.
화면 열람 데이터와 다운로드 JSONL은 동일한 파일입니다.원본 차량 ID 누출 검사 0건 · 중복 0건 · 근거 연결 100%
✓원본 식별자 보호SHA-256 차량 가명화
✓중복 저장 방지문서·Chunk·대화 각각 검사
✓근거 추적ClickHouse 집계·공개 원문 ID 연결
✓재현 가능한 규칙필터·버전·기준일을 manifest에 기록
RUNTIME INPUT
4번의 두 산출물을 5번 에이전트가 서로 다른 방식으로 사용RAG Chunk는 질문마다 검색하고, SFT는 등록된 파인튜닝 모델의 가중치 또는 동일한 답변 정책 프롬프트로 적용합니다.
검색 지식 + 답변 행동 →
↓NEXT 05 · 로컬 LLM 활용
05
EV RESEARCH AGENT · LOCAL ONLY

EV 실데이터를 조회하고, 근거를 검색해, 검증된 답변을 만듭니다.

기존 에이전트 플랫폼의 오케스트레이션 방식을 EV 전용으로 적용했습니다. 선택 메뉴 없이 EV 배터리만 다루며, 현재 플랫폼의 ClickHouse 최신값과 3·4번 AI-Ready 산출물을 직접 사용합니다.

DOMAIN · EV BATTERY ONLYMODEL --
DOMAINEV BATTERY ONLYEV 운행·배터리 데이터 전용
LIVE DATAClickHouse 최신 스냅샷원본 전체를 LLM에 직접 전달하지 않음
KNOWLEDGEAI-Ready RAG 확인 중3번 근거 · 4번 RAG/SFT 계층 사용
LOCAL MODEL확인 중Ollama 모델 목록을 조회하고 있습니다.
FINE-TUNING학습 이력 확인 중실제 GPU 학습·검증 결과를 확인합니다.
PRELOADED EV TOOL REGISTRY검증된 분석 도구를 미리 마련하고 에이전트 시작 시 불러옵니다.LLM이 데이터베이스에 임의 쿼리를 실행하지 않고, Research Planner가 질문에 필요한 읽기 전용 도구만 선택합니다.
9 TOOLS LOADED
01
EV 데이터 전체 현황ev_fleet_overview
READY
02
종합 우수 차량 선정ev_best_vehicle
READY
03
배터리 상태 선별ev_battery_health
READY
04
차종 코호트 비교ev_model_comparison
READY
05
충전 패턴 분석ev_charging_pattern
READY
06
주행 전비·운전 특성ev_driving_efficiency
READY
07
셀 편차·온도 점검ev_cell_watchlist
READY
08
전처리·품질 계보ev_pipeline_inspector
READY
09
RAG·SFT 산출물 검사ev_ai_ready_lineage
READY
질문 수신→도구 목록 로딩→필요 도구 선택→읽기 전용 실행→그래프·표·근거 반환
EV AGENT ORCHESTRATION사용자 질문에 근거 기반 답변을 생성하는 과정
실제 실행 결과가 아래 워크벤치에 표시됩니다.
01Research Planner질문 의도와 필요한 EV 도구 결정PLAN
→
02EV Data Tools분석 코드 실행 · 표·그래프 산출CLICKHOUSE + PYTHON
→
03Knowledge RetrievalAI-Ready RAG Chunk 검색RAG
→
04Fine-tuned EV LLMEV SFT 모델 + RAG 근거 결합LOCAL GPU
→
05Evidence Review근거 ID·식별자·과신 표현 검토GATE
READY질문을 입력하면 EV 에이전트가 실행됩니다.-- ms
EV

대표 질문을 실행해 보세요. 배터리 건강도와 운용 특성을 다기준으로 평가하고, 선정 근거·비교 한계·표·그래프를 함께 제시합니다.

EXECUTABLE ANALYSIS OUTPUT에이전트가 실제로 만든 분석 산출물답변용 수치만 전달하지 않고, 같은 도구 실행에서 생성한 그래프·표·재현 코드를 함께 표시합니다.
RUN AN EXAMPLE
위 예시 명령을 누르면 분석 그래프가 여기에 생성됩니다.
실제 실행 명령과 Python 코드가 여기에 표시됩니다.
AI 배터리 진단 서비스 — CSV 파일을 업로드하면 각 차량의 재사용 등급을 자동 산정합니다. RAG 기반 Ollama 로컬 LLM이 분석 결과에 대해 자연어로 질의응답합니다.
지원 컬럼: soh(필수) · car_type · cell_diff_mean · charge_low_soc_ratio · dcir_mean
데이터 업로드
분석 예시용 샘플 데이터셋입니다. 항목을 클릭하면 바로 분석됩니다.
AI 에이전트 Q&A Ollama 로컬 LLM · RAG 지식베이스 연동
○ RAG 상태 확인 중...
안녕하세요. 배터리 데이터를 업로드하신 후 분석 결과에 대해 질문해주세요.
예: "A등급과 B등급의 실질적 차이는?" / "과방전이력이 높은 차량은 어떤 용도에 적합한가요?"
모델: