Ⅰ. 서 론

전 세계적인 기후 변화 대응 및 탄소중립(Net-Zero) 정책 기조에 따라 수송 부문의 전동화가 빠르게 진행되고 있다. 내연기관차(Internal Combustion Engine Vehicle, ICEV)를 대체하는 전기자동차(Electric Vehicle, EV)는 친환경성과 유지비 절감이라는 강력한 이점을 바탕으로 급격한 시장 성장을 이루고 있다(Lee et al., 2017). 특히 주요 국가를 중심으로 온실가스 감축 목표 달성을 위한 정책적 지원과 규제가 강화되면서 전기차의 보급은 지속적으로 확대되고 있으며, 이는 교통 부문의 에너지 소비 구조 전환을 가속화하는 주요 요인으로 작용하고 있다. 그러나 배터리 기술의 비약적인 발전에도 불구하고, 제한된 1회 충전 주행 가능 거리(All-Electric Range, AER)와 충전 인프라의 접근성 문제는 여전히 소비자들에게 주행 불안감(Range Anxiety)을 유발하는 주요 장애 요인으로 작용하고 있다(Lee et al., 2017;Jung et al., 2020). 특히 전기차의 에너지 소비 효율(전비)은 차량의 하드웨어적 제원뿐만 아니라 외기 온도, 도로의 고도, 운전자의 주행 습관, 그리고 차량이 운행되는 복합적인 도로 환경에 의해 유의미한 편차를 보인다(Ma et al., 2025;Jung et al., 2020).

동일한 차량이라 하더라도 주행 조건에 따라 에너지 소비 양상이 상이하게 나타나며, 저속·정체 구간에서는 잦은 가감속과 정차로 인해 비효율적인 에너지 소비가 발생하고, 고속 주행 구간에서는 공기저항 증가 및 구동 부하 상승으로 인해 전력 소모가 증가하는 경향을 보인다(Ma et al., 2025;Lee et al., 2017). 또한 이러한 에너지 소비 특성은 단순한 평균값으로 설명되기 어려우며, 주행 환경에 따라 에너지 소비 패턴 자체가 달라지는 비선형적 특성을 나타낸다. 이러한 특성으로 인해 전기차의 에너지 소비는 단일 요인이 아닌 다양한 주행 조건이 복합적으로 작용한 결과로 나타나며, 이를 이해하기 위해서는 실제 주행 환경을 반영한 분석이 필수적이다(Ma et al., 2025).

그러나 기존의 연비 측정 방식인 섀시 동력계(Chassis Dynamometer) 기반의 공인 연비 시험은 주로 통제된 실험실 환경에서 이루어지므로, 빈번한 가감속과 정체가 발생하는 실제 도심 환경이나 고속 항속 주행 시 발생하는 에너지 소비의 불확실성을 충분히 반영하는 데 한계가 있다(Lee et al., 2017;Jung et al., 2020). 이러한 시험 방식은 표준화된 조건에서의 비교 가능성 확보에는 유리하지만, 실제 도로에서 발생하는 다양한 주행 상황과 교통 흐름의 변동성을 반영하지 못한다는 점에서 실질적인 에너지 소비 특성을 설명하는 데 제약이 존재한다. 이와 관련하여 도로 유형, 고도, 온도, 중량 등이 전비에 미치는 영향을 분석한 실증 연구들이 수행되어 왔으나, 대부분 특정 물리적 변수 중심의 분석에 집중하거나 제한된 실험 차량 및 특정 경로에 의존한 경우가 많았다(Jang and Song, 2024;Lee and Song, 2025). 또한 최근에는 실주행 데이터를 활용한 분석 연구도 증가하고 있으나, 개별 변수 중심의 해석에 머무르는 경우가 많아 도로에서 나타나는 복합적인 주행 환경을 충분히 설명하지 못하는 한계가 존재한다. 특히 실제 도로에서 나타나는 다양한 주행 환경에서 주행 경로의 공간적 특성을 기준으로 에너지 소비 효율을 종합적으로 분석한 연구는 상대적으로 부족한 실정이다.

따라서 전기차의 실제 주행 환경을 반영한 에너지 소비 특성을 보다 정밀하게 분석하기 위해서는, 다양한 주행 조건이 반영된 실도로 데이터를 기반으로 주행 환경을 통합적으로 고려한 접근이 필요하다. 특히 주행 경로의 공간적 특성을 기준으로 주행 환경을 구분하고, 이에 따른 주행 패턴과 에너지 소비 특성 간의 관계를 정량적으로 분석하는 것은 단순한 평균 전비 산정을 넘어, 실제 운행 조건에서의 에너지 소비 구조를 이해하는 데 중요한 의미를 가진다. 이에 본 연구는 배터리 용량이 작아 외부 환경 변수 및 구동 부하에 따른 전비 민감도가 높은 경형 전기자동차의 실주행 데이터를 활용하여 공간적 주행 환경 즉, 도심(Central Business District, CBD), 산업단지(Industrial), 주거지역(Residential)이 에너지 소비 효율에 미치는 영향을 분석하고, 주행 환경별 에너지 소비 구조와 영향 요인의 차이를 정량적으로 규명하는 것을 목적으로 한다.

Ⅱ. 선행연구 고찰

1. 전기차 에너지 소비 효율 및 영향 요인

전기자동차(EV)의 에너지 소비 효율(전비)은 차량의 하드웨어적 제원뿐만 아니라 기후 조건, 지형, 운전자의 주행 습관 등 다양한 환경 요인에 의해 복합적으로 결정된다(Ma et al., 2025;Yu et al., 2024). 도심과 고속도로의 공간적 주행 환경은 전비에 중요한 영향을 미치는데, 고속 항속 주행은 공기역학적 저항으로 인해 지속적인 고부하 출력이 요구되는 반면, 가감속과 정차가 잦은 도심 주행은 회생제동의 활용이 증가하여 상대적으로 우수한 전비와 주행 거리를 확보할 수 있음이 보고되었다(Raeesi et al., 2026;Lee et al., 2012). 또한 외기 온도, 차량 중량, 주행 성향 역시 핵심 영향 요인으로 작용한다. 저온 환경에서는 공조장치의 난방 부하와 더불어 배터리 내부저항 증가, 구름저항 및 공기저항 계수 상승으로 인해 에너지 소모율이 크게 증가한다(Lee and Song, 2025; Song and Park, 2025). 차량의 공차중량 증가는 구름저항과 구배저항을 확대시켜 전비를 저하시킬 뿐만 아니라, 운전자의 공격적인 가감속 성향은 에너지 소비 변동성을 크게 증가시키는 것으로 나타났다(Jang and Song, 2024;Kim et al., 2017). 또한, 도심, 교외, 고속도로를 기반으로 한 분석에서도 주행 구간별 속도 및 가감속 패턴 차이가 에너지 소비에 직접적인 영향을 미치는 것으로 나타났다(Ju et al., 2025).

2. 실주행 데이터 기반 전기차 운행 데이터 분석

최근에는 통제된 실험실의 섀시 동력계 측정 방식의 한계를 보완하기 위해, 방대한 실주행 모니터링 데이터를 활용한 연구가 활발히 수행되고 있다(Ma et al., 2025). 기계학습 알고리즘을 적용하여 주행 궤적과 환경 변수(속도, 온도 등)를 학습하고, 전기차의 잔여 주행 가능 거리 및 배터리 수명을 예측하는 모델이 개발되고 있으며(Ma et al., 2025;Jing et al., 2026), 국내에서도 딥러닝 기반 기법을 활용한 배터리 이상 징후 탐지 연구가 수행된 바 있다(Kim et al., 2025; Kim and Park, 2022). 또한, 주행특성에 따른 배터리 셀 간 전압편차를 분석하여 열화 메커니즘을 규명하고 수명 연장 전략을 제시한 연구도 보고되었다(Lee et al., 2023). 데이터 처리 및 예측 기법 측면에서는 기계학습 기반 모델을 통해 전기차 주행성능을 정밀하게 예측하려는 시도가 이루어지고 있으며, 이는 비선형적인 주행 환경과 에너지 소비 간의 관계를 효과적으로 반영한다(Ko et al., 2025). 한편, 초소형 및 경형 전기자동차를 대상으로 한 연구에서는 제한된 배터리 용량과 출력 특성으로 인해 고부하 주행 및 외기 온도 변화에 더욱 민감한 반응을 보이는 것으로 나타났다(Kim et al., 2026). 이는 일반 전기차의 분석 결과를 경형 전기차에 동일하게 적용하기 어렵다는 점을 보여준다(Kim et al., 2026).

3. 연구의 차별성

선행연구에서는 전기차 성능 및 배터리 진단에 대한 의미 있는 성과가 도출되었으나, 다수의 연구는 배터리 수명 진단에 집중하거나 온도 및 중량과 같은 개별 물리 변수를 통제된 환경에서 분리하여 분석하는 데 한정되는 경향이 있었다. 이로 인해 실제 운행 데이터에 기반한 복합적인 공간적 도로 환경과 차량 구동 특성 간의 종합적인 관계를 분석한 연구는 상대적으로 부족하다. 이에 본 연구는 환경 변화에 민감한 경형 전기차의 실주행 데이터를 활용하여 분석 범위를 확장하고 단일 변수 중심 접근에서 벗어나 공간적 주행 환경을 하나의 통합적 분석 단위로 정의하였다. 이를 위해 비지도 학습을 통해 주행 궤적을 공간적으로 군집화하고, 각 군집을 실제 도로 환경과 연계하여 해석하였다. 또한 군집 간 에너지 소비 효율의 차이를 통계적으로 검증하고 주행 환경 및 구동 특성이 전비에 미치는 영향을 정량적으로 규명함으로, 주행 환경-주행 특성-에너지 소비 간 관계를 단계적으로 분석하였다. 이러한 접근은 실도로 환경에서의 에너지 소비 특성을 단순 변수 분석이 아닌 구조적 관점에서 해석한다는 점에서 기존 연구와 차별화된다.

Ⅲ. 연구 방법 및 데이터 수집

1. 데이터 수집 및 전처리

본 연구는 제주데이터허브에서 제공하는 「전기차 실제 운행 정보 및 위치 데이터」를 활용하였다. 데이터는 차량 운행 과정에서 생성되는 배터리 관리 시스템(Battery Management System, BMS) 정보와 GPS 기반 위치 정보가 결합된 초 단위(1Hz) 시계열 로그 자료로 차량의 실제 도로 주행 상태를 고해상도로 반영한다.

분석에 활용된 데이터는 2022년 11월부터 2024년 11월까지 약 25개월 동안 수집된 실주행 로그로 구성되며, 기아 레이 EV 단일 차량(1대)의 운행 데이터를 대상으로 한다. 본 연구에서는 차량 간 배터리 용량, 공차중량, 구동계 특성 등의 차이에 따른 영향을 제거하기 위해 단일 차종 및 단일 차량 데이터를 활용하였다. 이는 동일 차량의 반복 운행 패턴을 기반으로 주행 환경에 따른 에너지 소비 특성을 정밀하게 분석할 수 있으며, 다양한 외생 변수의 영향을 최소화하고 주행 환경에 따른 에너지 소비 특성의 구조적 관계를 명확히 파악하기 위한 사례 기반 실증연구로서의 접근이다. 또한 대구광역시를 중심으로 운영된 차량으로 확인되며, 실제 운행 데이터 역시 대구광역시 일대에 집중되어 나타났다. 이에 따라 분석의 공간적 일관성을 확보하고 GPS 이상치에 의한 왜곡을 최소화하기 위해 분석 대상 지역을 대구광역시 일대로 한정하였다.

원시 데이터는 초 단위 시계열 로그 형태로 구성되어 있으며, 본 연구에서는 차종 필터링, 공간 범위 제한, 충전 상태 데이터 제거 및 이상치 제거 등의 전처리 과정을 수행하였다. 그 결과 총 10만건의 주행 데이터 중 최종적으로 89,437건의 유효 주행 데이터를 확보하였으며, 본 연구에서는 이러한 초 단위 로그 데이터를 기반으로 차량의 이동 거리, 에너지 소비량 및 주행 특성 변수를 산출하고 이를 분석에 활용하였다. 연구에 활용된 데이터는 초 단위 시계열 로그 형태로 구성되어 있으며, 데이터셋은 <Table 1>과 같이 차량의 위치(location.lat, location.lng), 배터리 전력(Battery_Power), 구동 모터 속도(Drive_Motor_Speed_1) 등의 물리적 상태를 1초(1Hz) 단위로 샘플링한 구조를 가진다.

차량 주행 로그 데이터는 차량 내 단말기를 통해 수집된 원시 데이터로 GPS 신호의 순간적인 오차로 인해 실제 차량 이동과 무관한 위치 좌표의 급격한 변화가 발생하거나, 통신 지연 및 센서 노이즈로 인해 물리적으로 불가능한 주행 상태 값이 기록될 가능성이 존재한다. 따라서 분석의 신뢰성을 확보하고 데이터 품질을 확보하기 위한 전처리 및 이상치 보정 과정을 선행하였다. 전처리 과정은 크게 공간적 범위 기반 GPS 이상치 제거, 시계열 정렬 및 이동 거리 산출, 차량 물리 지표 변환의 단계로 수행되었다.

위성 통신 음영 지역에서 발생하는 GPS 좌표 튐(Outlier) 현상을 보정하기 위해 차량의 실제 운행이 집중된 대구광역시 일대(위도 35.6~36.1, 경도 128.3~128.9)를 분석 대상 공간으로 설정하고 해당 범위를 벗어나는 좌표 데이터는 GPS 오류에 의한 이상치로 간주하여 제거하였다. 이어 시계열(Timestamp) 기준으로 데이터 프레임을 정렬하고, 인접한 레코드 간의 시간차(∆t)를 산출하였다. 이를 바탕으로 Haversine 공식을 이용하여 점진적 이동 거리(∆d)를 계산하고, 차량의 주행 속도를 도출하였다. 또한 차량의 물리적 구동 지표를 도출하기 위해 모터 속도(RPM)에 기어비 및 타이어 반경 상수를 적용하여 주행 속도(v, km/h)로 변환하였다.

또한 주행 중 소모된 에너지(E)를 산출하기 위해 식 (1)을 적용하였다. 본 연구에서 적용된 에너지 산출 방식은 차량의 BMS에서 계측된 배터리 출력(P_battery)을 시간에 따라 누적하는 전류 적산법(Coulomb Counting)의 원리를 기반으로 한다(Jeon et al., 2025). 이는 한국산업표준(KS R 1183)에서 제시하는 전동기 시스템의 입력 전력 적산 방식과 동일한 공학적 원리에 해당하며, 차량의 실질적인 에너지 소비량을 정량적으로 산출할 수 있는 방법이다(Lee and Han, 2022).

여기서 P_battery는 배터리 출력(kW), t는 시간 간격(초)을 의미한다. 또한 배터리 출력은 배터리 전압과 전류의 곱을 통해 산출되며, 방전 시 양(+)의 값을, 회생제동 시 음(-)의 값을 갖는다. 외부 충전기로 인한 배터리 전력 왜곡을 방지하기 위해 플러그인 충전 상태(HV_Charging=1)의 데이터는 분석에서 제외하였다. 이는 외부 충전에 의해 발생하는 전력 변화가 실제 주행에 따른 에너지 소비를 반영하지 않기 때문이다.

또한 주행이 발생하지 않는 정차 상태 및 비주행 구간에서 발생하는 데이터 노이즈를 제거하기 위해 차량 속도 v≥1.0km/h인 구간을 유효 주행 데이터로 정의하였다. 주행 중 전력 소모가 없는 정차 상태에서의 전비 왜곡을 방지하고 분석의 신뢰성을 확보하기 위해, 단위 거리당 에너지 소비 효율이 100Wh/km 미만(과도한 회생제동) 또는 600Wh/km 초과(극저속 정체로 인한 수치 발산)인 데이터는 이상치로 판단하여 최종 분석 대상에서 제외하였다. 이를 통해 실제 주행 부하에 따른 에너지 소비 특성을 정밀하게 반영하고자 하였다. 이러한 전처리 과정을 거쳐 총 89,437건의 유효 주행 데이터가 확보되었으며, 이를 기반으로 주행 환경에 따른 에너지 소비 효율 분석을 수행하였다.

2. 분석 방법론

실제 도로의 주행 환경을 반영한 공간적 주행 패턴을 분류하기 위해 비지도 학습 기법인 K-means 군집 분석을 적용하였다. K-means 알고리즘은 데이터 간 유사도를 기반으로 군집을 형성하는 대표적인 클러스터링 기법으로, 사전에 정의된 군집 수(K)에 따라 데이터를 K개의 그룹으로 분할한다(Eom et al., 2025). 본 연구에서는 필터링된 유효 주행 데이터의 GPS 좌표(Location.lat, Location.lng)를 입력 변수로 설정하여 주행 궤적의 공간적 분포를 기반으로 군집화를 수행하였다. 이때 군집 분석은 주행 행태를 직접적으로 분류하기보다는, 차량이 운행되는 공간적 주행 환경을 구분하기 위한 분석 단계로 적용되었다.

최적 군집 수를 도출하기 위해 <Fig. 1>과 같이 엘보우 기법(Elbow Method)을 활용하였다. <Fig. 1>의 그래프는 군집 수(K)를 단계적으로 증가시킬 때 군집 내 오차 제곱합(Within-Cluster Sum of Squares, WCSS)의 변화량을 보여준다. 분석 결과, K=1에서 165.06의 WCSS 값은 K=3에서 51.93으로 크게 감소하였으며, 이후 K=4부터는 감소율이 10% 미만으로 완만해지는 전형적인 엘보우(Elbow) 지점이 확인되었다. 이에 따라 본 연구에서는 최적 군집 수를 3개(K=3)로 설정하여 K-means 군집 분석을 수행하였다.

<Fig. 1>

Elbow method for optimal number of clusters

도출된 군집 결과를 GIS 기반 지도에 시각화하여 실제 도로 네트워크 및 토지 이용 특성과 비교한 결과, 각 군집은 서로 다른 주행 특성을 반영하는 공간적 주행 권역으로 구분됨을 확인하였다. 이에 따라 각 군집을 도심, 산업단지, 주거지역으로 해석하였다.

군집 분석 이후 각 주행 경로 간 에너지 소비 효율(Wh/km)의 차이가 통계적으로 유의미한지 검증하기 위해 일원배치 분산분석(One-way Analysis of Variance)을 수행하였다. 분산분석 수행에 앞서 집단 간 분산의 등질성을 검토하였으며, 표본 수가 충분히 크다는 점을 고려하여 정규성 가정은 중심극한정리에 의해 만족되는 것으로 판단하였다. 또한 집단 간 평균 차이에 대한 사후 검증을 위해 Tukey 사후 검정(Post-hoc test)을 적용하여 군집 간 차이를 구체적으로 분석하였다. 또한 주행 환경 및 차량 구동 특성이 에너지 소비 효율에 미치는 영향을 정량적으로 분석하기 위해 다중 선형 회귀분석(Multiple Linear Regression)을 수행하였다. 분석에는 전력 소비 효율(Wh/km)을 종속변수로 설정하고, 혼잡도를 대변하는 단위 거리당 소요 시간(min/km), 구동계 부하를 나타내는 모터 회전수(RPM), 배터리 온도(°C)를 독립변수로 설정하였다. 회귀모형의 적합성을 검토하기 위해 변수 간 다중공선성 여부를 확인하였다.

Ⅳ. 분석 결과

1. 기술통계 분석

본 연구에 활용된 전체 유효 주행 데이터(N=89,437)의 거시적인 기술 통계량을 분석하여 <Table 2>에 제시하였다. 전처리 과정을 거친 총 입력 데이터는 89,437건의 1Hz 단위 시계열 로그로 구성되며, 해당 기간 동안 차량이 실주행한 총 누적 거리는 2,260.88km, 누적 소요시간은 약 123.6시간(7,417.31min)에 달한다.

전체 주행 구간에 대한 단위 거리당 평균 소요 시간(Time per km)은 총 주행 시간 대비 이동 거리의 비율로 정의되며, 3.28min/km로 나타났다. 또한 에너지 소비 효율(Efficiency)은 단위 거리당 에너지 소비량(Wh/km)을 의미하며, 평균 162.7Wh/km로 확인되었다. 평균 배터리 소모 전력은 2.44kW로 나타났다. 이러한 결과는 실도로 주행 환경에 따라 에너지 소비 수준이 다양하게 나타날 수 있음을 시사한다.

특히 모터 속도(Motor Speed)와 배터리 전력(Battery Power)의 최솟값이 각각 음수(−1,472RPM, −41.53kW)로 나타나는 것은 감속 및 내리막 주행 시 발생하는 회생제동(Regenerative Braking) 메커니즘이 정상적으로 기록되었음을 의미한다. 동일한 이유로 일부 구간에서는 배터리 출력이 음의 값을 가지며, 이를 기반으로 산출된 순간 에너지 소비 효율(Efficiency) 역시 음수로 나타날 수 있다. 이는 회생제동을 통해 에너지가 회수되는 구간이 포함된 결과로, 실제 에너지 소비가 아닌 에너지 회수 상태를 반영한 값이다. 또한 배터리 최고 온도(Battery Max Temp)는 −3°C에서 최대 44°C까지 넓은 범위를 보여 다양한 계절적 환경이 데이터에 반영되었음을 확인할 수 있다. 또한 Efficiency 및 Time per km 변수의 분산이 비교적 크게 나타나는 것은 주행 환경에 따른 에너지 소비 특성의 이질성이 존재함을 알 수 있으며, 이는 이후 주행 환경별 특성 차이를 분석할 필요성을 뒷받침한다.

2. 주행 궤적의 공간적 특성

본 연구에서는 K-Means 클러스터링(K=3)을 통해 약 8만 9천 건의 유효 주행 데이터를 지리적 특성에 따라 세 개의 군집으로 분류하였다. <Fig. 2>와 같이 대구광역시 내 차량이 이동한 전체경로가 나타났으며, 전체 주행 구간에 분류된 군집을 GIS 맵핑을 통해 확인한 결과, <Fig. 3>와 같이 좌측부터 도심, 산업단지, 주거지역의 공간적 특성을 반영하는 것으로 해석되었다.

<Fig. 2>

Overall GPS trajectory

<Fig. 3>

Cluster-based driving routes

가장 많은 주행 데이터(76,541건)가 밀집된 주거지역 군집은 이면도로를 포함하며, 잦은 가감속과 정차가 반복되는 주행 패턴을 보이는 것으로 관찰되었다. 도심 군집은 대구광역시 중심부의 주요 교차로와 간선도로가 포함된 구간으로, 통행량이 많은 환경에서도 비교적 연속적인 주행 흐름이 나타나는 특성이 관찰되었다. 반면 산업단지 군집은 외곽에 위치한 간선도로 및 공단 진입로를 중심으로 형성되어, 정차 빈도가 낮고 연속적인 주행이 가능한 특성으로 인해 상대적으로 높은 주행 속도 패턴을 보이는 것으로 도출되었다. 또한 각 군집의 공간적 분포와 함께 주행 속도 및 정차 패턴을 종합적으로 고려할 때, 군집 간 주행 특성의 차이가 뚜렷하게 나타나는 것으로 확인되었다. 이러한 공간적 분류는 행정구역의 단순 구분을 넘어 전기차의 구동 부하에 영향을 미치는 주행 환경 특성을 반영하고 있음을 알 수 있다. 또한 군집별 주행특성을 비교한 결과, 각 군집은 서로 다른 주행 특성을 나타내는 것으로 확인되었으며, 이는 위치 기반 군집 결과가 지역의 교통 환경 및 주행 조건의 차이를 반영하고 있음을 시사한다.

3. 주행 경로별 주요 기술 통계

각 주행 경로(군집)에 따른 핵심 공학 지표를 산출한 결과는 <Table 3>과 같으며, 주행 환경에 따라 전기차의 에너지 소비 효율에 차이가 나타나는 것으로 확인되었다. 주행 흐름의 혼잡도를 나타내는 총 소요 시간 대비 이동 거리 비율을 살펴보면, 주거지역 구간은 상대적으로 높은 정체 수준과 빈번한 정차 특성을 보이는 것으로 나타났다. 반면 도심 구간과 산업단지는 비교적 연속적인 주행 흐름이 유지되는 것으로 확인되었다.

전력 소비 효율(Avg Efficiency)의 경우, 도심 구간이 141.85Wh/km로 가장 낮은 값을 나타내어 상대적으로 우수한 효율을 보였으며, 주거지역 구간은 166.34Wh/km로 나타나 세 군집 중 가장 높은 에너지 소비 수준을 보이는 것으로 확인되었다. 이는 동일한 거리를 주행하더라도 정차 및 가감속이 빈번한 주행 환경에서 에너지 소비가 증가할 가능성이 있다. 산업단지 구간의 전력 소비 효율은 160.62Wh/km로 도심 구간 대비 높은 값을 나타냈으며, 평균 모터 속도(2,104 RPM)가 도심(1,677 RPM)보다 높은 수준으로 확인되었다. 이는 고속 주행 구간에서의 구동 부하 증가와 관련이 있음을 알 수 있다.

이러한 군집 간 전력 소비 효율의 차이가 통계적으로 유의한지를 검증하기 위해 일원배치 분산분석을 수행하였으며, <Table 4>와 같다. 분석 결과, 세 주행 경로 간 전비 차이는 통계적으로 유의한 것으로 나타났다(F=7.153, p<0.001). 이후 Tukey 사후 검정을 수행한 결과, 도심(a집단)과 주거지역(b집단) 간 전비 차이는 통계적으로 유의한 것으로 확인되었다. 반면 산업단지 군집(ab)은 도심(a) 및 주거지역(b)과 통계적으로 유의한 차이를 보이지 않는 중간적 특성을 나타냈다. 이러한 결과는 주행 환경에 따른 주행 패턴의 차이가 전기차의 에너지 소비 효율과 관련이 있는 것으로 해석할 수 있다.

4. 고부하 방전 및 변동성 고찰

주행 환경 및 차량 구동 특성이 전기차의 에너지 소비 효율에 미치는 영향을 분석하기에 앞서, 각 주행 경로별 주요 변수의 분포 특성을 확인하기 위해 분위수 기반 기술통계 분석을 수행하였으며 <Table 5>와 같다.

분석 결과, 주거지역 구간의 경우 평균 배터리 소모 전력(2.35kW)은 상대적으로 낮은 수준으로 나타났으나, 표준편차와 최댓값을 고려할 때 전력 사용의 변동성이 크게 나타났다. 또한 단위 거리당 소요 시간이 3.54min으로 길게 나타나 주행 시간이 증가하는 환경에서 에너지 소비가 누적될 가능성을 시사한다. 반면 산업단지 구간은 평균 배터리 출력이 3.67kW로 다른 군집 대비 높은 수준을 보였으며, 이는 모터 속도가 높은 주행 환경에서 구동 부하가 증가하는 특성과 관련이 있을 가능성을 시사한다. 도심 구간은 상대적으로 안정적인 분포를 보이며, 에너지 소비 또한 다른 군집 대비 낮은 수준으로 나타났다. 이러한 결과는 군집별 평균값뿐만 아니라 데이터 분포 및 변동성 측면에서도 주행 환경 간 차이가 존재함을 확인할 수 있다.

이러한 분포 특성을 바탕으로 주행 환경 및 차량 구동 특성이 전기차의 에너지 소비 효율에 미치는 영향을 정량적으로 분석하기 위해 <Table 6>과 같이 다중 선형 회귀분석을 수행하였다. 분석에서는 전력 소비 효율(Efficiency, Wh/km)을 종속변수로 설정하고, 단위 거리당 소요 시간(Time per km), 모터 속도(Motor Speed), 배터리 최고 온도(Battery Max Temp)를 독립변수로 설정하였다.

회귀분석 결과, 전체 모형은 F=3304.0, p<0.001로 분석되어 통계적으로 매우 유의한 것으로 나타났다. 1Hz 단위의 미시적 실주행 빅데이터임에도 불구하고 모형의 설명력(R²)은 0.218로 도출되었으며, 이는 전기차의 에너지 소비 효율이 다양한 주행 환경 및 구동 조건에 의해 복합적인 영향을 받는 특성을 반영한 결과로 해석할 수 있다. 독립변수별 분석에 앞서 변수 간 다중공선성 여부를 검토하기 위해 분산팽창지수(Variance Inflation Factor, VIF)를 확인한 결과, 모든 변수에서 2.0 미만(최대 1.597)의 값을 보여 다중공선성 문제는 없는 것으로 확인되었다. 독립변수별 세부 분석 결과, 단위 거리당 소요 시간(Time per km)은 양(+)의 회귀계수(B=123.620)를 가지며 통계적으로 매우 유의하게 나타났고(p<0.001), 특히 아주 높은 t값(t=99.195)을 보여 분석에서 가장 큰 영향력을 가지는 변수로 확인되었다. 이는 주행 시간이 증가할수록, 즉 정차 및 저속 주행이 빈번한 혼잡 환경에서 에너지 소비가 증가하는 경향이 있는 것으로 도출되었다. 모터 속도(Motor Speed) 역시 양(+)의 회귀계수(B=0.090)를 가지며 통계적으로 유의한 변수로 도출되었다(p<0.001, t=67.322). 이는 고속 주행 구간에서의 구동 부하 증가와 에너지 소비 증가 간의 관련성을 확인할 수 있다. 반면 배터리 최고 온도(Battery Max Temp)는 회귀계수(B=0.211)를 가지나 통계적으로 유의하지 않은 것으로 나타났다(p=0.309). 이는 본 데이터 범위 내에서는 배터리 온도의 영향이 상대적으로 제한적임을 보여준다.

이러한 결과는 단위 거리당 소요 시간이 증가하는 혼잡 환경(주거지역)과 모터 회전수가 높은 고속 주행 환경(산업단지)에서 모두 에너지 소비 효율이 저하되는 경향이 나타남을 보여준다. 이는 본 연구에서 도출된 주행 환경별 에너지 소비 특성과 일관된 결과로, 주행 패턴과 구동 부하가 전기차의 에너지 효율과 밀접하게 관련되어 있음을 확인할 수 있다. 또한 이러한 분석 결과는 경형 전기차의 잔여 주행 가능 거리(Distance to Empty, DTE) 예측 알고리즘이 단순한 평균 전비가 아닌, 향후 주행 경로의 공간적 특성을 반영하는 방향으로 반영할 필요가 있을 가능성을 시사한다.

Ⅴ. 결 론

본 연구는 실도로 주행 데이터를 기반으로 전기차의 주행 환경에 따른 에너지 소비 효율의 차이를 분석하고, 주행 패턴 및 구동 특성이 전비에 미치는 영향을 정량적으로 검토하는 것을 목적으로 수행되었다. 이를 위해 약 89,437건의 실주행 데이터를 활용하여 주행 궤적을 공간적 특성에 따라 군집화하고, 군집별 주행 특성과 에너지 소비 특성을 비교·분석하였다. 또한 일원배치 분산분석과 다중 회귀분석을 통해 주행 환경과 주요 변수 간의 통계적 관계를 검증하였다.

분석 결과, 주행 환경에 따라 전기차의 에너지 소비 효율에 차이가 나타나는 것으로 확인되었다. 군집별 평균 전비를 비교한 결과, 도심 구간은 141.85Wh/km로 상대적으로 낮은 에너지 소비 수준을 보인 반면, 주거지역 구간은 166.34Wh/km로 높은 에너지 소비 수준을 나타냈다. 산업단지 구간은 160.62Wh/km로 도심과 주거지역 사이의 중간 수준을 보였다. 또한 분산분석 결과, 도심과 주거지역 간 전비 차이는 통계적으로 유의한 것으로 나타났으며, 산업단지 구간은 두 집단 간 중간적 특성을 보이는 것으로 확인되었다. 회귀분석 결과에 따르면 단위 거리당 소요 시간과 모터 속도는 전기차의 에너지 소비 효율과 통계적으로 유의한 관계를 가지는 변수로 나타났다. 특히 단위 거리당 소요 시간은 가장 높은 영향력을 가지는 변수로 확인되었으며, 이는 정차 및 저속 주행이 빈번한 혼잡 환경에서 에너지 소비가 크게 증가하는 특성과 관련이 있음을 보여준다. 반면 배터리 온도는 본 분석에서 통계적으로 유의한 변수로 나타나지 않았다. 이러한 결과는 전기차의 에너지 소비 효율이 주행 환경에 따른 주행 패턴 및 구동 조건과 밀접하게 관련되어 있고 기존 내연기관차의 효율 특성과 부분적인 유사성과 명확한 차별성을 동시에 보여준다. 극심한 혼잡 환경(주거지역)에서는 내연기관차와 전기차 모두 기저 소모 전력/연료의 누적으로 인해 효율이 급감하는 공통된 특성을 보인다. 그러나 일반적인 내연기관차는 고속 항속 구간에서 기어비 최적화를 통해 연비가 향상되는 반면, 본 연구에서 분석된 전기차는 고속 주행(산업단지) 시 모터의 고부하와 공기저항으로 인해 오히려 전비가 악화되었으며, 적절한 회생제동 활용이 가능한 도심 간선도로에서 최적의 효율을 보인다는 차별성을 확인하였다.

본 연구 결과는 전기차의 잔여 주행 가능 거리 예측에 있어, 단순 평균 전비 기반 접근이 아닌 주행 경로의 공간적 특성을 고려할 필요성을 시사한다. 특히 향후 주행 경로가 혼잡한 이면도로 중심의 환경인지, 또는 고속 주행이 가능한 간선도로 중심의 환경인지에 따라 에너지 소비 특성이 달라질 수 있으므로, 이를 반영한 예측 및 제어 전략의 고도화가 요구될 수 있다.

한편 본 연구는 다음과 같은 한계를 가진다. 첫째, 분석에 사용된 데이터는 특정 지역과 단일 차종에 기반하고 있어 다양한 도로 환경 및 차량 특성을 충분히 반영하지 못하였으며, 이에 따라 분석 결과의 일반화에는 한계가 있을 수 있다. 둘째, 기상 조건, 도로 경사, 교통량, 신호 체계 등 에너지 소비에 영향을 미칠 수 있는 다양한 외생 변수는 본 분석에 포함되지 않았다. 셋째, 본 연구는 관측 데이터를 기반으로 한 통계적 분석으로 변수 간의 관계를 중심으로 분석을 수행하였으며, 개별 요인의 인과적 영향을 직접적으로 규명하지 못하였다. 향후 연구에서는 단일 차량 및 특정 지역에 기반한 데이터 사용으로 인한 일반화 한계를 보완하기 위해, 다양한 차량 유형 및 지역을 포함한 데이터 확장을 통해 본 연구 결과의 일반성을 검증할 필요가 있다. 한편 본 연구는 차량 간 이질성을 최소화하기 위한 통제된 조건에서 수행된 사례 기반 분석으로, 향후 확장 연구를 위한 기준선을 제공한다는 의의를 가진다. 또한 기상 조건, 도로 경사, 교통량 등 외생 변수를 포함하지 못한 한계를 고려할 때, 이러한 변수를 포함한 통합 분석을 수행함으로써 보다 정밀한 에너지 소비 특성 분석이 가능할 것으로 기대된다. 특히 공간적 주행 환경을 고려한 DTE 예측 성능을 정량적으로 검증하지 못한 한계를 바탕으로, 향후 연구에서는 공간 정보를 포함한 예측 모델과 기존 평균 전비 기반 모델 간의 성능 차이를 비교·분석할 필요가 있다. 이를 통해 주행 경로의 공간적 특성과 교통 상황을 반영한 예측 접근의 적용 가능성을 보다 명확히 검토할 수 있을 것으로 판단된다.