본 연구는 다양한 데이터 소스를 활용하여 리튬이온 배터리 수명을 정확하게 예측하는 하이브리드 학습 프레임워크를 제시합니다. NASA, CALCE, TRC 및 NCA 화학 데이터셋을 통합하여 엔트로피 기반 동적 가중치 부여 메커니즘을 사용하여 이질적인 데이터셋 간의 변동성을 완화합니다. Ridge 회귀, LSTM 네트워크, XGBoost를 결합한 스택 앙상블(SE) 모델은 시간적 의존성과 비선형 열화 패턴을 효과적으로 포착합니다. 결과적으로 MAE 0.0058, RMSE 0.0092, R² 0.9839를 달성하여 기존 모델보다 R²는 46.2% 향상, RMSE는 83.2% 감소하는 성능을 보였습니다. SHAP 분석을 통해 차등 방전 용량(Qdlin)과 측정 온도(Temp_m)가 중요한 노화 지표임을 확인했습니다. 본 연구의 확장 가능하고 해석 가능한 프레임워크는 다양한 에너지 저장 시스템에서 배터리 건강 관리를 향상시켜 유지 관리 및 안전성을 최적화하는 데 기여합니다.
