전기차(EV)의 적응형 전력 관리는 정확한 전력 예측을 필요로 합니다. 딥러닝 모델은 이 분야에서 시계열 예측에 매우 효과적인 것으로 나타났지만, 학습 데이터와 분포가 다른 데이터에 노출되면 성능 저하를 겪기 쉽습니다. 본 논문에서는 자원이 제한된 EV 시스템에서 온디바이스(on-device) 학습을 가능하게 하여 사전 학습된 배터리 예측 모델을 새롭고 보지 못한 데이터에 지속적으로 적응시키는 새로운 접근 방식을 소개합니다. 우리는 기존의 사전 학습된 모델들을 변형하여, 초기 훈련 과정에서 얻은 중요한 하이퍼파라미터 지식을 유지하는 적응 가능한 버전으로 만듭니다. 온라인 및 오프라인 모델 적응 전략을 포괄적으로 조사했습니다. 우리의 결과는 다양한 모델과 시간 범위에 걸쳐 예측 성능의 상당한 개선을 보여주었으며, 온라인 및 오프라인 적응 기법을 통해 각각 최대 7.49%와 14.88%의 평균 절대 오차(mean absolute error) 감소를 달성했습니다. 본 연구는 온디바이스 적응이 실제 EV 시나리오에서 비적응형 모델 배포보다 향상된 배터리 전력 예측 결과를 가져온다는 점을 강조합니다.