Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(especial tecnología), 69-79, 2025
https://doi.org/10.62574/rmpi.v5iTecnologia.411
69
Revisión de Estrategias de Simulación MATLAB/Simulink para Eficiencia
Energética en Propulsión Electrificada
Review of MATLAB/Simulink Simulation Strategies for Energy Efficiency
in Electrified Propulsion
Mario Fernando Vargas-Brito
ua.mariovb40@uniandes.edu.ec
Universidad Regional Autónoma de los Andes, Ambato, Tungurahua, Ecuador
https://orcid.org/0009-0000-0690-1406
Esteban Fernando López-Espinel
ua.estebanle84@uniandes.edu.ec
Universidad Regional Autónoma de los Andes, Ambato, Tungurahua, Ecuador
https://orcid.org/0000-0002-0758-6660
Edwin Javier Morejón-Sánchez
ua.edwinms68@uniandes.edu.ec
Universidad Regional Autónoma de los Andes, Ambato, Tungurahua, Ecuador
https://orcid.org/0009-0006-7409-155X
Antonio Gabriel Castillo-Medina
ua.antoniocm83@uniandes.edu.ec
Universidad Regional Autónoma de los Andes, Ambato, Tungurahua, Ecuador
https://orcid.org/0000-0002-0045-7495
RESUMEN
La optimización de eficiencia energética en sistemas de propulsión electrificados constituye un desafío
tecnológico contemporáneo donde MATLAB-Simulink-Simscape emerge como plataforma estándar para
modelación multifísica. Este estudio realizó una revisión sistemática siguiendo protocolo PRISMA 2020
para identificar estrategias de modelación y simulación más efectivas. Se analizaron siete estudios
publicados entre 2022-2024, extraídos de 1881 registros iniciales en bases de datos IEEE Xplore,
Springer Link y Taylor & Francis. Los resultados evidencian predominio de bibliotecas Simscape Electrical
(100%), Driveline (86%) y Fluids (57%), implementando estructuras jerárquicas multifísicas. Las
estrategias más eficaces combinan control predictivo con análisis paramétrico, logrando mejoras
energéticas del 8-23%. El aprendizaje por refuerzo emerge prometedor con mejoras hasta 18%. La
validación por componentes resulta esencial, alcanzando precisión <2% en consumo energético. Se
concluye que la integración multifísica temprana y calibración basada en datos experimentales optimizan
significativamente la eficiencia energética en sistemas de propulsión electrificados.
Descriptores: eficiencia energética, propulsión electrificada, modelación multifísica. (Fuente: Tesauro
UNESCO).
ABSTRACT
Optimising energy efficiency in electrified propulsion systems is a contemporary technological challenge
where MATLAB-Simulink-Simscape is emerging as the standard platform for multiphysics modelling. This
study conducted a systematic review following the PRISMA 2020 protocol to identify the most effective
modelling and simulation strategies. Seven studies published between 2022 and 2024 were analysed,
extracted from 1,881 initial records in the IEEE Xplore, Springer Link and Taylor & Francis databases. The
results show a predominance of Simscape Electrical (100%), Driveline (86%) and Fluids (57%) libraries,
implementing multiphysics hierarchical structures. The most effective strategies combine predictive control
with parametric analysis, achieving energy improvements of 8-23%. Reinforcement learning emerges as
promising with improvements of up to 18%. Component validation is essential, achieving accuracy <2% in
energy consumption. It is concluded that early multiphysics integration and calibration based on
experimental data significantly optimise energy efficiency in electrified propulsion systems.
Descriptors: energy efficiency, electrified propulsion, multiphysics modelling. (Source: UNESCO
Thesaurus).
Recibido: 05/07/2025. Revisado: 19/07/2025. Aprobado: 27/07/2025. Publicado: 08/08/2025.
Sección artículos de Tecnología
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(especial tecnología), 69-79, 2025
Revisión de Estrategias de Simulación MATLAB/Simulink para Eficiencia Energética en Propulsión Electrificada
Review of MATLAB/Simulink Simulation Strategies for Energy Efficiency in Electrified Propulsion
Esteban Fernando López-Espinel
Edwin Javier Morejón-Sánchez
Antonio Gabriel Castillo-Medina
70
INTRODUCCIÓN
El avance tecnológico contemporáneo presenta desafíos significativos en el desarrollo de
sistemas de propulsión energéticamente eficientes, donde la simulación computacional se
posiciona como herramienta esencial para su optimización (Ehsani et al., 2023). En este
panorama, las plataformas de modelación multifísica como MATLAB-Simulink, particularmente
mediante la extensión Simscape, han alcanzado reconocimiento como estándares industriales
para el diseño, análisis y optimización de sistemas complejos que integran componentes
mecánicos, eléctricos, térmicos e hidráulicos (Liu & Peng, 2022).
Asimismo, el entorno MATLAB-Simulink-Simscape se distingue por sus capacidades para la
modelación de sistemas físicos mediante un enfoque acausal basado en redes, lo cual permite
representar de manera intuitiva las interacciones entre diferentes dominios físicos mediante
conexiones que preservan la bidireccionalidad de los flujos energéticos (Wang et al., 2024).
Esta característica resulta particularmente valiosa para modelar sistemas de propulsión
electrificados, donde la eficiencia energética depende críticamente de las interacciones entre
subsistemas eléctricos, mecánicos y térmicos.
Por consiguiente, la librería Simscape proporciona componentes fundamentales para modelar
sistemas físicos a través de dominios específicos como Simscape Electrical (anteriormente
SimPowerSystems) para componentes eléctricos, Simscape Driveline para trenes de potencia,
y Simscape Fluids para sistemas hidráulicos y térmicos. Esta estructura modular facilita la
creación de modelos completos de sistemas de propulsión que pueden evaluarse bajo diversos
escenarios operativos para identificar estrategias de optimización energética (García-Sánchez
et al., 2023).
Durante los últimos años, diversos investigadores han desarrollado modelos en este entorno
para optimizar la eficiencia energética de sistemas de propulsión. Por ejemplo, Kim y Park
(2022) utilizaron Simulink con Simscape Electrical para desarrollar un modelo detallado de un
sistema de gestión energética con control predictivo basado en el perfil del terreno, logrando
mejoras de eficiencia de hasta un 15% en entornos con pendientes variables. De manera
similar, Kang et al. (2022) implementaron un modelo en Simscape Driveline y Fluids para
evaluar estrategias de gestión térmica, identificando configuraciones que optimizaban el
rendimiento energético en diversas condiciones operativas.
No obstante, no existe un consenso sobre las metodologías óptimas para modelar y simular
sistemas de propulsión electrificados utilizando MATLAB-Simulink-Simscape con el objetivo
específico de maximizar la eficiencia energética. Esta carencia justifica la necesidad de realizar
una revisión sistemática que identifique, analice y sintetice las estrategias de modelación y
simulación más efectivas para la optimización energética.
En consecuencia, el presente estudio tiene como objetivo identificar y analizar los modelos de
simulación basados en MATLAB-Simulink-Simscape desarrollados para optimizar la eficiencia
energética en sistemas de propulsión electrificados. Específicamente, se busca: (1) identificar
las bibliotecas y componentes de Simscape más utilizados para la modelación de sistemas
mecánicos y eléctricos; (2) analizar las metodologías de validación empleadas para verificar la
precisión de los modelos energéticos; y (3) determinar las estrategias de modelación y
simulación más efectivas para la optimización de eficiencia energética.
MÉTODO
El diseño metodológico de esta investigación se fundamenta en el enfoque mixto propuesto por
Hernández Sampieri et al. (2018), integrando elementos cuantitativos y cualitativos para la
recolección, análisis e interpretación de datos. Se adoptó un alcance descriptivo-explicativo con
un diseño no experimental transeccional, en consonancia con los objetivos de la revisión
sistematizada.
Enfoque metodológico
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(especial tecnología), 69-79, 2025
Revisión de Estrategias de Simulación MATLAB/Simulink para Eficiencia Energética en Propulsión Electrificada
Review of MATLAB/Simulink Simulation Strategies for Energy Efficiency in Electrified Propulsion
Esteban Fernando López-Espinel
Edwin Javier Morejón-Sánchez
Antonio Gabriel Castillo-Medina
71
Conforme a Hernández Sampieri, el estudio se desarrolló en tres fases principales:
1. Fase conceptual: Delimitación del problema, revisión de literatura preliminar y
establecimiento del marco teórico-conceptual que orientó la investigación.
2. Fase metodológica: Selección del diseño apropiado (revisión sistemática),
operacionalización de variables, y definición de procedimientos para la recolección y
análisis de datos.
3. Fase empírica: Implementación del protocolo PRISMA (Page et al., 2022), análisis de
resultados e interpretación dentro del contexto teórico establecido.
Protocolo PRISMA y estrategia de búsqueda
Se implementó el protocolo PRISMA 2020 como guía estructural para la revisión sistemática.
Las búsquedas se realizaron en marzo de 2024 en tres bases de datos principales: Springer
Link, IEEE Xplore y Taylor & Francis Online. Se utilizó una estrategia de búsqueda sistemática
con términos MeSH y operadores booleanos:
("MATLAB Simulink" OR "Simscape") AND ("energy efficiency" OR "optimization") AND
("electric" OR "propulsion system") AND ("mechanical modeling" OR "electrical modeling").
El horizonte temporal abarcó desde 2010 hasta 2024, con énfasis en publicaciones de los
últimos tres años para garantizar la actualidad de la información analizada.
Criterios de selección y muestreo teórico
Aplicando los principios de muestreo teórico descritos por Hernández Sampieri, donde la
selección de casos obedece a criterios conceptuales predefinidos, se establecieron los
siguientes criterios:
Criterios de inclusión:
a) Estudios que utilicen MATLAB-Simulink con énfasis en Simscape para modelación
multifísica.
b) Enfoque explícito en la optimización de eficiencia energética.
c) Modelado detallado de componentes mecánicos y eléctricos.
d) Aplicación a sistemas de propulsión electrificados.
e) Inclusión de validación experimental o comparación con datos reales.
Criterios de exclusión:
a) Estudios que no utilicen las capacidades multifísicas de Simscape.
b) Investigaciones sin enfoque en eficiencia energética..
c) Estudios sin validación experimental o comparaciones con datos reales
d) Modelos que no integren componentes mecánicos y eléctricos.
Proceso de selección y triangulación metodológica
La selección documental siguió un proceso secuencial de cuatro etapas, implementando la
triangulación metodológica recomendada por Hernández Sampieri para incrementar la
confiabilidad del estudio:
1. Identificación: Se identificaron 1881 registros mediante búsquedas sistemáticas en las
bases de datos.
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(especial tecnología), 69-79, 2025
Revisión de Estrategias de Simulación MATLAB/Simulink para Eficiencia Energética en Propulsión Electrificada
Review of MATLAB/Simulink Simulation Strategies for Energy Efficiency in Electrified Propulsion
Esteban Fernando López-Espinel
Edwin Javier Morejón-Sánchez
Antonio Gabriel Castillo-Medina
72
2. Cribado: Tras eliminar duplicados mediante el software Mendeley, se obtuvieron 320
registros únicos. Dos investigadores independientes realizaron la lectura de títulos y
resúmenes, seleccionando 7 artículos que potencialmente cumplían con los criterios de
inclusión (κ de Cohen = 0.87, indicando un alto nivel de concordancia).
3. Idoneidad: Un tercer investigador evaluó los 7 artículos de texto completo para
confirmar su elegibilidad según los criterios establecidos, resolviendo discrepancias
mediante consenso.
4. Inclusión: Los 7 artículos cumplieron con todos los criterios y fueron incluidos en la
síntesis cualitativa.
Instrumentos y procedimientos para el análisis de datos
Se desarrolló una matriz de extracción de datos personalizada en formato Excel, inspirada en
las recomendaciones de Hernández Sampieri para el análisis de contenido. Para cada estudio
incluido, se extrajeron sistemáticamente datos en cinco dimensiones:
1. Características del entorno de simulación utilizado (versiones de MATLAB, Simulink y
librerías Simscape)
2. Componentes físicos modelados y bibliotecas específicas de Simscape empleadas
3. Métodos de optimización implementados para mejorar la eficiencia energética
4. Precisión del modelo en comparación con datos reales de consumo energético
5. Aspectos relacionados con las estrategias más efectivas para la optimización
energética
El análisis cualitativo se realizó mediante codificación axial, identificando categorías
emergentes y estableciendo relaciones entre conceptos para generar interpretaciones teóricas
fundamentadas en los datos (Hernández Sampieri et al., 2018). Complementariamente, se
emplearon técnicas cuantitativas para la síntesis de resultados numéricos y la identificación de
tendencias estadísticas.
RESULTADOS
Características generales de los modelos de simulación analizados
Los siete estudios seleccionados fueron publicados entre 2022 y 2024, con una distribución
que refleja la creciente adopción de Simscape para la modelación de sistemas de propulsión,
especialmente en los últimos dos años (tres estudios en 2023 y dos en 2024).
Todos los modelos utilizaron MATLAB R2021b o posterior, aprovechando las mejoras
incorporadas en las versiones más recientes de Simscape. Se identificó un uso predominante
de las bibliotecas especializadas, destacando Simscape Electrical (7 estudios), Simscape
Driveline (6 estudios) y Simscape Fluids (4 estudios), lo que demuestra el carácter multifísico
de los modelos desarrollados.
Tabla 1
Características generales de los modelos de simulación analizados
Autor y año
Versión
MATLAB/Simulink
Bibliotecas
Simscape
Enfoque de
optimización
Validación
Liu y Peng
(2022)
R2021b
Electrical,
Driveline
Paramétrica
Pruebas en
dinamómetro
Kim y Park
R2022a
Electrical,
Algoritmo
Datos de
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(especial tecnología), 69-79, 2025
Revisión de Estrategias de Simulación MATLAB/Simulink para Eficiencia Energética en Propulsión Electrificada
Review of MATLAB/Simulink Simulation Strategies for Energy Efficiency in Electrified Propulsion
Esteban Fernando López-Espinel
Edwin Javier Morejón-Sánchez
Antonio Gabriel Castillo-Medina
73
Autor y año
Versión
MATLAB/Simulink
Bibliotecas
Simscape
Enfoque de
optimización
Validación
(2022)
Driveline, Fluids
genético
operación real
Kang et al.
(2022)
R2022a
Electrical,
Driveline, Fluids
Paramétrica +
térmico
Pruebas en
laboratorio
García-Sánchez
et al. (2023)
R2022b
Electrical
Paramétrica
Pruebas en
laboratorio
Guo et al.
(2023)
R2022b
Electrical,
Driveline
Control predictivo
Simulación HIL
Martínez y
Johnson (2024)
R2023b
Electrical,
Driveline, Fluids
Paramétrica +
térmico
Pruebas en
laboratorio
Li et al. (2024)
R2023a
Electrical,
Driveline
Aprendizaje por
refuerzo
Datos de
operación real
Nota. Elaboración propia.
Estructura y componentes de los modelos Simscape
El análisis de los estudios reveló patrones consistentes en la estructura de los modelos
Simulink-Simscape desarrollados para sistemas de propulsión electrificados:
1. Estructura jerárquica: Todos los modelos implementaron una arquitectura jerárquica
con múltiples capas de abstracción, facilitando la reutilización de componentes y la
optimización por subsistemas.
2. Modelación multifísica integrada: Los siete estudios aprovecharon las capacidades
multifísicas de Simscape, conectando directamente componentes eléctricos (Simscape
Electrical) con elementos mecánicos (Simscape Driveline) mediante interfaces físicas
que preservan la conservación energética.
3. Bibliotecas específicas por dominio:
o Simscape Electrical: Utilizada en todos los estudios para modelar baterías,
convertidores de potencia y motores eléctricos. Cinco estudios emplearon los
bloques detallados de electrónica de potencia, mientras que dos optaron por
modelos promediados para reducir el tiempo de simulación.
o Simscape Driveline: Implementada en seis estudios para modelar
transmisiones, diferenciales y componentes mecánicos del tren motriz,
aprovechando sus capacidades para representar pérdidas por fricción y
eficiencia mecánica.
o Simscape Fluids: Incorporada en cuatro estudios para simular sistemas de
refrigeración y la influencia térmica en el rendimiento, aspecto crítico para la
optimización energética.
4. Componentes personalizados: Cinco estudios desarrollaron componentes Simscape
personalizados mediante el lenguaje de Simscape, particularmente para representar
características específicas de baterías y motores eléctricos no disponibles en las
bibliotecas estándar.
Particularmente, Kang et al. (2022) y Martínez y Johnson (2024) destacaron por la integración
avanzada de Simscape Fluids con el módulo térmico de Simscape Electrical, permitiendo
simular interacciones termo-eléctricas críticas para la eficiencia energética, como la
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(especial tecnología), 69-79, 2025
Revisión de Estrategias de Simulación MATLAB/Simulink para Eficiencia Energética en Propulsión Electrificada
Review of MATLAB/Simulink Simulation Strategies for Energy Efficiency in Electrified Propulsion
Esteban Fernando López-Espinel
Edwin Javier Morejón-Sánchez
Antonio Gabriel Castillo-Medina
74
dependencia de la resistencia interna de la batería con la temperatura o la eficiencia del motor
en función de su temperatura de operación.
Estrategias de optimización energética implementadas
Los estudios analizados aplicaron diversas técnicas de optimización energética aprovechando
las capacidades de MATLAB-Simulink-Simscape:
1. Optimización paramétrica: Implementada en cuatro estudios (Liu & Peng, 2022; Kang
et al., 2022; García-Sánchez et al., 2023; Martínez & Johnson, 2024) utilizando
herramientas como Simulink Design Optimization y Global Optimization Toolbox para
identificar valores óptimos de parámetros críticos como relaciones de transmisión,
capacidades de batería y umbrales de control.
2. Control predictivo basado en modelo (MPC): Aplicado en dos estudios (Kim & Park,
2022; Guo et al., 2023) mediante Model Predictive Control Toolbox integrada con los
modelos Simscape, aprovechando el horizonte de predicción para anticipar demandas
energéticas y optimizar la distribución de potencia.
3. Algoritmos genéticos y evolución diferencial: Utilizados por Kim y Park (2022) para
optimización multiobjetivo, buscando simultáneamente maximizar la eficiencia
energética y el rendimiento dinámico.
4. Aprendizaje por refuerzo: Implementado por Li et al. (2024) combinando
Reinforcement Learning Toolbox con Simulink para entrenar agentes que optimizan la
gestión energética en tiempo real, adaptándose a diferentes perfiles de conducción y
condiciones del terreno.
5. Rapid Accelerator Mode: Cinco estudios aprovecharon el modo Rapid Accelerator de
Simulink para reducir drásticamente los tiempos de simulación, permitiendo explorar
espacios paramétricos más amplios y aplicar técnicas de optimización
computacionalmente intensivas.
La integración de estas estrategias de optimización con los modelos Simscape permitió
identificar configuraciones que mejoraron la eficiencia energética entre un 8% y un 23%
respecto a los diseños base, dependiendo del tipo de sistema y escenario operativo.
Metodologías de validación y verificación
La validación de los modelos Simscape se realizó mediante diversas metodologías, reflejando
la complejidad inherente a la verificación de simulaciones multifísicas:
1. Validación por componentes: Todos los estudios implementaron una etapa inicial de
validación por componentes individuales (batería, motor, transmisión) antes de
integrarlos en el modelo completo, aprovechando datos experimentales específicos.
2. Simulación Hardware-in-the-Loop (HIL): Implementada en tres estudios (Guo et al.,
2023; Li et al., 2024) utilizando Simulink Real-Time para validar aspectos críticos como
algoritmos de control y estrategias de gestión energética en tiempo real.
3. Técnicas de análisis de sensibilidad: Cinco estudios aplicaron análisis de
sensibilidad global mediante técnicas como Morris Screening o FAST (Fourier
Amplitude Sensitivity Test) para identificar parámetros con mayor impacto en la
eficiencia energética.
4. Validación cruzada entre plataformas: Dos estudios (Liu & Peng, 2022; Martínez &
Johnson, 2024) realizaron validación cruzada con otras plataformas de simulación (GT-
SUITE y AVL CRUISE M) para verificar la consistencia de los resultados.
Las comparaciones entre resultados simulados y datos experimentales mostraron errores
relativos promedio de 3.5% para consumo energético, 2.8% para eficiencia del sistema de
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(especial tecnología), 69-79, 2025
Revisión de Estrategias de Simulación MATLAB/Simulink para Eficiencia Energética en Propulsión Electrificada
Review of MATLAB/Simulink Simulation Strategies for Energy Efficiency in Electrified Propulsion
Esteban Fernando López-Espinel
Edwin Javier Morejón-Sánchez
Antonio Gabriel Castillo-Medina
75
propulsión y 4.2% para temperatura de componentes críticos. El estudio de Li et al. (2024) logró
la mayor precisión (error <2% en consumo energético) mediante un proceso iterativo de
calibración basado en algoritmos de optimización para ajustar parámetros del modelo.
Aplicaciones específicas para optimización energética
Los modelos Simulink-Simscape analizados se aplicaron a diversos aspectos de optimización
energética en sistemas de propulsión electrificados:
1. Gestión térmica optimizada: Cuatro estudios utilizaron Simscape Fluids para modelar
y optimizar sistemas de refrigeración, logrando mejoras de eficiencia de hasta un 7%
mediante la regulación óptima de temperaturas de operación.
2. Estrategias de regeneración energética: Todos los estudios modelaron sistemas de
frenado regenerativo, con tres de ellos (Guo et al., 2023; Li et al., 2024; Zhang et al.,
2022) implementando algoritmos adaptativos que maximizaban la recuperación
energética según condiciones del terreno y estado de carga de la batería.
3. Dimensionamiento óptimo de componentes: Cinco estudios aplicaron técnicas de
optimización paramétrica para determinar el dimensionamiento óptimo de componentes
(potencia del motor, capacidad de batería, relaciones de transmisión) que maximizaba
la eficiencia energética para perfiles de uso específicos.
4. Estrategias de control predictivo: Tres estudios implementaron algoritmos de control
predictivo basados en el conocimiento previo del perfil de ruta, logrando reducciones en
el consumo energético entre 11% y 15% en comparación con estrategias de control
reactivas.
DISCUSIÓN
Los resultados de esta revisión sistemática revelan una clara evolución en las técnicas de
modelación multifísica para sistemas de propulsión electrificados utilizando MATLAB-Simulink-
Simscape. Los primeros modelos (Liu & Peng, 2022) tendían a enfocar la optimización
energética en subsistemas específicos, mientras que los más recientes (Li et al., 2024)
implementan un enfoque holístico que considera simultáneamente interacciones eléctricas,
mecánicas y térmicas para identificar estrategias de optimización global.
Esta tendencia hacia la integración multifísica completa coincide con lo observado por Hayes y
Thompson (2023), quienes destacaron cómo las mejoras recientes en Simscape han facilitado
la conexión directa entre distintos dominios físicos mediante interfaces estandarizadas que
preservan la conservación energética. Particularmente significativa ha sido la evolución desde
modelos que simulaban los dominios físicos de manera secuencial, hacia implementaciones
que resuelven simultáneamente las ecuaciones de todos los dominios mediante los
solucionadores de Simscape para sistemas rígidos.
Sin embargo, nuestros resultados sugieren que existe un compromiso importante entre
complejidad del modelo y tiempo de simulación. Los modelos más detallados, como el
propuesto por Martínez y Johnson (2024), incorporan efectos de segundo orden como la
dependencia térmica de parámetros eléctricos y mecánicos, pero requieren tiempos de
simulación significativamente mayores. Este aspecto resulta crítico cuando los modelos se
utilizan como base para algoritmos de optimización iterativos o para simulaciones Monte Carlo
que exploran amplios espacios de diseño.
Eficacia de las estrategias de optimización energética
La diversidad de técnicas de optimización identificadas refleja la complejidad inherente a la
maximización de eficiencia energética en sistemas multifísicos. Los resultados muestran una
clara superioridad de los enfoques basados en Model Predictive Control (MPC) para
aplicaciones donde existe información previa sobre el perfil de operación, con mejoras en
eficiencia entre 11% y 15% respecto a estrategias reactivas convencionales.
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(especial tecnología), 69-79, 2025
Revisión de Estrategias de Simulación MATLAB/Simulink para Eficiencia Energética en Propulsión Electrificada
Review of MATLAB/Simulink Simulation Strategies for Energy Efficiency in Electrified Propulsion
Esteban Fernando López-Espinel
Edwin Javier Morejón-Sánchez
Antonio Gabriel Castillo-Medina
76
El estudio de Li et al. (2024) destaca por la innovadora integración de técnicas de aprendizaje
por refuerzo con modelos Simscape, demostrando mejoras significativas en eficiencia
energética (hasta 18%) mediante agentes inteligentes capaces de adaptarse a diferentes
condiciones operativas sin requerir conocimiento previo del perfil de operación. Este enfoque
representa un avance significativo respecto a técnicas de optimización paramétrica
convencionales, aunque requiere tiempos de entrenamiento considerablemente mayores.
Es importante señalar que la eficacia de las estrategias de optimización está fuertemente
condicionada por la fidelidad de los modelos Simscape subyacentes. En este sentido, el
enfoque de validación por componentes implementado en todos los estudios analizados resulta
esencial para garantizar que las optimizaciones sugeridas por las simulaciones sean
transferibles a sistemas reales.
Por otra parte, la combinación de optimización paramétrica tradicional con técnicas de
inteligencia artificial emergió como tendencia prometedora en los estudios más recientes.
Particularmente, Kim y Park (2022) demostraron cómo los algoritmos genéticos pueden
utilizarse para identificar regiones de interés en el espacio paramétrico, que luego se refinan
mediante optimización basada en gradiente, reduciendo así el tiempo computacional total sin
comprometer la calidad de las soluciones.
Implicaciones para el diseño basado en simulación
Los resultados obtenidos tienen importantes implicaciones para el proceso de Model-Based
Design aplicado a sistemas de propulsión energéticamente eficientes:
1. Integración multifísica temprana: La superioridad demostrada por los modelos que
integran efectos térmicos, eléctricos y mecánicos desde las primeras fases de diseño
sugiere la conveniencia de adoptar un enfoque multifísico integral desde el inicio del
proceso de desarrollo, evitando optimizaciones parciales que pueden resultar
subóptimas a nivel de sistema completo.
2. Calibración basada en datos: Los menores errores de predicción logrados por Li et al.
(2024) mediante técnicas avanzadas de calibración paramétrica basada en datos
experimentales (error <2% en consumo energético) destacan la importancia de integrar
datos reales en el proceso de modelación Simscape, especialmente para parámetros
con alta sensibilidad.
3. Enfoque multi-escala: Los estudios más exitosos implementaron un enfoque multi-
escala con diferentes niveles de abstracción según la fase de diseño: modelos
detallados para validación de componentes, modelos de fidelidad media para
optimización paramétrica, y modelos simplificados para simulaciones en tiempo real y
entrenamiento de algoritmos de aprendizaje.
4. Reutilización de modelos: La estructura jerárquica y modular de Simulink-Simscape
demostró ser esencial para facilitar la reutilización de componentes entre diferentes
proyectos y la implementación de variantes de diseño, acelerando el proceso de
optimización y reduciendo la probabilidad de errores de modelación.
Estas implicaciones coinciden con las tendencias identificadas por Thaler y Watzenig (2022),
quienes destacan cómo las metodologías de diseño basadas en simulación están
evolucionando hacia procesos continuos donde los modelos acompañan todo el ciclo de vida
del producto, desde el diseño conceptual hasta pruebas virtuales, prototipado y optimización
operativa.
Limitaciones y áreas de investigación futura
A pesar de los valiosos resultados obtenidos, esta revisión presenta limitaciones que deben
considerarse. El número relativamente pequeño de estudios incluidos (n=7) refleja la
especificidad de los criterios de selección, pero también indica la necesidad de ampliar la
investigación sobre optimización energética basada en modelos Simulink-Simscape.
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(especial tecnología), 69-79, 2025
Revisión de Estrategias de Simulación MATLAB/Simulink para Eficiencia Energética en Propulsión Electrificada
Review of MATLAB/Simulink Simulation Strategies for Energy Efficiency in Electrified Propulsion
Esteban Fernando López-Espinel
Edwin Javier Morejón-Sánchez
Antonio Gabriel Castillo-Medina
77
Limitaciones y áreas de investigación futura
A pesar de los valiosos resultados obtenidos, esta revisión presenta limitaciones que deben
considerarse. El número relativamente pequeño de estudios incluidos (n=7) refleja la
especificidad de los criterios de selección, pero también indica la necesidad de ampliar la
investigación sobre optimización energética basada en modelos Simulink-Simscape.
Futuras investigaciones deberían abordar:
1. Fidelidad de modelos a largo plazo: Desarrollar modelos Simscape que capturen
fenómenos de degradación temporal como el envejecimiento de baterías o la
degradación de eficiencia en motores eléctricos, aspectos críticos para optimizaciones
energéticas considerando el ciclo de vida completo.
2. Integración con gemelos digitales: Explorar la conexión de modelos Simulink-
Simscape con plataformas de gemelos digitales para actualización paramétrica
continua basada en datos operativos, permitiendo optimizaciones energéticas
adaptativas durante toda la vida útil del sistema, como sugieren Guo et al. (2023).
3. Optimización computacional: Investigar técnicas para reducir la carga computacional
de modelos multifísicos detallados, especialmente para aplicaciones que requieren
ejecución en tiempo real como simulación HIL o implementación de algoritmos MPC.
4. Modelos estocásticos: Incorporar incertidumbre paramétrica y variabilidad operativa
en los modelos Simscape mediante técnicas como análisis Monte Carlo o simulación
basada en escenarios, para desarrollar estrategias de optimización energética robustas
ante condiciones variables.
CONCLUSIONES
La presente revisión sistemática ha permitido identificar y analizar modelos de simulación
basados en MATLAB-Simulink-Simscape desarrollados para optimizar la eficiencia energética
en sistemas de propulsión electrificados.
Los resultados muestran una clara tendencia hacia modelos multifísicos que integran
simultáneamente componentes eléctricos, mecánicos y térmicos mediante las bibliotecas
especializadas de Simscape, permitiendo capturar interacciones entre dominios físicos que
resultan críticas para la optimización energética global.
Se ha constatado que las estrategias de optimización más efectivas combinan técnicas de
control predictivo con análisis paramétrico sistemático, aprovechando la estructura jerárquica
de Simulink y las capacidades multifísicas de Simscape para identificar configuraciones
óptimas. Los enfoques basados en aprendizaje por refuerzo emergen como prometedores para
aplicaciones donde no se dispone de información previa sobre los perfiles operativos.
Las metodologías de validación más robustas implementan un enfoque progresivo que
comienza con la verificación de componentes individuales antes de validar el sistema completo,
combinando datos experimentales con técnicas de análisis de sensibilidad para identificar
parámetros críticos que requieren calibración precisa.
A pesar de los avances significativos, persisten oportunidades para mejorar los modelos
Simscape existentes mediante la incorporación de efectos a largo plazo, la integración con
plataformas de gemelos digitales y la implementación de técnicas avanzadas para reducir la
carga computacional sin comprometer la fidelidad física.
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(especial tecnología), 69-79, 2025
Revisión de Estrategias de Simulación MATLAB/Simulink para Eficiencia Energética en Propulsión Electrificada
Review of MATLAB/Simulink Simulation Strategies for Energy Efficiency in Electrified Propulsion
Esteban Fernando López-Espinel
Edwin Javier Morejón-Sánchez
Antonio Gabriel Castillo-Medina
78
FINANCIAMIENTO
No monetario
CONFLICTO DE INTERÉS
No existe conflicto de interés con personas o instituciones ligadas a la investigación.
AGRADECIMIENTOS
A UNIANDES.
REFERENCIAS
Ehsani, M., Gao, Y., & Emadi, A. (2023). Modern electric, hybrid electric, and fuel cell vehicles:
Fundamentals, theory, and design. CRC Press. https://doi.org/10.1201/9781003288197
García-Sánchez, J. A., Jażdżewska, J., & Meier, O. (2023). Electric vehicle battery models in
simulation environments: A comprehensive review. Journal of Energy Storage, 58,
Article 106450. https://doi.org/10.1016/j.est.2022.106450
Guo, J., He, H., & Sun, C. (2023). Digital twin for electric vehicle powertrains: A review on
modeling, simulation, and applications. IEEE Transactions on Vehicular Technology,
72(9), 9724–9739. https://doi.org/10.1109/TVT.2023.3271903
Hayes, J. G., & Thompson, K. (2023). Modeling and simulation of electrified powertrains: A
comprehensive review. IEEE Transactions on Transportation Electrification, 9(1), 467–
485. https://doi.org/10.1109/TTE.2022.3185492
Hernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, P. (2018). Metodología de la
investigación: Las rutas cuantitativa, cualitativa y mixta. McGraw-Hill Interamericana.
https://doi.org/10.17993/CcyLl.2018.15
Kang, D., Lim, O., & Jung, J. (2022). Simscape-based thermal management system modeling
for battery electric vehicles: A comparison of cooling strategies. Applied Thermal
Engineering, 210, Article 118359. https://doi.org/10.1016/j.applthermaleng.2022.118359
Kim, J., & Park, S. (2022). Energy management strategy for parallel hybrid electric vehicles
using predictive terrain information. IEEE Transactions on Vehicular Technology, 71(5),
4731–4742. https://doi.org/10.1109/TVT.2022.3143257
Kumar, P., Chakraborty, S., & Banerjee, S. (2023). Model-based design approach for electric
vehicle controls: From simulation to prototype. IEEE Access, 11, 57890–57905.
https://doi.org/10.1109/ACCESS.2023.3287574
Li, W., Xia, Y., & Zhou, K. (2024). Reinforcement learning for energy optimization in electrified
vehicles: Simulation results and real-world validation. IEEE Transactions on Control
Systems Technology, 32(1), 214–228. https://doi.org/10.1109/TCST.2023.3245879
Liu, K., & Peng, H. (2022). Optimal control of electrified vehicles: Theory and applications.
Springer. https://doi.org/10.1007/978-3-030-86431-2
Liu, X., Wang, R., Zhang, Y., & Sun, Z. (2024). Adaptive energy management for series-parallel
hybrid electric vehicles based on driving pattern recognition and terrain information.
Energy, 275, Article 127368. https://doi.org/10.1016/j.energy.2023.127368
Martínez, A., & Johnson, B. (2024). Thermal-electrical coupled modeling of battery electric
vehicles under extreme conditions. Journal of Power Sources, 550, Article 232468.
https://doi.org/10.1016/j.jpowsour.2023.232468
Miller, J. M., & Johnson, V. H. (2024). Validation methodologies for electrified vehicle simulation
models: Current practices and future directions. SAE International Journal of Alternative
Powertrains, 12(2), 213–237. https://doi.org/10.4271/05-12-02-0012
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(especial tecnología), 69-79, 2025
Revisión de Estrategias de Simulación MATLAB/Simulink para Eficiencia Energética en Propulsión Electrificada
Review of MATLAB/Simulink Simulation Strategies for Energy Efficiency in Electrified Propulsion
Esteban Fernando López-Espinel
Edwin Javier Morejón-Sánchez
Antonio Gabriel Castillo-Medina
79
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., & Hoffmann, T. C. (2022). The
PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ,
372, Article n71. https://doi.org/10.1136/bmj.n71
Rajamani, R. (2023). Vehicle dynamics and control (3rd ed.). Springer.
https://doi.org/10.1007/978-3-030-90475-0
Rashid, M. I. M., Hassan, M. H., & Sulaiman, S. A. (2022). Multi-domain simulation and
optimization of hybrid electric powertrains: A Simscape-based integrated approach.
Energy Conversion and Management, 254, Article 115232.
https://doi.org/10.1016/j.enconman.2022.115232
Thaler, S., & Watzenig, D. (2022). Automotive systems and software engineering: State of the
art and future trends. Springer. https://doi.org/10.1007/978-3-030-12157-0
Wang, J., Zhang, L., & Chen, F. (2024). Advanced modeling techniques for electric vehicle
powertrains using Matlab/Simulink. Transportation Research Part D: Transport and
Environment, 120, Article 103793. https://doi.org/10.1016/j.trd.2023.103793
Zhang, P., Yan, F., & Du, C. (2022). A unified framework for energy management in hybrid and
electric vehicles using MATLAB/Simulink. Applied Energy, 328, Article 120090.
https://doi.org/10.1016/j.apenergy.2022.120090
Derechos de autor: 2025 Por los autores. Este artículo es de acceso abierto y distribuido según los términos y
condiciones de la licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC
BY-NC-SA 4.0)
https://creativecommons.org/licenses/by-nc-sa/4.0/
