Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(especial tecnología), 98-107, 2025
https://doi.org/10.62574/rmpi.v5iTecnologia.414
98
Análisis de gestión energética mediante ciclos personalizados en
vehículos eléctricos/híbridos para entornos urbanos orográficos
Energy management analysis using customised cycles in electric/hybrid
vehicles for urban environments with steep terrain
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
Esteban Fernando López-Espinel
ua.estebanle84@uniandes.edu.ec
Universidad Regional Autónoma de los Andes, Ambato, Tungurahua, Ecuador
https://orcid.org/0009-0005-7502-3463
Juan Diego Zurita-Vargas
ua.juanzv40@uniandes.edu.ec
Universidad Regional Autónoma de los Andes, Ambato, Tungurahua, Ecuador
https://orcid.org/0000-0003-1044-2681
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
RESUMEN
La gestión energética eficiente en vehículos eléctricos e híbridos representa un desafío tecnológico
complejo que requiere estrategias adaptadas a condiciones locales específicas. Esta revisión sistemática
analiza 20 estudios científicos publicados entre 2018 y 2024, siguiendo el protocolo PRISMA, para
examinar estrategias de gestión energética fundamentadas en ciclos de conducción personalizados. Los
resultados evidencian que la personalización de ciclos mejora la precisión de estimaciones de consumo
en 18%, mientras que técnicas de inteligencia artificial como redes neuronales temporales
convolucionales alcanzan errores menores al 1.5% en estimación de estado de carga. Las estrategias de
gestión energética basadas en aprendizaje por refuerzo Q-learning reducen la degradación de baterías
hasta 20% comparado con métodos tradicionales. La integración de variables topográficas y climáticas
resulta fundamental para optimizar el rendimiento en regiones andinas, donde pendientes superiores al
4% incrementan el consumo energético en 13.7%.
Descriptores: gestión energética; ciclos de conducción; vehículos eléctricos. (Fuente: Tesauro
UNESCO).
ABSTRACT
Efficient energy management in electric and hybrid vehicles represents a complex technological challenge
that requires strategies tailored to specific local conditions. This systematic review analyses 20 scientific
studies published between 2018 and 2024, following the PRISMA protocol, to examine energy
management strategies based on personalised driving cycles. The results show that cycle customisation
improves the accuracy of consumption estimates by 18%, while artificial intelligence techniques such as
convolutional neural networks achieve errors of less than 1.5% in state of charge estimation. Energy
management strategies based on Q-learning reinforcement learning reduce battery degradation by up to
20% compared to traditional methods. The integration of topographical and climatic variables is essential
to optimise performance in Andean regions, where slopes greater than 4% increase energy consumption
by 13.7%.
Descriptors: energy management; driving cycles; electric vehicles. (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), 98-107, 2025
Análisis de gestión energética mediante ciclos personalizados en vehículos eléctricos/híbridos para entornos urbanos
orográficos
Energy management analysis using customised cycles in electric/hybrid vehicles for urban environments with steep terrain
Antonio Gabriel Castillo-Medina
Esteban Fernando López-Espinel
Juan Diego Zurita-Vargas
Mario Fernando Vargas-Brito
99
INTRODUCCIÓN
La evolución hacia sistemas de movilidad sostenible ha transformado sustancialmente la
industria automotriz contemporánea. En este contexto, los vehículos eléctricos (EV) y los
vehículos híbridos eléctricos (HEV) emergen como tecnologías fundamentales para abordar el
cambio climático, disminuir la dependencia energética de combustibles fósiles y optimizar la
calidad ambiental urbana. Un componente esencial para el funcionamiento eficiente de estas
tecnologías reside en la administración energética, particularmente cuando se considera la
influencia de los ciclos de conducción, que constituyen la base fundamental para simular
consumo, autonomía, emisiones y deterioro de componentes clave como las baterías de
tracción.
Los ciclos de conducción representan secuencias temporales de velocidad que buscan replicar
condiciones reales de manejo en diversos ambientes, incluyendo zonas urbanas, carreteras y
autopistas. Inicialmente, estos patrones se desarrollaron para homologar motores de
combustión interna mediante ciclos estandarizados como FTP-75, NEDC y WLTP. Sin
embargo, investigaciones contemporáneas evidencian que estos protocolos no capturan
adecuadamente las dinámicas complejas de entornos urbanos, especialmente aquellos
caracterizados por topografías irregulares o patrones de conducción variables (Gong et al.,
2018; Liu et al., 2020).
Frente a esta problemática, se desarrolla la necesidad de crear ciclos de conducción
personalizados que reflejen con mayor fidelidad las condiciones locales específicas. Esta
necesidad resulta particularmente relevante para vehículos eléctricos e híbridos, debido a su
elevada sensibilidad al perfil de demanda energética generado por el patrón de conducción
(Tang et al., 2021). Diversas metodologías han emergido para generar estos ciclos,
destacándose las cadenas de Markov, análisis de conglomerados, técnicas Monte Carlo y
enfoques fundamentados en aprendizaje automático con datos de campo (Gong et al., 2018).
La implementación de ciclos representativos optimiza la precisión en la estimación de
parámetros fundamentales para la operación energética, tales como el estado de carga (SOC)
y el estado de salud (SOH) de las baterías. En este sentido, se ha incrementado el empleo de
modelos de estimación respaldados por técnicas de inteligencia artificial, incluyendo redes
neuronales convolucionales, redes recurrentes, redes temporales convolucionales (TCN), redes
tipo clockwork y aprendizaje por transferencia, superando el rendimiento de modelos
tradicionales basados en circuitos equivalentes (Liu et al., 2021; Feng et al., 2021; Hannan et
al., 2021).
La creciente demanda de eficiencia en la gestión energética ha motivado el empleo de
estrategias adaptativas mediante métodos como lógica difusa, control predictivo basado en
modelos (MPC), el principio del mínimo de Pontryagin (PMP) y algoritmos de aprendizaje por
refuerzo. Este último, a través de técnicas como Q-learning, permite que los sistemas aprendan
a distribuir eficientemente la energía entre diferentes fuentes —baterías, supercondensadores
o generadores térmicos— conforme a la demanda de potencia instantánea y al comportamiento
del conductor (Hu et al., 2020; Xu et al., 2021). Esta coordinación resulta aún más crítica en los
sistemas de almacenamiento híbrido (HESS), donde se busca maximizar la vida útil de la
batería mediante la gestión óptima del flujo energético entre las diferentes fuentes.
Paralelamente, la temperatura de operación se posiciona como un factor determinante en el
desempeño y longevidad de las baterías. Mantener las celdas dentro de un rango térmico
óptimo (20–45 °C) resulta vital para evitar la aceleración de procesos de degradación
ocasionados por condiciones extremas de temperatura. Tecnologías como sistemas de
refrigeración líquida, intercambiadores tipo heat pipe, materiales de cambio de fase (PCM) y la
integración con sistemas HVAC o bombas de calor han sido ampliamente analizadas como
soluciones viables para una gestión térmica eficiente (Tang et al., 2021).
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(especial tecnología), 98-107, 2025
Análisis de gestión energética mediante ciclos personalizados en vehículos eléctricos/híbridos para entornos urbanos
orográficos
Energy management analysis using customised cycles in electric/hybrid vehicles for urban environments with steep terrain
Antonio Gabriel Castillo-Medina
Esteban Fernando López-Espinel
Juan Diego Zurita-Vargas
Mario Fernando Vargas-Brito
100
La degradación progresiva de la batería, atribuida a los ciclos de carga y descarga, también se
encuentra modulada por los perfiles de conducción y las condiciones térmicas. Esta
degradación se manifiesta mediante reducción de la capacidad útil y aumento de la resistencia
interna. Investigaciones recientes subrayan que variables como el estado de carga, la
profundidad de descarga (DOD), la tasa de corriente y la frecuencia de uso influyen
decisivamente en el envejecimiento de las celdas (Liu et al., 2020; Park et al., 2025). En
consecuencia, los modelos contemporáneos de predicción de degradación incorporan cada vez
más elementos contextuales, incluyendo simulaciones basadas en ciclos de conducción
representativos.
En ciudades ubicadas en regiones con geografía irregular, como la región Andina del Ecuador,
los desafíos asociados a una gestión energética eficiente se intensifican. Factores como altitud,
pendiente del terreno y congestión vehicular impactan directamente sobre la demanda
energética del vehículo. Por tanto, se vuelve imperativo integrar estas variables en el diseño y
evaluación de estrategias energéticas, particularmente en la adaptación de tecnologías
importadas a condiciones locales.
A partir de esta problemática, el presente trabajo tiene como propósito realizar una revisión
crítica del conocimiento actual en torno a las estrategias de gestión energética aplicadas a
vehículos eléctricos e híbridos, sustentadas en el uso de ciclos de conducción adaptados. Se
abordan enfoques metodológicos para la construcción de dichos ciclos, la estimación de
variables internas de la batería, los algoritmos de control energético, así como las condiciones
ambientales y topográficas que inciden en su desempeño.
MÉTODO
La investigación se estructura bajo una metodología de revisión sistemática, adoptando el
protocolo PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses),
ampliamente reconocido en el ámbito científico por su rigurosidad metodológica. Esta
metodología garantiza la transparencia, reproducibilidad y exhaustividad del proceso de
identificación, selección y análisis de la literatura científica relevante sobre gestión energética
en vehículos eléctricos e híbridos.
El proceso inició con la delimitación del problema y el establecimiento del objetivo principal, que
consistió en analizar estrategias de gestión energética fundamentadas en ciclos de conducción
personalizados. Para ello, se consultaron bases de datos especializadas como ScienceDirect,
Scopus, SpringerLink, IEEE Xplore y Google Scholar, enfocándose en publicaciones entre los
años 2018 y 2024. Estas fuentes fueron seleccionadas debido a su credibilidad, cobertura
temática y acceso a artículos revisados por pares.
Se utilizaron combinaciones de palabras clave como: "driving cycle", "electric vehicle", "hybrid
electric vehicle", "energy management strategy", "state of charge estimation", "battery
degradation", "urban topography", "real-world driving conditions", entre otras. La estrategia de
búsqueda se desarrolló iterativamente, permitiendo refinar los términos y filtros en función de
los resultados preliminares.
Criterios de selección
Criterios de inclusión:
• Estudios publicados entre 2018 y 2024
• Artículos revisados por pares
• Investigaciones centradas en EV, HEV, EMS y ciclos de conducción
• Trabajos que empleen datos simulados o experimentales validados
• Documentos en inglés o español
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(especial tecnología), 98-107, 2025
Análisis de gestión energética mediante ciclos personalizados en vehículos eléctricos/híbridos para entornos urbanos
orográficos
Energy management analysis using customised cycles in electric/hybrid vehicles for urban environments with steep terrain
Antonio Gabriel Castillo-Medina
Esteban Fernando López-Espinel
Juan Diego Zurita-Vargas
Mario Fernando Vargas-Brito
101
Criterios de exclusión:
• Publicaciones anteriores a 2018
• Documentos sin revisión científica
• Estudios ajenos a la temática principal
• Opiniones, ensayos o notas técnicas
• Idiomas no comprendidos por los revisores
El proceso de cribado se desarrolló en cuatro etapas: (1) identificación mediante la búsqueda
en bases de datos; (2) eliminación de duplicados; (3) revisión de títulos y resúmenes; y (4)
lectura completa y evaluación crítica. Este procedimiento se documentó utilizando un diagrama
de flujo PRISMA-NMA.
Posteriormente, se organizó la información en un gestor de referencias bibliográficas
(Mendeley), clasificando los estudios seleccionados por área temática y enfoque metodológico.
Se establecieron cinco ejes temáticos principales para el análisis: (1) generación de ciclos de
conducción personalizados; (2) estimación de SOC/SOH; (3) estrategias de gestión energética;
(4) gestión térmica de baterías; y (5) impacto de condiciones topográficas y ambientales.
Cada artículo fue evaluado utilizando una ficha de análisis con los siguientes elementos: autor,
año, objetivo del estudio, tipo de vehículo (EV/HEV), metodología empleada, base de datos
utilizada, herramientas de simulación, modelos de predicción aplicados, resultados y
limitaciones. Esto permitió homogeneizar la extracción de información y facilitar la posterior
síntesis de conocimientos.
En cuanto al análisis de los datos recopilados, se aplicó un enfoque cualitativo mediante
análisis temático, codificando la información en función de patrones comunes y diferencias
entre los estudios. Esta codificación permitió identificar tendencias, vacíos de conocimiento y
enfoques metodológicos predominantes, que sirvieron de base para estructurar los apartados
de resultados y discusión.
Distribución por ejes temáticos
Eje temático
Número de
estudios
Ciclos de conducción personalizados
6
Estimación de SOC/SOH
4
Estrategias de gestión energética (EMS)
3
Gestión térmica de baterías
3
Impacto topográfico y climático en la eficiencia
4
Esta metodología garantiza una revisión exhaustiva, coherente y reproducible, alineada con los
estándares científicos actuales, y aporta una visión crítica y sistemática de las estrategias de
gestión energética basadas en el ciclo de conducción en vehículos eléctricos e híbridos.
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(especial tecnología), 98-107, 2025
Análisis de gestión energética mediante ciclos personalizados en vehículos eléctricos/híbridos para entornos urbanos
orográficos
Energy management analysis using customised cycles in electric/hybrid vehicles for urban environments with steep terrain
Antonio Gabriel Castillo-Medina
Esteban Fernando López-Espinel
Juan Diego Zurita-Vargas
Mario Fernando Vargas-Brito
102
RESULTADOS
Los resultados de esta revisión sistemática se estructuran en función de los cinco ejes
temáticos previamente definidos. A partir del análisis de 20 estudios científicos seleccionados
bajo criterios metodológicos rigurosos, se identificaron patrones comunes, divergencias y
vacíos relevantes que permiten comprender el estado actual del conocimiento en torno a la
gestión energética en vehículos eléctricos e híbridos.
Ciclos de conducción personalizados
De los 20 estudios analizados, 8 se enfocan específicamente en la formulación, validación o
aplicación de ciclos de conducción personalizados. Esta línea de investigación surge como
respuesta directa a la limitada capacidad de los ciclos estandarizados como el NEDC, FTP-75 y
WLTP para representar condiciones reales de conducción en entornos urbanos, especialmente
aquellos con tráfico denso y topografía variable.
En este contexto, Gong et al. (2018) desarrollaron un ciclo para la ciudad de Beijing empleando
cadenas de Markov, logrando una mayor precisión en la estimación de consumo energético
frente a los ciclos estándares. Paralelamente, Hu et al. (2020) aplicaron clustering para
identificar patrones comunes de conducción en vehículos híbridos, lo que permitió generar
ciclos sintéticos más representativos. Por su parte, Liu et al. (2020) comparó diversos perfiles
de conducción mediante simulaciones de flotas y concluyó que los ciclos empíricos permiten
ajustar con mayor exactitud los modelos de consumo.
Estos estudios demuestran que la personalización del ciclo reduce entre un 12% y 18% el error
de estimación de consumo. Asimismo, permiten una calibración más precisa de los modelos
predictivos de estado de carga (SOC), así como de los algoritmos de gestión energética
adaptativos (Xu et al., 2021). De manera complementaria, Tang et al. (2021) destaca que los
ciclos deben considerar parámetros topográficos como pendiente, velocidad media y tiempo de
detención, ya que influyen directamente en la eficiencia energética.
Tanto Zhang et al. (2020) como Nguyen et al. (2019) coinciden en que la eficacia de las
estrategias EMS mejora cuando se ajustan sobre ciclos locales. El control lógico difuso y los
esquemas rule-based ofrecen mejor rendimiento cuando se calibran bajo perfiles de
conducción reales. Por tanto, los ciclos personalizados no solo benefician la simulación
energética, sino que también constituyen una herramienta estratégica para normativas de
homologación y planificación de infraestructura.
Estimación de SOC/SOH
Cinco estudios abordaron la estimación del estado de carga (SOC) y del estado de salud (SOH)
de las baterías como herramientas clave para la gestión energética eficiente. Las técnicas más
efectivas se apoyan en modelos de inteligencia artificial, particularmente redes neuronales
profundas como Temporal Convolutional Network (TCN), Clockwork RNN (CWRNN), y Fully
Convolutional Networks (FCN), que ofrecen mayor precisión frente a variaciones térmicas y
condiciones de conducción urbana real.
Específicamente, Feng et al. (2021) reporta un MAE inferior al 1.5% en entornos urbanos
variables, mientras que Liu et al. (2021) logra un MAE de 0.67% usando una red TCN
combinada con aprendizaje por transferencia. Estas técnicas permiten aplicar modelos
entrenados a nuevas condiciones o tecnologías de batería sin perder precisión.
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(especial tecnología), 98-107, 2025
Análisis de gestión energética mediante ciclos personalizados en vehículos eléctricos/híbridos para entornos urbanos
orográficos
Energy management analysis using customised cycles in electric/hybrid vehicles for urban environments with steep terrain
Antonio Gabriel Castillo-Medina
Esteban Fernando López-Espinel
Juan Diego Zurita-Vargas
Mario Fernando Vargas-Brito
103
Comparación del error medio absoluto (MAE) de modelos de estimación de SOC
Modelo de estimación
MAE (%)
Condición evaluada
TCN + Transfer Learning
0.67
Trayectos urbanos con temperatura variable
Clockwork RNN
1.29
Perfiles de conducción no lineales
FCN
1.10
Ciclos urbanos aleatorios
Filtro de Kalman extendido
>2.00
Sin personalización de ciclo
Adicionalmente, How et al. (2020) y Zahid et al. (2018) demuestran que la implementación de
redes neuronales profundas en aplicaciones vehiculares permite una estimación más robusta
del SOC bajo condiciones de conducción diversificadas, superando significativamente a los
métodos tradicionales.
Estrategias de gestión energética (EMS)
Seis estudios evaluaron esquemas de gestión energética que van desde estrategias rule-based
hasta enfoques de control óptimo y aprendizaje por refuerzo profundo. Notablemente, Xu et al.
(2021) propone un sistema híbrido con EMS basado en Q-learning, que reduce la degradación
de la batería hasta en un 20% y mejora la autonomía entre un 1.5% y 2% respecto a
estrategias estáticas.
Igualmente, Nguyen et al. (2019) y Zhang et al. (2020) destacan el uso de fuzzy logic y PMP
como mecanismos efectivos para optimizar la transferencia de energía entre la batería y el
supercondensador. Estas estrategias se muestran especialmente útiles cuando se calibran bajo
condiciones realistas de conducción.
Por otro lado, Fu et al. (2020) y Changizian et al. (2020) enfatizan la importancia de considerar
tanto la economía de combustible como la vida útil de las celdas de combustible en vehículos
híbridos, demostrando que las estrategias de optimización multiobjeto proporcionan un balance
superior entre eficiencia y durabilidad.
Gestión térmica de baterías
Tres estudios se centraron en soluciones térmicas activas y pasivas para baterías,
principalmente en contextos urbanos con climas extremos. En particular, Tang et al. (2021)
implementó un sistema de refrigeración líquida combinado con predicción térmica basada en
SVR, logrando una estabilidad térmica que mejora la durabilidad del sistema en un 12%.
Paralelamente, Guo & Jiang (2021) utilizó refrigerante directo con bomba de calor para reducir
las fluctuaciones de temperatura interna en vehículos eléctricos sometidos a carga rápida.
De manera complementaria, Jahanpanah et al. (2023) y Khalili et al. (2023) analizaron sistemas
de tuberías distribuidas y ciclos térmicos para precalentamiento y enfriamiento de baterías
durante diferentes estaciones del año, demostrando que el mantenimiento de la temperatura
operativa entre 20 y 35 °C minimiza el deterioro y mejora la eficiencia de conversión energética.
Impacto topográfico y climático en la eficiencia energética
Cuatro estudios analizaron cómo las condiciones geográficas y climáticas afectan directamente
el consumo energético y la vida útil de los componentes eléctricos. Específicamente, Liu et al.
(2020) reporta que una pendiente media superior al 4% incrementa el consumo en más de
13%, mientras que Park et al. (2025) muestra cómo temperaturas bajo cero reducen la
eficiencia de carga hasta en un 15% si no existen sistemas de gestión térmica.
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(especial tecnología), 98-107, 2025
Análisis de gestión energética mediante ciclos personalizados en vehículos eléctricos/híbridos para entornos urbanos
orográficos
Energy management analysis using customised cycles in electric/hybrid vehicles for urban environments with steep terrain
Antonio Gabriel Castillo-Medina
Esteban Fernando López-Espinel
Juan Diego Zurita-Vargas
Mario Fernando Vargas-Brito
104
Efecto de la pendiente sobre el consumo energético
Pendiente promedio del trayecto
Incremento en consumo energético
0–2%
Base
2–4%
+6.5%
>4%
+13.7%
Asimismo, Zhang et al. (2020) y Eckert et al. (2022) confirman que las condiciones de
conducción real, incluyendo factores topográficos y climáticos, deben integrarse en los modelos
de predicción energética para obtener estimaciones precisas de autonomía y degradación de
componentes.
DISCUSIÓN
Los estudios revisados demuestran que los ciclos de conducción personalizados permiten
representar de manera más precisa los patrones de conducción en contextos urbanos reales,
en comparación con los ciclos estándar como NEDC, FTP-75 y WLTP. La personalización,
mediante técnicas como cadenas de Markov (Gong et al., 2018) o clustering (Hu et al., 2020),
permite adaptar los perfiles de velocidad, aceleración y detención al comportamiento específico
de los conductores en entornos locales.
La principal ventaja observada es la capacidad de calibrar con mayor precisión los modelos de
gestión energética. A diferencia de los ciclos genéricos, los ciclos locales integran variables
como altitud, pendiente, densidad de tráfico y frecuencia de frenado, las cuales son
especialmente relevantes en regiones como la Sierra ecuatoriana. En comparación con
estudios anteriores centrados únicamente en ciclos normalizados, los enfoques personalizados
representan una mejora en la fiabilidad de simulaciones y en la planificación de políticas
públicas adaptadas a territorios específicos (Liu et al., 2020).
Estimación de SOC/SOH
Las técnicas de inteligencia artificial aplicadas a la estimación del estado de carga (SOC) y del
estado de salud (SOH) ofrecen una alternativa sólida frente a modelos deterministas
tradicionales. El uso de redes neuronales como TCN, FCN o CWRNN ha mostrado mayor
precisión, incluso bajo condiciones térmicas variables y ciclos de conducción no lineales (Liu et
al., 2021; Feng et al., 2021).
Este avance tecnológico resulta clave en la operación eficiente de vehículos eléctricos, ya que
una estimación precisa del SOC mejora la planificación de la carga y evita sobrecargas o
descargas profundas que aceleran la degradación. A diferencia de enfoques previos con filtros
de Kalman, las redes neuronales pueden adaptarse a nuevas condiciones sin necesidad de
reconfiguración del modelo, lo cual representa una ventaja significativa en entornos urbanos
dinámicos (Hannan et al., 2021).
Estrategias de gestión energética (EMS)
Las estrategias de EMS basadas en control óptimo y aprendizaje por refuerzo (Q-learning)
permiten una toma de decisiones dinámica, en contraste con enfoques estáticos como rule-
based o lógica difusa. Xu et al. (2021) demuestra que la implementación de Q-learning reduce
la degradación de la batería y mejora el alcance energético, gracias a su capacidad de
adaptación al perfil de conducción real y al estado del vehículo.
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(especial tecnología), 98-107, 2025
Análisis de gestión energética mediante ciclos personalizados en vehículos eléctricos/híbridos para entornos urbanos
orográficos
Energy management analysis using customised cycles in electric/hybrid vehicles for urban environments with steep terrain
Antonio Gabriel Castillo-Medina
Esteban Fernando López-Espinel
Juan Diego Zurita-Vargas
Mario Fernando Vargas-Brito
105
Este resultado sugiere que los sistemas EMS deben considerar variables contextuales, como
las condiciones de conducción y ambientales, para ajustar dinámicamente la distribución
energética entre batería y supercondensador. Comparado con investigaciones anteriores que
aplican PMP en condiciones ideales (Nguyen et al., 2019), la inclusión de aprendizaje en
tiempo real representa un avance hacia una gestión energética más robusta y contextualizada.
Gestión térmica de baterías
Las soluciones de refrigeración líquida, combinadas con predicción térmica, han demostrado
mantener el rango óptimo de temperatura operativa en las baterías, lo cual reduce su
degradación. En este sentido, los sistemas que integran HVAC, refrigerante directo y algoritmos
de predicción térmica como SVR ofrecen un control más efectivo en condiciones urbanas con
climas extremos (Tang et al., 2021; Guo & Jiang, 2021).
En comparación con estudios que solo consideran refrigeración pasiva, los enfoques activos
permiten una respuesta térmica más eficiente, mejorando la durabilidad del sistema de
almacenamiento. Esta diferencia metodológica es relevante en entornos como Quito o Ambato,
donde las fluctuaciones de temperatura pueden afectar el rendimiento del sistema si no se
implementan soluciones térmicas adecuadas.
Impacto topográfico y climático en la eficiencia energética
La topografía y el clima son factores determinantes en el rendimiento energético de los
vehículos eléctricos. Los estudios revisados confirman que pendientes superiores al 4%
aumentan significativamente el consumo energético (Liu et al., 2020), mientras que
temperaturas extremas reducen la eficiencia de carga y aceleran el envejecimiento de la
batería (Park et al., 2025).
Este resultado indica la necesidad de integrar mapas topográficos y pronósticos climáticos en
los modelos predictivos de consumo y degradación. A diferencia de investigaciones anteriores
que consideran rutas planas y condiciones térmicas estables, los estudios recientes evidencian
que los factores geográficos y climáticos deben formar parte del diseño de estrategias EMS y
políticas de implementación tecnológica.
En conjunto, los resultados analizados permiten concluir que una integración holística de ciclos
personalizados, estimadores inteligentes, EMS adaptativos y gestión térmica avanzada
representa el camino hacia una movilidad eléctrica eficiente y sostenible, especialmente en
regiones con características orográficas y climáticas particulares como las del Ecuador andino.
CONCLUSIONES
La presente revisión cumple con el objetivo de analizar críticamente las estrategias de gestión
energética en vehículos eléctricos e híbridos, destacando el papel fundamental de los ciclos de
conducción personalizados como eje articulador entre la predicción del consumo, la estimación
de estados y la toma de decisiones energéticas. Entre los principales aportes se identificó que
la personalización de ciclos permite mejorar la precisión de simulaciones y modelos de control
en hasta un 18%, mientras que el uso de estimadores basados en aprendizaje profundo reduce
los márgenes de error significativamente. Las estrategias EMS adaptativas, junto con una
gestión térmica eficaz, muestran ventajas operativas en condiciones reales, especialmente en
entornos urbanos complejos con variabilidad topográfica y climática.
FINANCIAMIENTO
No monetario
CONFLICTO DE INTERÉS
No existe conflicto de interés con personas o instituciones ligadas a la investigación.
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(especial tecnología), 98-107, 2025
Análisis de gestión energética mediante ciclos personalizados en vehículos eléctricos/híbridos para entornos urbanos
orográficos
Energy management analysis using customised cycles in electric/hybrid vehicles for urban environments with steep terrain
Antonio Gabriel Castillo-Medina
Esteban Fernando López-Espinel
Juan Diego Zurita-Vargas
Mario Fernando Vargas-Brito
106
AGRADECIMIENTOS
A UNIANDES.
REFERENCIAS
Changizian, S., Ahmadi, P., Raeesi, M., & Javani, N. (2020). Performance optimization of hybrid
hydrogen fuel cell-electric vehicles in real driving cycles. International Journal of
Hydrogen Energy, 45(60), 35180–35197. https://doi.org/10.1016/j.ijhydene.2020.01.015
Eckert, J. J., Barbosa, T. P., da Silva, S. F., Silva, F. L., Silva, L. C. A., & Dedini, F. G. (2022).
Electric hydraulic hybrid vehicle powertrain design and optimization-based power
distribution control to extend driving range and battery life cycle. Energy Conversion
and Management, 252, Article 115094.
https://doi.org/10.1016/j.enconman.2021.115094
Feng, X., Chen, J., Zhang, Z., Miao, S., & Zhu, Q. (2021). State-of-charge estimation of lithium-
ion battery based on clockwork recurrent neural network. Energy, 236, Article 121360.
https://doi.org/10.1016/j.energy.2021.121360
Fu, Z., Zhu, L., Tao, F., Si, P., & Sun, L. (2020). Optimization based energy management
strategy for fuel cell/battery/ultracapacitor hybrid vehicle considering fuel economy and
fuel cell lifespan. International Journal of Hydrogen Energy, 45(15), 8875–8886.
https://doi.org/10.1016/j.ijhydene.2020.01.017
Gong, H., Zou, Y., Yang, Q., Fan, J., Sun, F., & Goehlich, D. (2018). Generation of a driving
cycle for battery electric vehicles: A case study of Beijing. Energy, 150, 901–912.
https://doi.org/10.1016/j.energy.2018.02.092
Guo, J., & Jiang, F. (2021). A novel electric vehicle thermal management system based on
cooling and heating of batteries by refrigerant. Energy Conversion and Management,
237, Article 114145. https://doi.org/10.1016/j.enconman.2021.114145
Hannan, M. A., How, D. N. T., Hossain Lipu, M. S., Ker, P. J., Dong, Z. Y., Mansur, M., &
Blaabjerg, F. (2021). SOC estimation of Li-ion batteries with learning rate-optimized
deep fully convolutional network. IEEE Transactions on Power Electronics, 36(7), 7349–
7353. https://doi.org/10.1109/TPEL.2020.3041876
How, D. N. T., Hannan, M. A., Lipu, M. S. H., Sahari, K. S. M., Ker, P. J., & Muttaqi, K. M.
(2020). State-of-charge estimation of Li-ion battery in electric vehicles: A deep neural
network approach. IEEE Transactions on Industry Applications, 56(5), 5565–5574.
https://doi.org/10.1109/TIA.2020.3004294
Hu, J., Liu, D., Du, C., Yan, F., & Lv, C. (2020). Intelligent energy management strategy of
hybrid energy storage system for electric vehicle based on driving pattern recognition.
Energy, 198, Article 117298. https://doi.org/10.1016/j.energy.2020.117298
Jahanpanah, J., Soleymani, P., Karimi, N., Babaie, M., & Saedodin, S. (2023). Transient cooling
of a lithium-ion battery module during high-performance driving cycles using distributed
pipes - A numerical investigation. Journal of Energy Storage, 74, Article 109278.
https://doi.org/10.1016/j.est.2023.109278
Khalili, H., Ahmadi, P., Ashjaee, M., & Houshfar, E. (2023). Thermal analysis of a novel cycle for
battery pre-warm-up and cool down for real driving cycles during different seasons.
Journal of Thermal Analysis and Calorimetry, 148(16), 8175–8193.
https://doi.org/10.1007/s10973-022-11601-3
Liu, H., Chen, F., Tong, Y., Wang, Z., Yu, X., & Huang, R. (2020). Impacts of driving conditions
on EV battery pack life cycle. World Electric Vehicle Journal, 11(1), Article 17.
https://doi.org/10.3390/wevj11010017
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(especial tecnología), 98-107, 2025
Análisis de gestión energética mediante ciclos personalizados en vehículos eléctricos/híbridos para entornos urbanos
orográficos
Energy management analysis using customised cycles in electric/hybrid vehicles for urban environments with steep terrain
Antonio Gabriel Castillo-Medina
Esteban Fernando López-Espinel
Juan Diego Zurita-Vargas
Mario Fernando Vargas-Brito
107
Liu, T., Tan, W., Tang, X., Zhang, J., Xing, Y., & Cao, D. (2021). Driving conditions-driven
energy management strategies for hybrid electric vehicles: A review. Renewable and
Sustainable Energy Reviews, 151, Article 111521.
https://doi.org/10.1016/j.rser.2021.111521
Liu, Y., Li, J., Zhang, G., Hua, B., & Xiong, N. (2021). State of charge estimation of lithium-ion
batteries based on temporal convolutional network and transfer learning. IEEE Access,
9, 34177–34187. https://doi.org/10.1109/ACCESS.2021.3057371
Nguyen, B. H., German, R., Trovao, J. P. F., & Bouscayrol, A. (2019). Real-time energy
management of battery/supercapacitor electric vehicles based on an adaptation of
Pontryagin's minimum principle. IEEE Transactions on Vehicular Technology, 68(1),
203–212. https://doi.org/10.1109/TVT.2018.2881057
Park, I., Kim, C., Lee, H., Myung, C. L., & Min, K. (2025). Comprehensive analysis of battery
thermal management and energy consumption in an electric vehicle: Impact of driving
modes and ambient temperatures. International Journal of Automotive Technology,
26(1), 1–16. https://doi.org/10.1007/s12239-024-00202-8
Tang, X., Guo, Q., Li, M., Wei, C., Pan, Z., & Wang, Y. (2021). Performance analysis on liquid-
cooled battery thermal management for electric vehicles based on machine learning.
Journal of Power Sources, 494, Article 229727.
https://doi.org/10.1016/j.jpowsour.2021.229727
Xu, B., Shi, J., Li, S., Li, H., & Wang, Z. (2021). Energy consumption and battery aging
minimization using a Q-learning strategy for a battery/ultracapacitor electric vehicle.
Energy, 229, Article 120705. https://doi.org/10.1016/j.energy.2021.120705
Xu, J., Mei, X., Wang, X., Fu, Y., Zhao, Y., & Wang, J. (2021). A relative state of health
estimation method based on wavelet analysis for lithium-ion battery cells. IEEE
Transactions on Industrial Electronics, 68(8), 6973–6981.
https://doi.org/10.1109/TIE.2020.3001836
Zahid, T., Xu, K., Li, W., Li, C., & Li, H. (2018). State of charge estimation for electric vehicle
power battery using advanced machine learning algorithm under diversified drive
cycles. Energy, 162, 871–882. https://doi.org/10.1016/j.energy.2018.08.071
Zhang, J., Wang, Z., Liu, P., & Zhang, Z. (2020). Energy consumption analysis and prediction of
electric vehicles based on real-world driving data. Applied Energy, 275, Article 115408.
https://doi.org/10.1016/j.apenergy.2020.115408
Zhang, Q., Wang, L., Li, G., & Liu, Y. (2020). A real-time energy management control strategy
for battery and supercapacitor hybrid energy storage systems of pure electric vehicles.
Journal of Energy Storage, 31, Article 101721.
https://doi.org/10.1016/j.est.2020.101721
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/
