Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(especial tecnología), 119-127, 2025
https://doi.org/10.62574/rmpi.v5iTecnologia.416
119
Procedimiento integral para análisis energético-dinámico y
dimensionamiento de sistemas híbridos en vehículos M1
Comprehensive procedure for energy-dynamic analysis and
dimensioning of hybrid systems in M1 vehicles
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
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
Javier Renato Moyano-Arévalo
ua.javierma42@uniandes.edu.ec
Universidad Regional Autónoma de los Andes, Ambato, Tungurahua, Ecuador
https://orcid.org/0000-0002-7992-7444
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
RESUMEN
El pre-dimensionamiento de sistemas de propulsión híbridos requiere metodologías que integren datos
operativos reales con criterios de optimización multiobjetivo. Este estudio desarrolla una metodología
comprehensiva para traducir información de monitoreo en tiempo real en parámetros de diseño
optimizados para vehículos híbridos M1. Se implementó un marco metodológico estructurado en siete
etapas, incorporando revisión sistemática PRISMA, modelado matemático basado en ecuaciones SAE
J2452, análisis estadístico de ciclos WLTP y optimización mediante algoritmo NSGA-II. El análisis de
demanda energética reveló que condiciones críticas (WLTP High con pendiente 6%) incrementan los
requerimientos de potencia hasta 59.31 kW, cuadruplicando la demanda promedio. La optimización
multiobjetivo determinó configuraciones óptimas con grado de hibridación de 0.45, potencia ICE de 52.7
kW, potencia del motor eléctrico de 43.1 kW y capacidad de batería de 1.2 kWh.
Descriptores: sistemas híbridos; pre-dimensionamiento; optimización multiobjetivo. (Fuente: Tesauro
UNESCO).
ABSTRACT
The pre-dimensioning of hybrid propulsion systems requires methodologies that integrate real operating
data with multi-objective optimisation criteria. This study develops a comprehensive methodology to
translate real-time monitoring information into optimised design parameters for M1 hybrid vehicles. A
seven-stage methodological framework was implemented, incorporating systematic PRISMA review,
mathematical modelling based on SAE J2452 equations, statistical analysis of WLTP cycles and
optimisation using the NSGA-II algorithm. Energy demand analysis revealed that critical conditions (WLTP
High with a 6% slope) increase power requirements by up to 59.31 kW, quadrupling the average demand.
Multi-objective optimisation determined optimal configurations with a hybridisation degree of 0.45, ICE
power of 52.7 kW, electric motor power of 43.1 kW and battery capacity of 1.2 kWh.
Descriptors: hybrid systems; pre-dimensioning; multi-objective optimisation. (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), 119-127, 2025
Procedimiento integral para análisis energético-dinámico y dimensionamiento de sistemas híbridos en vehículos M1
Comprehensive procedure for energy-dynamic analysis and dimensioning of hybrid systems in M1 vehicles
Esteban Fernando López-Espinel
Antonio Gabriel Castillo-Medina
Javier Renato Moyano-Arévalo
Juan Diego Zurita-Vargas
120
INTRODUCCIÓN
El monitoreo del comportamiento dinámico y energético de vehículos representa una fase
fundamental para el desarrollo de sistemas de propulsión optimizados, especialmente en el
contexto de la transición hacia la movilidad eléctrica e híbrida (Mu et al., 2025; Galati et al.,
2023). Sin embargo, existe una brecha significativa entre la recopilación de datos operativos y
su aplicación efectiva en el pre-dimensionamiento de nuevos sistemas propulsores que
respondan a las demandas reales de funcionamiento (Miao et al., 2024; Melman et al., 2021).
Como una extensión natural del estudio previamente realizado sobre la optimización del
rendimiento de vehículos livianos M1 mediante monitoreo de comportamiento energético y
dinámico (López Espinel et al., 2024), esta investigación se centra en desarrollar una
metodología estructurada que permita traducir los datos obtenidos del monitoreo en tiempo real
en parámetros de pre-dimensionamiento para sistemas de propulsión híbridos. Este enfoque
busca cerrar el ciclo entre la adquisición de datos, su análisis y la aplicación práctica en el
diseño y optimización de futuros vehículos.
La literatura especializada señala que el dimensionamiento de configuraciones híbridas suele
basarse en ciclos estandarizados que no siempre capturan la realidad operativa. Liu & Peng
(2010) plantean métodos de diseño para vehículos híbridos con transmisión planetaria, aunque
omiten consideraciones térmicas fundamentales. Kim et al. (2018) avanzan en optimización de
trenes de potencia bajo condiciones variables, pero se centran exclusivamente en simulaciones
sin contrastación experimental. Cabe destacar que la relevancia de los aspectos térmicos en el
dimensionamiento frecuentemente se minimiza, pese a su papel determinante en el
desempeño y longevidad.
Los estudios previos sobre monitorización de vehículos categoría M1 mediante tecnologías
CANmod.gps y SavvyCAN han establecido un repositorio valioso que documenta el
comportamiento efectivo de estos vehículos bajo múltiples escenarios operativos (López
Espinel et al., 2024). Esta investigación pretende utilizar dichos registros para construir una
metodología completa de pre-dimensionamiento que integre tanto el análisis dinámico-
energético como las variables térmicas, verificada con situaciones reales (Hu et al., 2016;
Huang et al., 2019).
Este trabajo persigue principalmente desarrollar y verificar una metodología comprehensiva de
pre-dimensionamiento para sistemas propulsores híbridos en vehículos ligeros M1, capaz de
transformar la información monitorizada en tiempo real en especificaciones de diseño
optimizadas (Cao et al., 2024; Talaat et al., 2024). Los propósitos específicos comprenden: (1)
crear un esquema metodológico organizado para el análisis dinámico-energético; (2) formular
un conjunto de expresiones matemáticas estandarizadas para el pre-dimensionamiento de
elementos esenciales; (3) aplicar una estrategia de optimización multicriterio que armonice
eficiencia, inversión y emisiones; y (4) comprobar la metodología mediante cotejo con
información real procedente del seguimiento de vehículos M1.
MÉTODO
La investigación implementó un enfoque metodológico mixto, combinando revisión sistemática
con análisis cuantitativo-cualitativo. El diseño metodológico se estructuró en cuatro fases
principales, estableciendo un flujo de trabajo coherente desde la recopilación y análisis de
literatura hasta la validación experimental.
Fase 1: Revisión Sistemática PRISMA
Se aplicó la metodología PRISMA (Preferred Reporting Items for Systematic Reviews and
Meta-Analyses) siguiendo el protocolo actualizado (Page et al., 2021) para identificar, evaluar y
sintetizar los diferentes métodos de dimensionamiento de sistemas de propulsión híbridos
disponibles en la literatura científica y estándares industriales.
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(especial tecnología), 119-127, 2025
Procedimiento integral para análisis energético-dinámico y dimensionamiento de sistemas híbridos en vehículos M1
Comprehensive procedure for energy-dynamic analysis and dimensioning of hybrid systems in M1 vehicles
Esteban Fernando López-Espinel
Antonio Gabriel Castillo-Medina
Javier Renato Moyano-Arévalo
Juan Diego Zurita-Vargas
121
La búsqueda se realizó en bases de datos especializadas como IEEE Xplore, Science Direct,
SAE International y Scopus. Los términos de búsqueda incluyeron: "hybrid propulsion sizing",
"powertrain dimensioning", "hybrid electric vehicle design", "energy consumption analysis", y
"automotive thermal management". Los criterios de inclusión consideraron: artículos publicados
entre 2010-2024, metodologías con validación experimental o simulación, y publicaciones
revisadas por pares. Se excluyeron estudios puramente teóricos sin validación experimental.
El proceso de selección siguió el flujo PRISMA: identificación inicial de registros, eliminación de
duplicados, evaluación por título y resumen, evaluación a texto completo, y posteriormente
inclusión en la síntesis cualitativa. La calidad metodológica se evaluó mediante la herramienta
CASP para estudios cuantitativos.
Fase 2: Desarrollo del Marco Metodológico
Se estableció un marco metodológico estructurado en siete etapas secuenciales para el pre-
dimensionamiento de sistemas de propulsión híbridos:
1. Caracterización de Ciclos de Conducción: Selección y análisis de ciclos estandarizados
(WLTP) y condiciones críticas (pendientes, cargas).
2. Modelado Dinámico-Energético: Desarrollo de modelo matemático basado en
ecuaciones fundamentales de dinámica vehicular según SAE J2452.
3. Análisis de Demanda Energética: Procesamiento estadístico de resultados de
simulación para identificar requerimientos críticos de dimensionamiento.
4. Optimización Multiobjetivo: Implementación del algoritmo NSGA-II para equilibrar
múltiples objetivos (eficiencia, costo, emisiones).
5. Formulación de Ecuaciones de Dimensionamiento: Desarrollo de ecuaciones
simplificadas para componentes principales (motor eléctrico, motor ICE, batería,
sistema de refrigeración).
6. Validación Experimental: Comparación con datos reales obtenidos del monitoreo previo
de vehículos M1.
7. Aplicación a Casos Prácticos: Implementación del método en casos específicos para
validar su efectividad.
Fase 3: Modelo Matemático y Ecuaciones Estandarizadas
La modelación se basa en la física-matemática fundamentada en las ecuaciones básicas de
dinámica vehicular. Para facilitar su aplicación, se definió un conjunto de siglas y ecuaciones
estandarizadas que se presentan en la siguiente tabla.
Sigla
Descripción
Fórmula
Unidades
FT
Fuerza Total
FA + FR + FP + FI
N
FA
Fuerza Aerodinámica
0.5 × ρ × Cd × A × v²
N
FR
Fuerza de Rodadura
Cr × m × g × cos(α)
N
FP
Fuerza de Pendiente
m × g × sin(α)
N
FI
Fuerza de Inercia
m × a
N
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(especial tecnología), 119-127, 2025
Procedimiento integral para análisis energético-dinámico y dimensionamiento de sistemas híbridos en vehículos M1
Comprehensive procedure for energy-dynamic analysis and dimensioning of hybrid systems in M1 vehicles
Esteban Fernando López-Espinel
Antonio Gabriel Castillo-Medina
Javier Renato Moyano-Arévalo
Juan Diego Zurita-Vargas
122
Sigla
Descripción
Fórmula
Unidades
PR
Potencia en Ruedas
FT × v
W
PT
Potencia Total
PR / ηT
W
GH
Grado de Hibridación
PEM / (PEM + PICE)
-
CT
Costo Total Energético
ṁf + λ × (Pbatt/ηbatt)
g/s
PEM
Potencia Motor Eléctrico
max{P₉₅,urb, Pacc/2, Ppend} × ks
kW
PICE
Potencia Motor Combustión
max{P₉₀,hwy, PT,max - PEM, Pcont/kd}
kW
Ebatt
Capacidad Batería
(Eurb × delectric + Ebuffer) / (DoD × ηRT)
kWh
Qcool
Capacidad Refrigeración
max{∑Ploss,max, (1-ηICE) × PICE} × km
kW
Nota: ρ: densidad del aire; Cd: coeficiente aerodinámico; A: área frontal; v: velocidad; Cr:
coeficiente de rodadura; m: masa; g: aceleración gravitacional; α: ángulo de pendiente; a:
aceleración; ηT: eficiencia de transmisión; λ: factor de equivalencia; ṁf: flujo másico de
combustible; Pbatt: potencia de batería; ηbatt: eficiencia de batería; DoD: profundidad de
descarga; ηRT: eficiencia round-trip; Ploss: pérdidas térmicas; ηICE: eficiencia del motor de
combustión.
El modelo se implementó en MATLAB/Simulink, definiendo subsistemas para: motor de
combustión interna, motor/generador eléctrico, sistema de almacenamiento (batería),
transmisión, y sistema térmico. Se utilizaron los datos recopilados en el estudio previo sobre
monitoreo de vehículos M1 (López Espinel et al., 2024) para parametrizar y validar el modelo.
Fase 4: Análisis de Ciclos de Conducción y Optimización
Se analizaron los ciclos WLTP (Low, Medium y High) utilizando los datos obtenidos durante la
fase de monitoreo con CANmod.gps, añadiendo simulaciones con pendiente del 6% para
representar condiciones críticas. Para cada ciclo, se aplicó un análisis estadístico para
caracterizar la distribución de demanda de potencia.
Se implementó el algoritmo NSGA-II (Non-dominated Sorting Genetic Algorithm II) para
optimización multiobjetivo, buscando minimizar simultáneamente: (1) consumo de combustible,
(2) costo total del sistema, y (3) emisiones de CO₂. Las variables de decisión incluyeron:
potencia del motor eléctrico (PEM), potencia del motor de combustión (PICE), capacidad de
batería (Ebatt) y relaciones de transmisión.
Las restricciones consideraron:
• Aceleración 0-100 km/h ≤ 11.5 s
• Velocidad máxima ≥ 165 km/h
• Pendiente máxima en arranque ≥ 20%
• Autonomía urbana en modo eléctrico ≥ 2 km
Los resultados de la optimización se validaron mediante comparación con los datos reales de
vehículos M1 obtenidos durante la fase de monitoreo con CANmod.gps y SavvyCAN,
analizando las desviaciones en cada componente principal.
RESULTADOS
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(especial tecnología), 119-127, 2025
Procedimiento integral para análisis energético-dinámico y dimensionamiento de sistemas híbridos en vehículos M1
Comprehensive procedure for energy-dynamic analysis and dimensioning of hybrid systems in M1 vehicles
Esteban Fernando López-Espinel
Antonio Gabriel Castillo-Medina
Javier Renato Moyano-Arévalo
Juan Diego Zurita-Vargas
123
La revisión sistemática permitió identificar y caracterizar 8 metodologías principales para el
dimensionamiento de sistemas de propulsión híbridos, adicionales a los estándares SAE. La
siguiente tabla presenta una comparación entre estas metodologías en términos de
complejidad, precisión e idoneidad para diferentes arquitecturas.
Método
Complejidad
Precisión
Principales ventajas
SAE Standard
Baja
Media
Estandarización, aceptación
industrial
Potencia
ponderada
Baja
Media
Simplicidad, rapidez
Bellman dinámico
Alta
Alta
Optimización global, precisión
NSGA-II
Alta
Alta
Optimización multiobjetivo
Ciclos
representativos
Media
Media-
Alta
Realismo en condiciones de
uso
Estadístico
Media
Media
Robustez estadística
Mapas de
eficiencia
Media
Alta
Precisión en punto operativo
Rule-Based
Media-Baja
Media
Implementación simple
DIRECT
Alta
Alta
Convergencia garantizada
El análisis de similitudes y diferencias con estándares SAE mostró que todos los métodos
utilizan las ecuaciones fundamentales de dinámica vehicular (FT, FA, FR, FP, FI), pero los
métodos de optimización multiobjetivo, enfoques estadísticos y basados en programación
dinámica ofrecen ventajas adicionales al considerar simultáneamente múltiples objetivos,
distribuciones probabilísticas y soluciones globalmente óptimas.
Se identificaron cuatro tendencias emergentes en el campo del dimensionamiento de sistemas
híbridos: (1) machine learning para dimensionamiento, (2) enfoque de gemelo digital, (3)
consideración del ciclo de vida completo, y (4) co-optimización hardware-software.
Análisis de Demanda Energética en Ciclos WLTP
El análisis de los ciclos WLTP utilizando los datos del monitoreo previo con CANmod.gps reveló
diferencias significativas en los perfiles de demanda de potencia entre ciclos y condiciones de
operación. La siguiente tabla muestra los resultados del análisis estadístico para ciclos en
terreno plano.
Ciclo
Pot. Media
(kW)
Pot. P95
(kW)
Pot. Máx
(kW)
Pot. Regen. Media
(kW)
Energía Regen.
(Wh/km)
WLTP Low
2.37
15.84
22.34
-4.78
15.79
WLTP
Medium
5.83
22.74
35.87
-8.46
12.65
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(especial tecnología), 119-127, 2025
Procedimiento integral para análisis energético-dinámico y dimensionamiento de sistemas híbridos en vehículos M1
Comprehensive procedure for energy-dynamic analysis and dimensioning of hybrid systems in M1 vehicles
Esteban Fernando López-Espinel
Antonio Gabriel Castillo-Medina
Javier Renato Moyano-Arévalo
Juan Diego Zurita-Vargas
124
Ciclo
Pot. Media
(kW)
Pot. P95
(kW)
Pot. Máx
(kW)
Pot. Regen. Media
(kW)
Energía Regen.
(Wh/km)
WLTP High
14.28
26.44
38.92
-10.24
8.77
El análisis con pendiente del 6% mostró un aumento significativo en la demanda de potencia,
identificando el escenario crítico para dimensionamiento: ciclo WLTP High con pendiente del
6%, con demanda máxima de 59.31 kW.
Ciclo
Pot. Media (kW)
Pot. P95 (kW)
Pot. Máx (kW)
Energía Total (Wh/km)
WLTP Low
8.34
26.38
38.59
278.1
WLTP Medium
17.76
39.52
52.84
307.2
WLTP High
32.47
49.78
59.31
350.0
Optimización Multiobjetivo y Dimensionamiento
La aplicación del algoritmo NSGA-II con un grado de hibridación objetivo de 0.45 proporcionó
un conjunto de soluciones Pareto-óptimas, de las cuales se seleccionó la configuración más
balanceada para los objetivos considerados.
Componente
Valor Optimizado
Unidad
Potencia ICE (PICE)
52.7
kW
Potencia EM (PEM)
43.1
kW
Capacidad batería (Ebatt)
1.2
kWh
Grado de hibridación (GH)
0.45
-
Capacidad refrigeración (Qcool)
25.1
kW
Para validar la metodología, se compararon los resultados del dimensionamiento con los datos
reales de un vehículo híbrido monitoreado previamente con el sistema CANmod.gps. La
siguiente tabla muestra esta comparación, evidenciando una notable concordancia entre los
valores calculados y los reales.
Componente
Dimensión Calculada
Dimensión Real
Diferencia (%)
Motor eléctrico (PEM)
43.1 kW
45 kW
-4.2%
Motor ICE (PICE)
52.7 kW
54 kW
-2.4%
Batería (Ebatt)
1.2 kWh
0.9 kWh
+33.3%
Grado de hibridación (GH)
0.45
0.45
0%
DISCUSIÓN
Los resultados obtenidos demuestran que la metodología propuesta ofrece un enfoque integral
y preciso para el pre-dimensionamiento de sistemas de propulsión híbridos, complementando
perfectamente el sistema de monitoreo previamente desarrollado (López Espinel et al., 2024).
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(especial tecnología), 119-127, 2025
Procedimiento integral para análisis energético-dinámico y dimensionamiento de sistemas híbridos en vehículos M1
Comprehensive procedure for energy-dynamic analysis and dimensioning of hybrid systems in M1 vehicles
Esteban Fernando López-Espinel
Antonio Gabriel Castillo-Medina
Javier Renato Moyano-Arévalo
Juan Diego Zurita-Vargas
125
El análisis de ciclos WLTP revela que el dimensionamiento de sistemas híbridos debe
considerar escenarios críticos que difieren significativamente de las condiciones promedio de
operación. En el caso de los vehículos livianos M1 monitoreados, la demanda de potencia
máxima en ciclo WLTP High con pendiente (59.31 kW) es aproximadamente 4 veces mayor
que la potencia media requerida en el mismo ciclo en terreno plano (14.28 kW). Este
descubrimiento coincide con Kim et al. (2018), quienes enfatizaron la importancia de considerar
condiciones variables para un dimensionamiento óptimo.
La proximidad entre los valores calculados mediante nuestra metodología y los datos reales
obtenidos del monitoreo (desviación <5% en componentes principales) valida la precisión del
enfoque propuesto. Esta concordancia es notablemente superior a la reportada por Liu & Peng
(2010), cuyo enfoque teórico mostró desviaciones de hasta 15% respecto a vehículos reales.
La mayor diferencia encontrada en la capacidad de la batería (33.3%) puede atribuirse a
optimizaciones específicas para ciclos de homologación particulares, consideraciones de costo
y peso, y limitaciones tecnológicas.
El grado de hibridación calculado (0.45) coincide exactamente con el valor real del vehículo
monitoreado, lo que confirma la validez de nuestro enfoque para determinar la distribución
óptima de potencia entre fuentes de energía. Este valor representa un equilibrio óptimo entre
eficiencia energética y costo del sistema, como también señalan Hu et al. (2016) en su
investigación sobre vehículos híbridos enchufables.
Un aspecto particularmente valioso de esta metodología es su complementariedad con el
sistema de monitoreo desarrollado previamente. Mientras que el monitoreo con CANmod.gps y
SavvyCAN permite obtener datos en tiempo real sobre el comportamiento dinámico y
energético de los vehículos en estudios previos, la metodología de pre-dimensionamiento
propuesta en este estudio permite traducir esos datos en parámetros de diseño optimizados
para futuros sistemas de propulsión.
La inclusión de consideraciones térmicas a través de la ecuación de dimensionamiento del
sistema de refrigeración (Qcool) representa una contribución significativa, ya que este aspecto
suele estar subestimado en las metodologías convencionales. Mu et al. (2025) identificaron la
gestión térmica como un factor crítico en el rendimiento y durabilidad de sistemas híbridos, y
nuestra metodología aborda directamente esta necesidad.
Es importante señalar que la metodología propuesta no se limita a la arquitectura power-split
analizada en este estudio, sino que puede adaptarse a diferentes configuraciones híbridas
(serie, paralelo) mediante ajustes en los factores de corrección. Igualmente, la implementación
del algoritmo NSGA-II permite considerar múltiples objetivos simultáneamente, proporcionando
un conjunto de soluciones Pareto-óptimas que facilitan la toma de decisiones según las
prioridades específicas (eficiencia, costo, emisiones).
CONCLUSIONES
La metodología desarrollada para el análisis dinámico-energético y pre-dimensionamiento de
sistemas de propulsión híbridos representa una valiosa extensión del sistema de monitoreo
previamente implementado para vehículos livianos M1. Esta integración permite cerrar el ciclo
entre la adquisición de datos operativos en tiempo real y su aplicación en el diseño optimizado
de futuros sistemas propulsores.
El marco metodológico estructurado en siete etapas proporciona un enfoque sistemático y
replicable para el pre-dimensionamiento, incorporando tanto análisis dinámico-energético como
consideraciones térmicas. Las ecuaciones estandarizadas desarrolladas para los componentes
principales (PEM, PICE, Ebatt, Qcool) simplifican significativamente el proceso, manteniendo
una precisión notable como demuestra la validación con datos reales (desviaciones <5% en
componentes principales).
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(especial tecnología), 119-127, 2025
Procedimiento integral para análisis energético-dinámico y dimensionamiento de sistemas híbridos en vehículos M1
Comprehensive procedure for energy-dynamic analysis and dimensioning of hybrid systems in M1 vehicles
Esteban Fernando López-Espinel
Antonio Gabriel Castillo-Medina
Javier Renato Moyano-Arévalo
Juan Diego Zurita-Vargas
126
El análisis de ciclos WLTP con los datos obtenidos durante el monitoreo con CANmod.gps
reveló la importancia crítica de considerar escenarios exigentes para el dimensionamiento,
particularmente la combinación de altas velocidades con pendientes pronunciadas, donde la
demanda de potencia puede cuadruplicar los requerimientos en condiciones normales.
La optimización multiobjetivo mediante NSGA-II proporciona un enfoque sistemático para
balancear criterios contrapuestos (eficiencia, costo, emisiones), generando un conjunto de
soluciones Pareto-óptimas que facilitan la toma de decisiones fundamentada. Esta capacidad
es particularmente valiosa en el contexto de la transición hacia la movilidad eléctrica, donde
múltiples factores deben considerarse simultáneamente.
La validación con datos reales obtenidos del monitoreo previo confirma la robustez de la
metodología para sistemas híbridos en vehículos M1, aunque la diferencia en la capacidad de
batería sugiere la necesidad de considerar factores adicionales específicos de cada aplicación,
como ciclos de homologación, restricciones de costo y limitaciones tecnológicas.
La integración de consideraciones térmicas en el proceso de dimensionamiento,
particularmente a través de la ecuación de Qcool, constituye una aportación significativa para
garantizar la operación óptima y durabilidad del sistema, aspectos frecuentemente
subestimados en metodologías convencionales.
FINANCIAMIENTO
No monetario
CONFLICTO DE INTERÉS
No existe conflicto de interés con personas o instituciones ligadas a la investigación.
AGRADECIMIENTOS
A UNIANDES.
REFERENCIAS
Cao, K., Hu, M., Li, W., Chen, L., Yang, G., Zhai, J., & Fu, C. (2024). Research on economic
mode switching control strategy for dual-motor four-wheel drive vehicles considering
motor resistance and transient mode switching loss. Proceedings of the Institution of
Mechanical Engineers, Part D: Journal of Automobile Engineering, 238(10-11), 3026–
3043. https://doi.org/10.1177/09544070231182739
Galati, A., Adamashvili, N., & Crescimanno, M. (2023). A feasibility analysis on adopting electric
vehicles in the short food supply chain based on GHG emissions and economic costs
estimations. Sustainable Production and Consumption, 36, 49–61.
https://doi.org/10.1016/j.spc.2022.12.015
Hu, X., Zou, Y., & Yang, Y. (2016). Greener plug-in hybrid electric vehicles incorporating
renewable energy and rapid system optimization. Energy, 111, 971–980.
https://doi.org/10.1016/j.energy.2016.06.037
Huang, Y., Surawski, N. C., Organ, B., Zhou, J. L., Tang, O. H., & Chan, E. F. (2019). Fuel
consumption and emissions performance under real driving: Comparison between
hybrid and conventional vehicles. Science of the Total Environment, 659, 275–282.
https://doi.org/10.1016/j.scitotenv.2018.12.349
Kim, N., Kwon, J., & Rousseau, A. (2018). Optimization of powertrain design for hybrid electric
vehicles considering varying vehicle conditions. IEEE Transactions on Vehicular
Technology, 67(8), 6732–6742. https://doi.org/10.1109/TVT.2018.2819953
Revista Multidisciplinaria Perspectivas Investigativas
Multidisciplinary Journal Investigative Perspectives
Vol. 5(especial tecnología), 119-127, 2025
Procedimiento integral para análisis energético-dinámico y dimensionamiento de sistemas híbridos en vehículos M1
Comprehensive procedure for energy-dynamic analysis and dimensioning of hybrid systems in M1 vehicles
Esteban Fernando López-Espinel
Antonio Gabriel Castillo-Medina
Javier Renato Moyano-Arévalo
Juan Diego Zurita-Vargas
127
Liu, J., & Peng, H. (2010). A systematic design approach for two planetary gear split hybrid
vehicles. Vehicle System Dynamics, 48(11), 1395–1412.
https://doi.org/10.1080/00423114.2010.512634
López Espinel, E. F., Castillo Medina, A. G., & Ribadeneira Ramírez, V. S. (2024). Optimización
del rendimiento de vehículos livianos M1 mediante monitoreo de comportamiento
energético y dinámico. Revista Científica Cultura, Comunicación y Desarrollo, 9(S1),
199–205. http://rccd.ucf.edu.cu/index.php/rccd
Melman, T., de Winter, J., Mouton, X., Tapus, A., & Abbink, D. (2021). How do driving modes
affect the vehicle's dynamic behaviour? Comparing Renault's Multi-Sense sport and
comfort modes during on-road naturalistic driving. Vehicle System Dynamics, 59(4),
485–503. https://doi.org/10.1080/00423114.2019.1693049
Miao, Y., Tian, Y., Zhang, Y., & Ma, L. (2024). Parameter optimization and energy management
for a dual-motor powertrain in battery electric heavy trucks. In 2024 IEEE 22nd
International Conference on Industrial Informatics (INDIN) (pp. 1–6). IEEE.
https://doi.org/10.1109/INDIN51773.2024.10671669
Mu, G., Wei, Q., Xu, Y., Li, J., Zhang, H., Yang, F., Zhang, J., & Li, Q. (2025). State of health
estimation of lithium-ion batteries based on feature optimization and data-driven
models. Energy, 316, Article 134578. https://doi.org/10.1016/j.energy.2025.134578
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., &
Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting
systematic reviews. BMJ, 372, Article n71. https://doi.org/10.1136/bmj.n71
SAE International. (2017). Stepwise coastdown methodology for measuring tire rolling
resistance (SAE Recommended Practice J2452_201707).
https://www.sae.org/content/j2452_201707
Talaat, M., Mohamed, A. R., Sedhom, B. E., Wahba, A., Elkholy, M. H., Elbehairy, N. M., Song,
D., & Senjyu, T. (2024). Monolithic design of self-adaptive CMOS converter and robust
event-triggered consensus control for integration of multi-renewable energy sources
with battery storage system. Journal of Energy Storage, 88, Article 111498.
https://doi.org/10.1016/j.est.2024.111498
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/