CARACTERIZACIÓN DE UN SISTEMA PILOTO BMS BASADO EN BATERÍAS DE LI-  
ION PARA APLICACIONES EN VEHÍCULOS ELÉCTRICOS  
CHARACTERIZATION OF A PILOT BMS SYSTEM BASED ON LITHIUM-ION  
BATTERIES FOR ELECTRIC VEHICLE APPLICATIONS  
Guevara-Ramírez Álvaro César1, Jarquín-Flores Héctor Javier2, Cruz-Valdiviezo Alfredo3,  
Silva-Cruz Eric Mario4, Lastre Domínguez Carlos Mauricio5  
https://doi.org/10.61117/ipsumtec.v9i1.445  
1Tecnológico Nacional de México/Instituto Tecnológico de Oaxaca, Departamento de Ingeniería Eléctrica y Electrónica.  
alvaro.guevara@itoaxaca.edu.mx, 0009-0008-1279-6911  
2Tecnológico Nacional de México/Instituto Tecnológico de Oaxaca, Departamento de Ingeniería Eléctrica y Electrónica.  
hector.jarquin@itoaxaca.edu.mx, 0009-0004-7342-838X  
3Tecnológico Nacional de México/Instituto Tecnológico de Oaxaca, Departamento de Ingeniería Eléctrica y Electrónica.  
alfredo.cruz@itoaxaca.edu.mx, 0009-0002-3489-5116  
4Tecnológico Nacional de México/Instituto Tecnológico de Oaxaca, Departamento de Ingeniería Eléctrica y Electrónica.  
eric.cruz@itoaxaca.edu.mx, 0000-0002-0496-9682  
5Tecnológico Nacional de México/Instituto Tecnológico de Oaxaca, Departamento de Ingeniería Eléctrica y Electrónica.  
carlos.lastre@itoaxaca.edu.mx, 0000-0003-2737-7644  
Resumen -- Se presenta una metodología para un sistema  
de gestión de baterías (BMS) abierto usando baterías  
LiFePO4 en vehículos eléctricos. En la fase experimental,  
se instrumenta un módulo de 12 V–15 Ah con Raspberry  
Pi Pico e INA219, calibrado con un multímetro y  
registrado en CSV/SQLite, calculando energía por Δt  
real. El Estado de Carga (SOC) se estima con un enfoque  
híbrido que combina curva OCV–SOC para LFP y conteo  
Coulomb con un filtro, útil en la región plana. Se  
desarrolla un entorno de simulación para un paquete de  
48 V–20 Ah (16S) con modelo Thévenin, para evaluar  
rendimiento en diferentes ciclos y comparar KPIs:  
energía, pérdidas I2R, voltaje mínimo y error en SOC,  
respecto a un banco de pruebas. En pruebas de banco, con  
carga de 10Ω (~15 W), se observó coherencia óhmica y  
estabilidad menor al 2%. La simulación mostró errores en  
SOC de 1.6–2.4% (MAE) y 2.4–3.1% (RMSE), con  
márgenes de tensión adecuados. La arquitectura  
propuesta es reproducible, portátil para SBC y escalable  
a un pack 16S con sensado y aislamiento adecuados.  
across different cycles, comparing energy, I2R losses,  
voltage, and SOC error against a test bench. Bench tests  
with a 10Ω load showed less than 2% stability.  
Simulations yielded SOC errors of 1.6–2.4% (MAE) and  
2.4–3.1% (RMSE). The architecture is reproducible,  
portable to SBC, and scalable to 16S packs with  
appropriate sensing and isolation.  
Key words – Battery Management System, INA219,  
LiFePO4, Raspberry Pi Pico, SOC, Thevenin model.  
INTRODUCCIÓN  
Un sistema administrador de baterías del inglés Battery  
Management System (BMS) es responsable de preservar  
la seguridad operativa del sistema electroquímico,  
monitorizar variables críticas (tensión, corriente,  
temperatura), estimar estados latentes como el estado de  
carga del inglés State of Charge (SOC) y el estado de  
salud del inglés State of Health (SOH), y aplicar  
estrategias de protección y balanceo que extiendan  
autonomía y vida útil del paquete de baterías [1][2][3][4].  
En aplicaciones vehiculares, estas funciones deben  
ejecutarse con baja latencia y alta trazabilidad de datos  
[5][6][7]. Dentro de las químicas de Li–ion,  
LiFePO4(LFP) destaca por su estabilidad térmica y  
ventana de operación segura [8][9][10][11]. En [12] se  
proporciona una revisión de las tecnologías clave y  
Palabras Clave: Battery Management System, INA219,  
LiFePO4, modelo de Thévenin, Raspberry Pi Pico,  
SOC.  
Abstract -- An open BMS for LiFePO4 batteries in EVs  
is presented. An experimental setup uses a 12 V–15 Ah  
module with Raspberry Pi Pico and INA219, calibrated  
against a multimeter, recording data in CSV/SQLite and  
calculating energy via real Δt. A hybrid SOC estimation  
combines OCV–SOC curve and Coulomb counting with  
a filter, effective in flat regions. A simulation for a 48 V–  
20 Ah pack with a Thévenin model assesses performance  
tendencias futuras,  
esenciales para  
abordar  
la  
sostenibilidad en vehículos eléctricos.  
No obstante, su relación OCV–SOC presenta un tramo  
central relativamente plano que limita la observabilidad  
Recepción: 04/12/2025 ǀ Aceptación: 30/01/2026 | Publicación: 26/02/2026  
IPSUMTEC9 ǀ Volumen 9 – N° 1 ǀ enero - junio 2026  
Página 35  
del estado a partir de la tensión medida, especialmente  
bajo carga. En consecuencia, los métodos exclusivamente  
El microcontrolador principal es el Raspberry PI PICO  
[22] basado en el chip RP2040 [23]. En la figura 1.Se  
describe un esquema general del uso del hardware para el  
desarrollo de este trabajo de investigación. En cuanto al  
software, se trabajó con la plataforma MicroPython.  
voltimétricos  
resultan  
insuficientes  
y
deben  
complementarse con integración de corriente (conteo de  
coulomb) y mecanismos de reanclaje durante reposo o  
tras cargas completas [13][14][15][16]. Adicionalmente,  
efectos de histéresis, la dependencia con la tasa de  
carga/descarga y la interacción térmica introducen sesgos  
si no se modelan explícitamente [17][18][19]. Este  
artículo presenta una metodología integrada para diseño,  
instrumentación y validación de un BMS orientado a  
vehículos eléctricos con LFP, que abarca: (i) una  
instrumentación experimental económica y reproducible  
a 12~V con adquisición por I2C y registro trazable; (ii)  
una cadena de estimación basada en un SOC híbrido que  
fusiona conteo de coulomb con anclajes OCV--SOC  
mediante un filtro complementario; y (iii) un banco  
digital con modelo de Thévenin de un polo para un pack  
48~V--20~Ah (16S), con evaluación en ciclos para  
Modelo Matemático para estimación del SOC  
Para la estimación híbrida de SOC, nos basamos en el  
modelo general de coulombimetria definido en los  
trabajos [24] y [25] . Este modelo se define por medio de  
la ecuación (1),  
ꢀ
100  
( )  
(
)
( )  
∫ 퐼 휏 푑휏  
ꢁ
푆푂퐶 푡 = 푆푂퐶 푡0  
−
Ec. (1)  
퐶푛표푚  
ꢀ
Donde 퐶푛표푚 es la capacidad efectiva  
medida en  
(
)
amperios-hora (Ah), 푆푂퐶 푡0 es el estado de carga  
( )  
inicial y la corriente 퐼 휏 es la corriente instantánea  
positiva durante descarga. Para la implementación  
discreta bajo el paso de tiempo Δt se considera la  
ecuación (2),  
escenarios  
respectiva  
urbanos, extraurbanos y mixtos con su  
regeneración El hilo conductor es la  
coherencia físico–eléctrica de las mediciones, la  
reproducibilidad del flujo de datos y la compatibilidad  
con ejecución en hardware embebido. Las principales  
contribuciones de este trabajo son las siguientes:  
100 ꢂ Δt  
ꢃ
푠푘푐표푢푙  
̂
= 푠푘−1-  
̂
Ec. (2)  
ꢄ
(3600)  
ꢅꢁꢆ  
Donde 푠푘푐표푢푙  
el instante discreto k e 퐼푘 es la corriente medida (positiva  
en descarga) , 푠푘 corresponde al SOC estimado híbrido,  
̂
es el SOC estimado por coulombimetría en  
•
•
•
Estimador Híbrido de SOC de Precisión:  
Desarrollo de un algoritmo híbrido Coulomb +  
OCV para baterías LFP con bajo error MAE  
aprox. 1.6–2.4.  
Simulación de un paquete de 48 V mediante un  
modelo de Thévenin en un polo para simular un  
paquete de 48 V-20 Ah en ciclos de conducción  
reales.  
̂
obtenido de la fusión entre el estimador coulombimétrico  
y el anclaje voltimétrico, El índice ꢇ denota el instante de  
tiempo discreto y ∆t el paso de integración en segundos.  
Para el anclaje voltimétrico se emplea una tabla OCV-  
SOC descrita en el trabajo [26], donde se analiza por  
celda LFP interpolando linealmente para obtener 푠푘표푐푣  
̂
a
Implementación de un sistema BMS a pequeña  
escala.  
partir de la tensión de pack 푉 con 푁 celtas en serie  
푘
ꢈ푐푒푙ꢉ푎 = 푉 /푁. Este valor de tensión promedio por celda  
푘
se asocia al correspondiente punto de la curva OCV–  
SOC, permitiendo así relacionar la ecuación (2) con el  
comportamiento voltimétrico.. Por lo tanto, el estado de  
carga discreto se define por medio de la ecuación (3)  
DESARROLLO  
Materiales  
Para el desarrollo de esta investigación se utilizó batería  
LFP de 12 V, 15 Ah, dispositivo INA219 [20]con  
resistencia shunt de 0.1 Ω, resistencia de carga de 10 Ω de  
15 W, pantalla LCD 20×4 vía PCF8574 [21], bus I2C.  
표푐푣  
(
)
푠̂
푘  
=훼푘푠푘푐표푢푙  
̂
+ 1 − 훼푘 푠푘  
̂
Ec. (3)  
[
]
donde 푠푘  
̂
휖 0,100 y 훼푘 휖 [0,1] el cual pondera mayor  
peso en Coulomb bajo carga-regeneración y mayor peso  
a OCV en reposo. Se reacla durante el reposo prolongado  
si se cumple la siguiente expresión descrita por la  
ecuación (4),  
∆푉  
Ec. (4)  
|
|
퐼푘 < 퐼푟푒ꢊꢀ, |  
| < 휀푣  
∆푡  
Donde 퐼푟푒ꢊꢀ representa el umbral máximo de corriente  
para considerar reposo (típicamente menor a 0.1A), 휀푣 es  
el límite de variación temporal de tensión permitido (por  
ejemplo, 1mV/s), |∆ꢋ| corresponde al gradiente de tensión  
∆ꢀ  
Figura 1. Esquemático del BMS.  
Fuente. Elaboración propia.  
medido en la ventana de observación, esta evaluación de  
desarrolla durante el 푇  
definido como el tiempo  
푟푒ꢊꢀ  
Recepción: 04/12/2025 ǀ Aceptación: 30/01/2026 | Publicación: 26/02/2026  
IPSUMTEC9 ǀ Volumen 9 – N° 1 ǀ enero - junio 2026  
Página 36  
퐾
퐼푘2푅0∆푡  
mínimo consecutivo en el que la batería permanece sin  
carga ni descarga activa. Durante este periodo, la  
corriente del sistema es prácticamente nula y la tensión  
terminal tiende a estabilizarse, lo que permite considerar  
que la batería ha alcanzado su estado de reposo eléctrico.  
Para suprimir los impulsos proporcionados en las  
ecuaciones (2) y (3) se emplea filtro promedio móvil con  
ventanas de cinco y 10 muestras para las variables voltaje  
푉 y corriente 퐼.  
Ec. (8)  
푃éꢏ푑푖푑ꢐ = ∑  
3600  
푘=1  
Finalmente los errores MAE y RMSE para la estimación  
del SOC 푆푘, tanto para la 푆푘 real , consideran las  
̂
̂
ecuaciones (9) y (10)  
퐾
1
̂
Ec. (9)  
푀퐴퐸ꢑꢒꢄ  
=
∑|푆푘 − 푆푘|,  
ꢓ
푘=1  
Modelo matemático para batería  
퐾
1
2
En este trabajo se adoptó un modelo equivalente de  
Thévenin de un polo con 푅0 en serie y filtro constituido  
por 푅1 y 퐶1a nivel pakk 16S, [26]. La tensión terminal es  
determinada por las ecuaciones (5) y (6),  
̂
Ec. (10)  
√
푅푀푆퐸ꢑꢒꢄ  
=
∑(푆푘 − 푆푘)  
ꢓ
푘=1  
Seudocódigos para la simulación del SOC  
( ) (  
) (  
)
푉 = 푁 . 푂퐶푉 . 푆푘 − 퐼푘푅0 − 푉ꢌꢄ,푘  
Ec. (5)  
푘
Los tres pseudocódigos describen un algoritmo de  
simulación de un Sistema de Gestión de Baterías (BMS)  
centrado en un paquete LFP. El Algoritmo 1 gestiona la  
inicialización de los datos, definiendo la estructura del  
paquete (parámetros del modelo de Thévenin:  
Donde,  
푉ꢌꢄ,푘 = 푉ꢌꢄ,푘−1 + ∆푡 (ꢋ  
+
)
ꢂ
ꢍꢎ,ꢃ−1  
ꢃ
Ec. (6)  
ꢌ ꢄ  
1
ꢄ
1
1
Los parámetros base se resumen en la tabla 1, donde se  
maneja un tiempo 휏 = 푅1퐶1 que comprende la relación  
transitoria. Este modelo genera las trazas de las variables  
de voltaje 푉, corriente 퐼 y potencia 푃.  
푅_0, 푅_1, 퐶_1 y estableciendo la función OCV_de_SOC,  
que utiliza interpolación lineal sobre una tabla de  
referencia para obtener el voltaje de celda a circuito  
abierto.  
Tabla 1. Mediciones de referencia y reales del sistema.  
Algoritmo 1: Estructuras de Datos y OCV-SOC  
1. Require: Curva OCV_TABLE  
2.Ensure: Estructura PaqueteLiFePO4 definida y  
función OCV_de_SOC disponible  
3. Estructura PaqueteLiFePO4  
4. { Q_Ah, N_series  
Magnitud  
Valor Unidad  
Capacidad 푄푛표푚  
20  
Ah  
Celdas en serie N  
Resistencia serie 푅0  
Rama RC: 푅1 y 퐶1  
16  
--  
0.050  
Ω
0.020  
1000  
20  
Ω
F
5. R0, R1, C1;  
6. Q_Ah_actual, SOC_pc, V_rc; }  
7.FunctionOCV_de_SOC(SOC_pc, OCV_table):  
8. if SOC_pc está en OCV_TABLE then  
9. Return V_OCV  
Constante de tiempo  
휏 = 푅1퐶1  
푠
Paso de integración Δt  
1
푠
10. else  
Peso complementario 훼  
0.85  
--  
11  
Return  
interpolación_lineal(OCV_TABLE,  
Fuente. Elaboración propia.  
SOC_pc)  
end if  
5. End Function  
Escenerios de condución y métricas de desempeño  
En este contexto, se consideran tres escenarios o ciclos de  
conducción: urbano, extraurbano y mixto, que es la  
combinación de ambos. Bajo ciertas condiciones de la  
corriente 퐼푘 y el paso del tiempo ∆푡 la energía neta 퐸푛푒ꢀ  
del sistema se calcula en KPIs por medio de la ecuación  
(7),  
El Algoritmo 2 contiene el núcleo de la simulación  
SIMULAR_PASO, que, para cada ∆푡, actualiza el voltaje  
de polarización 푉 mediante una integración del modelo  
푟푐  
de Thévenin, calcula el voltaje terminal y estima el  
Estado de Carga (SOC) utilizando el conteo de Coulomb  
a partir de la corriente. Finalmente, el Algoritmo 3 se  
encarga de la ejecución del ciclo, iterando la función  
SIMULAR_PASO a lo largo de un perfil de corriente  
predefinido, y acumulando métricas clave de rendimiento  
(KPIs), como la energía neta, las pérdidas 퐼2푅, y los  
límites de voltaje, para generar el log completo de la  
simulación  
퐾
푉 퐼 ∆푡  
푘 푘  
Ec. (7)  
퐸푛푒ꢀ = ∑  
3600  
푘=1  
Las pérdidas se calculan a partir de la ecuación (8),  
Recepción: 04/12/2025 ǀ Aceptación: 30/01/2026 | Publicación: 26/02/2026  
IPSUMTEC9 ǀ Volumen 9 – N° 1 ǀ enero - junio 2026  
Página 37  
conectores, offset de corriente en el INA219, ruido de  
cuantización del ADC y efecto Jitter en el muestreo. Con  
una carga nominal de 10 Ω y una tensión de 12.8  
aproximadamente, en la tabla 5 se resumen los promedios  
desviaciones estándar y fluctuación (p95) de las variables  
eléctricas describiendo la estabilidad temporal del paso  
de tiempo Δ푡, tensión 푉, corriente 퐼 y finalmente la  
potencia 푃.  
Algorithm 2 Integración en el tiempo discreto  
1.Require: dt, I, Pack  
2.Ensure: Pack, V_term  
3.Function SIMULAR_PASO(dt, I, Pack):  
4.V_ocv_pack  
←
Pack.N_series  
×
OCV_de_SOC(Pack.SOC_pc)  
5. dV_rc ← ((I / Pack.C1) - (Pack.V_rc / (Pack.R1 ×  
Pack.C1))) × dt  
6. Pack.V_rc ← Pack.V_rc + dV_rc  
Tabla 2. Mediciones típicas promediadas. Involucradas  
7. V_terminal  
←
V_ocv_pack  
-
Pack.V_rc  
-
-
(Corriente_I × Pack.R0)  
8. Pack.Q_Ah_actual  
(Corriente_I × dt / 3600)  
9.Pack.SOC_pc ← (Pack.Q_Ah_actual / Pack.Q_Ah)  
× 100  
Magnitud  
Rango  
Fuente  
←
Pack.Q_Ah_actual  
INA219  
Tensión (V)  
12.7-12.9  
INA219  
Corriente (A) 1.18-1.32  
Potencia (W) 14.7-17.0  
V × I  
10. Return V_terminal  
11. End Function  
Híbrida  
(OCV +  
Coulomb)  
SOC (%)  
88-92  
Fuente. Elaboración propia.  
Algorithm 3 ejecución y registro de ciclos  
1. Require: Pack, PCT, dt.  
Tabla 3. Mediciones de referencia y reales del sistema.  
2. Ensure: Log_Dat, KPI  
3. Function ejecutar_ciclo(Pack,PCT, dt):  
4. Log_Dat ← lista_vacía  
5. Inicializar(Ener, Perdi, V_min, V_max)  
6. for each (I_com, Dur) in PCT:  
INA219  
(Real)  
12.64  
Error Rel.  
(%)  
1.4  
Magnitud  
Referencia  
Tensión (V)  
12.82  
1.25  
15.8  
2.3  
3.7  
Corriente (A) 1.28  
Potencia (W) 16.4  
7.  
Tiem ← 0  
8.  
9.  
while Tiempo_actual < Duracion do  
V_actual←simular_paso(dt, I_com, Pack)  
Potencia_W ← V_actual × I_comando  
Ener ← Ener + (Pot × dt / 3600)  
Per ← Per + ((I_com² × Pack.R0) × dt / 3600  
V_min ← min(V_min, V_act)  
Fuente. Elaboración propia.  
10.  
11.  
12.  
13.  
14.  
15.  
Tabla 4. Presupuesto de incertidumbre.  
Contribución  
típica  
Métrica  
Tolerancia de carga (5%)  
0.5–0.8W  
V_max ← max(V_max, V_act  
Añadir a Log_Datos: (Tiem,V_act,I_com,  
Caidas de tensión en cables/  
conectores  
10–40 mV  
Ener,Pack  
Offset de corriente INA219  
Ruido de cuantización del ADC  
Jitter de muestreo  
2–8 mA  
16.  
Tiem ← Tiem + dt  
end while  
18. end for  
17.  
± 1 LSB  
(tensión/corriente)  
19.  
KPIs ← {Ener, Per, V_min, V_max,  
<10ms (P95)  
Pack.SOC_pc}  
20. Return Log_Datos, KPI  
21. End Function  
Fuente. Elaboración propia.  
Tabla 5. Estadísticas de la estabilidad temporal de las  
variables.  
DISCUSIÓN Y ANÁLISIS DE RESULTADOS  
Desviación  
estándar  
흈
p95  
Promedio  
Magnitud  
Calibración y adquisición del BMS  
흁
Como se muestra en la figura 2, se muestra el banco de  
pruebas empleado para la caracterización a 12 V, con el  
lazo de alta corriente enrutado a través del shunt del  
INA219 y de la interfaz I2C, junto con la pantalla LCD.  
Los rangos típicos de tensión, corriente, potencia y SOC  
obtenidos bajo la carga resistiva de 10 Ω están descritos  
en la tabla 2. En cuanto a la trazabilidad, se presenta un  
cuadro comparativo de los valores reales, los simulados y  
el error relativo, promediando las lecturas reales (Ver  
tabla 3). En la tabla 4, se resume el presupuesto de  
incertidumbre. Las cuales están asociadas con tolerancias  
de carga del 5%, caída de tensión en cables y/o  
Paso de tiempo  
Δ푡 (s)  
0.99  
0.03  
1.05  
Tensión 푉 (V)  
Corriente 퐼 (A)  
Potencia 푃 (W)  
12.80  
1.26  
0.06  
0.03  
0.32  
12.91  
1.31  
15.95  
16.54  
Fuente. Elaboración propia.  
Registro de variables y coherencia óhmica  
Recepción: 04/12/2025 ǀ Aceptación: 30/01/2026 | Publicación: 26/02/2026  
IPSUMTEC9 ǀ Volumen 9 – N° 1 ǀ enero - junio 2026  
Página 38  
Como se puede observar en la figura 3, la implementación  
del circuito arroja datos que están muestreados a una  
frecuencia de 1 Hz presenta la estabilidad de las variables  
de voltaje y corriente con una variación menor al 2% en  
un intervalo de 60 segundos. Además, se puede verificar  
la coherencia óhmica con la carga nominal de 10 Ω y las  
diferentes variables involucradas como voltaje, corriente,  
potencia y porcentaje del SOC. Esto se verificó mediante  
la ley de Ohm. Adicionalmente, de manera indirecta se  
puede calcular la energía acumulada con base al tiempo  
real asociado al paso de tiempo Δ푡.  
44.6 9.6  
Fuente. Elaboración propia.  
91  
Mixto  
110  
En las figuras (3), (4) y (5) se pueden visualizar los  
diferentes comportamientos del SOC a partir de la  
comparación entre el SOC verdadero y el SOC estimado  
correspondientes a los diferentes escenarios Urbano,  
Extraurbano y mixto.  
Figura 3. SOC verdadero vs. estimado en escenario  
urbano.  
Fuente. Elaboración propia.  
(a)  
(b)  
Figura 2. Desarrollo experimental. (a) Banco de  
pruebas con el módulo LFP 12 V y INA219. (b)  
Mediciones de variables eléctricas muestreadas a 1 kHz.  
Fuente. Elaboración propia.  
Desarrollo de simulaciones para escenarios urbanos,  
extraurbanos y mixtos.  
A partir de las ecuaciones (1) a (6), se desarrollan  
simulaciones en tres escenarios: urbano, extraurbano y  
Figura 4. SOC verdadero vs. estimado en escenario  
extraurbano.  
Fuente. Elaboración propia.  
mixto. El resumen de duración, corriente máxima 퐼푚푎푥  
corriente promedio 푰 y fracción de energía generada se  
,
̅
presenta en la tabla (6).  
Tabla 6. Descripción del tiempo de duración en  
segundos, corriente máxima, corriente promedio y  
generación energética  
̅
푰풎풂풙  
(A)  
Regen  
(%)  
Dur.  
(s)  
푰
Escenario  
(푨)  
30  
35  
32  
12.5  
12  
10  
15  
Urbano  
200  
Figura 5. SOC verdadero vs. estimado en escenario  
mixto.  
18.0  
14.0  
Extraurbano 370  
Mixto 300  
Fuente. Elaboración propia.  
Fuente. Elaboración propia.  
Las trayectorias de tensión  
y
corriente están  
Como se puede observar en la tabla (7), se describen los  
diferentes KPIS en ciclos para los escenarios  
mencionados.  
representadas en las figuras (6), (7) y (8), mientras que la  
potencia instantánea y la energía aparecen en las figuras  
(9), (10) y (11). En la tabla 7, se visualizan los KPIS  
agregados que están asociados con la energía neta ,  
voltaje mínimo, pérdidas, SOC final  
almacenada.  
Tabla 7. KPIS en ciclos. Urbano, extraurbano y mixto  
y
energía  
푽풎풊풏  
(V)  
푷풆  
(Wh)  
푺푶푪풇  
(%)  
93  
푬풏풆풕  
(Wh)  
Escenario  
45  
44  
8
Urbano  
80  
12  
89  
Extraurbano 140  
Recepción: 04/12/2025 ǀ Aceptación: 30/01/2026 | Publicación: 26/02/2026  
IPSUMTEC9 ǀ Volumen 9 – N° 1 ǀ enero - junio 2026  
Página 39  
Figura 6. Escenario urbano: tensión (línea continua) y  
corriente (línea punteada).  
Fuente. Elaboración propia.  
Figura 11. Escenario mixto: potencia (línea continua) y  
energía (línea punteada).  
Fuente. Elaboración propia.  
Análisis de desempeño del modelo y márgenes de  
tensión y pérdidas  
Desarrollada la simulación en los escenarios urbano,  
extraurbano y mixto, se procedió al análisis de  
desempeño del modelo por medio del error cuadrático  
medio (RMSE), error medio absoluto (MAE), error  
relativo (퐸푟푒) y anclaje (OCV) tensión en circuito abierto  
Figura 7. Escenario extraurbano: tensión (línea  
continua) y corriente (línea punteada).  
Fuente. Elaboración propia.  
(푂퐶푉 ) para re anclajes o puntos de corrección del SOC.  
푎
En la tabla (8), podemos observar los índices de  
desempeño de los diferentes escenarios.  
Tabla 8. Desempeño del error del modelo asociado al  
SOC y la energía.  
MAE RMSE  
(%)  
푶푪푽풂  
푬풓풆  
(%)  
1.3  
Escenario  
2.4  
3.1  
2.7  
3
Urbano  
1.6  
2
3
1.9  
1.5  
Figura 8. Escenario mixto: tensión (línea continua) y  
corriente (línea punteada).  
Extraurbano 2.4  
Mixto 1.9  
Fuente. Elaboración propia.  
Fuente. Elaboración propia.  
Dado el cálculo de los errores, se analizaron los diferentes  
márgenes y pérdidas asociadas al SOC. Para el umbral  
under-voltage (UV) de 42 V a nivel pack de 2.625  
V/celda, los márgenes resultantes y las pérdidas se  
describen en la tabla 9. Aquí observamos que el 푉푚ꢔ푛 en  
el escenario extraurbano es el más bajo presentando un  
menor margen a UV. El ciclo urbano presenta pérdidas  
menores debido a las corrientes medias más bajas.  
Figura 9. Escenario urbano: Potencia (línea continua)  
y energía (línea punteada).  
Tabla 9. Tensión mínima margen a UV y pérdidas con  
Fuente. Elaboración propia.  
umbral UV 42 [V].  
MAE RMSE  
(%)  
푶푪푽풂  
푬풓풆  
(%)  
1.3  
Escenario  
2.4  
3.1  
2.7  
3
Urbano  
1.6  
2
3
1.9  
1.5  
Extraurbano 2.4  
Mixto 1.9  
Fuente. Elaboración propia.  
Figura 10. Escenario extraurbano: Potencia (línea  
continua) y energía (línea punteada).  
Fuente. Elaboración propia.  
El polo único asociado con Thévenin, representa  
adecuadamente la dinámica a corto y mediano plazo con  
un costo computacional bajo, el cual es suficienye para  
estimación línea. La precisión depende del OCV por  
Recepción: 04/12/2025 ǀ Aceptación: 30/01/2026 | Publicación: 26/02/2026  
IPSUMTEC9 ǀ Volumen 9 – N° 1 ǀ enero - junio 2026  
Página 40  
celda y de la identificación de 푅0, 푅1 y , 퐶1. En cuanto a  
la robustez del modelo , la combinación Coulomb+OCV  
reduce la región plana (LFP) y la deriva-integradora. Esto  
permite reanclar el SOC en fases de reposo o tras cargas  
completas. Los errores observados son compatibles con  
requisitos de monitoreo en prototipos vehiculares. En  
cuanto al desarrollo experimental y la escalabilidad, se  
requiere sensado con mayor margen en modo común  
aislado debido al efecto Hall. Además es necesario un  
divisor protegido para la tensión de bus, fusibles  
coordinados junto con el contactor y precarga. Se podrían  
considerar otras opciones como la Raspberry Pi 5 [33], el  
cual podría habilitar registros persistentes adecuados y  
aprovechar sistemas dashboarding como Grafana-flash  
o Node-Red. Finalmente, las limitaciones del desarrollo  
de esta investigación está asociadas a la simulación. Este  
desarrollo no incluye parámetros esenciales como los  
gradientes térmicos y la degradación.  
Renewable and Sustainable Energy Reviews,  
vol. 78, pp. 834–854, 2017.  
[3] Krishna, T. N. V., et al. "Powering the future:  
Advanced battery management systems (BMS)  
for electric vehicles." Energies 17.14 (2024):  
3360.  
[4] Pattnaik, Manasi, Manoj Badoni, and H. P.  
Singh. "Analysis of electric vehicle battery  
system." 2021 4th International Conference on  
Recent Developments in Control, Automation &  
Power Engineering (RDCAPE). IEEE, 2021.  
[5] Thangavel,  
Saravanakumar,  
et  
al.  
"A  
comprehensive review on electric vehicle:  
battery management system, charging station,  
traction motors." IEEE access 11 (2023):  
20994-21019.  
[6] Ramkumar, M. Siva, et al. "Review on Li‐Ion  
Battery with Battery Management System in  
Electrical Vehicle." Advances in Materials  
Science  
and  
Engineering 2022.1  
(2022):  
CONCLUSIONES  
3379574.  
[7] Challoob, Ali Falih, et al. "Energy and battery  
management systems for electrical vehicles: A  
El modelado y simulación se aplicaron a un sistema de  
gestión de baterías abierto con química LiFePO4,  
garantizando trazabilidad desde un banco de 12 V hasta  
un pack de 48 V–20 Ah (16S). Se estableció una cadena  
de adquisición fiable con control de tiempo, coherencia  
comprehensive  
recommendations." Energy  
review  
Exploration  
&
&
Exploitation 42.1 (2024): 341-372.  
[8] Habib, AKM Ahasan, et al. "Lithium-ion battery  
management system for electric vehicles:  
óhmica  
y
estabilidad menor al 2%, además de  
calibraciones con multímetro. El software calculó  
potencia y energía para estimar el Estado de Carga  
(SOC). La simulación con el modelo de Thévenin y  
técnicas de Coulombimetría y OCV–SOC mostró errores  
en SOC de 1.6–2.4% (MAE) y 2.4–3.1% (RMSE).  
Reanclajes en reposo estabilizaron la deriva. Los KPIs,  
como 퐸푛푒ꢀ y 푉푚ꢔ푛, confirmaron márgenes adecuados para  
la tensión. La arquitectura es compatible con plataformas  
de bajo consumo, como Raspberry Pi 5, y es escalable a  
vehículos híbridos. En conjunto, los resultados respaldan  
el uso de un estimador híbrido, por su bajo costo  
computacional y respaldo en la literatura técnica.  
constraints,  
challenges,  
and  
recommendations." Batteries 9.3 (2023): 152.  
[9] Guo, Jian, and Fangming Jiang. "A novel  
electric vehicle thermal management system  
based on cooling and heating of batteries by  
refrigerant." Energy  
Management 237 (2021): 114145.  
[10]Komsiyska, Lidiya, et al. "Critical review of  
intelligent battery systems: Challenges,  
Conversion  
and  
implementation, and potential for electric  
vehicles." Energies 14.18 (2021): 5989.  
[11]Lipu, Molla Shahadat Hossain, et al. "Battery  
management, key technologies, methods, issues,  
and future trends of electric vehicles: A pathway  
toward achieving sustainable development  
goals." Batteries 8.9 (2022): 119.  
Como trabajo futuro, se considerarán más iteraciones y  
modelos térmicos con mayor robustez, tales como el  
lumped y la validación con drive-cycles.  
AGRADECIMIENTOS  
[12]Ali, Muhammad Umair, et al. "Towards a  
smarter battery management system for electric  
vehicle applications: A critical review of  
Agradecemos  
a
las instalaciones del Tecnológico  
Nacional de México, Instituto Tecnológico de Oaxaca,  
que avaló el proyecto con la clave 2355.25-P.  
lithium-ion  
battery  
state  
of  
charge  
estimation." Energies 12.3 (2019): 446.  
BIBLIOGRAFÍA  
[13]Ali, Muhammad Umair, et al. "Towards a  
smarter battery management system for electric  
vehicle applications: A critical review of  
[1] National  
(NREL), “Battery Management Systems (BMS)  
Overview,” 2024. Disponible en:  
transportation/battery-  
Renewable  
Energy  
Laboratory  
lithium-ion  
battery  
state  
of  
charge  
https://www.nrel.gov/  
estimation." Energies 12.3 (2019): 446.  
management-systems.html  
[14]Lin, Qian, et al. "Towards a smarter battery  
management system: A critical review on  
optimal charging methods of lithium ion  
batteries." Energy 183 (2019): 220-234.  
[2] M. A. Hannan, M. S. H. Lipu, A. Hussain y A.  
Mohamed, “A review of lithium-ion battery  
state of charge estimation and management  
system in electric vehicle applications,”  
Recepción: 04/12/2025 ǀ Aceptación: 30/01/2026 | Publicación: 26/02/2026  
IPSUMTEC9 ǀ Volumen 9 – N° 1 ǀ enero - junio 2026  
Página 41  
[15]Hossain Lipu, Molla Shahadat, et al. "Smart  
battery management technology in electric  
vehicle applications: Analytical and technical  
Supervisión,  
Metodología, Redacción y Florés  
Validación  
Software, Hector Javier Jarquín  
assessment  
directions." Batteries 8.11 (2022): 219.  
[16]Xiong, Rui, Linlin Li, and Jinpeng Tian.  
"Towards smarter battery management  
toward  
emerging  
future  
Conceptualización  
Redacción  
Conceptualización  
Visualización  
y
Alfredo  
Valdiviezo  
Eric Mario Silva Cruz  
Cruz  
y
a
system: A critical review on battery state of  
health monitoring methods." Journal of Power  
Sources 405 (2018): 18-29.  
Administración  
proyecto,  
Supervisión, Software  
Redacción  
del Carlos Mauricio Lastre  
y
Validación Domínguez  
[17]X. Hu, S. Li y H. Peng, “A comparative study of  
equivalent circuit models for Li-ion batteries,”  
Journal of Power Sources, vol. 198, pp. 359–  
367, 2012.  
Esta obra está bajo  
una licencia internacional  
Creative Commons Atribución 4.0.  
[18]H. He, R. Xiong y H. Guo, “Online estimation  
of model parameters and state-of-charge of  
LiFePO4 batteries,” Applied Energy, vol. 89,  
pp. 413–420, 2012.  
[19] G. L. Plett, “Extended Kalman filtering for  
battery management systems of LiPB-based  
HEV battery packsPart 1: Background,”  
Journalof Power Sources, vol. 134, no. 2, pp.  
252–261, 2004.  
[20]O. Tremblay y L.-A. Dessaint, “Experimental  
validation of a battery dynamic model for EV  
applications,” en Proc. IEEE VPPC, 2009, pp.  
1–5.  
[21]Texas Instruments, “INA219: Zero-Drift,  
Bidirectional Current/Power Monitor With I2C  
Interface,”  
https://www.ti.com/product/INA219  
[22]Raspberry Pi Ltd., “RP2040 Datasheet,” 2024.  
Disponible en:  
Datasheet.  
Disponible  
en:  
https://datasheets.raspberrypi.com/rp2040/rp20  
40-datasheet.pdf  
[23]Raspberry Pi Ltd., “Raspberry Pi Pico  
Datasheet,”  
2024.Disponible  
en:https://datasheets.raspberrypi.com/pico/pico  
-datasheet.pdf  
[24] NXP Semiconductors, “PCF8574/PCF8574A  
Remote 8-bit I/O expander for I2C-bus,”  
Datasheet.  
Disponible  
en:  
https://www.nxp.com/docs/en/data-  
sheet/PCF8574_PCF8574A.pdf  
[25]Raspberry Pi Ltd., “Raspberry Pi 5 Product  
Brief,” 2023. Disponible  
en:https://www.raspberrypi.com/products/raspb  
erry-pi-5/  
[26] Texas Instruments, “INA219: Zero-Drift,  
Bidirectional Current/Power Monitor With I2C  
Interface,”  
Datasheet.  
Disponible  
en:  
https://www.ti.com/product/INA219  
Tabla de Roles de Contribución  
Rol  
Autor (es)  
del Álvaro César Guevara  
Ramírez  
Administración  
proyecto, Validación  
Recursos  
y
Recepción: 04/12/2025 ǀ Aceptación: 30/01/2026 | Publicación: 26/02/2026  
IPSUMTEC9 ǀ Volumen 9 – N° 1 ǀ enero - junio 2026  
Página 42