Los medidores inteligentes de gas multiconectados son dispositivos de Internet de las cosas (IoT) que transmiten información de forma inalámbrica a una nube o base de datos remota a través de múltiples rutas de red. La información es utilizada por la red de gas inteligente para una previsión precisa de la carga y varias otras tareas importantes. Con el rápido crecimiento de estas redes inteligentes de IoT y las tasas de datos, se requieren protocolos de capa de transporte confiables con algoritmos eficientes de control de congestión. Las pilas de protocolo de control de transmisión/protocolo de Internet (TCP/IP) diseñadas para dispositivos de IoT aún carecen de esquemas eficientes de control de congestión. Los algoritmos de control de congestión basados en protocolo de control de transmisión multipath (MPTCP) son uno de los temas de investigación más recientes. Muchos algoritmos de control de congestión acoplados y desacoplados han sido propuestos por investigadores. El algoritmo de control de congestión predeterminado para MPTCP es el control de congestión acoplado utilizando el algoritmo de incrementos vinculados (LIA). En los medidores inteligentes alimentados por batería, las retransmisiones de paquetes consumen energía adicional y una baja buena tasa de transferencia de datos resulta en un mal rendimiento del sistema. En este estudio, proponemos un algoritmo híbrido de control de congestión modificado Fast-Vegas-LIA (MFVL HCCA) para MPTCP considerando los requisitos de una red de gas inteligente. Nuestro nuevo algoritmo opera en modo de control de congestión desacoplado siempre que no haya cuellos de botella compartidos y cambia a modo de control de congestión acoplado en caso contrario. Hemos presentado los detalles de nuestro modelo propuesto y comparado los resultados de la simulación con el control de congestión acoplado predeterminado para MPTCP. Nuestro algoritmo propuesto en modo desacoplado muestra una disminución en la pérdida de paquetes de hasta el 50% y un aumento en la buena tasa de transferencia de datos promedio de hasta el 30%.