Las innovaciones en la tecnología de vehículos eléctricos han llevado a la necesidad de un almacenamiento máximo de energía en la fuente de energía para proporcionar algunos kilómetros adicionales. El tamaño de los vehículos eléctricos limita el tamaño de las baterías, lo que a su vez limita la cantidad de energía que se puede almacenar. La ansiedad por la autonomía entre la multitud evita que toda la población cambie a un modo de transporte completamente eléctrico. La energía adicional aprovechada de la energía cinética producida debido al frenado durante la desaceleración se envía de vuelta a las baterías para cargarlas, un proceso conocido como frenado regenerativo, proporcionando un mayor rango al vehículo. El trabajo propone métodos eficientes basados en el aprendizaje automático utilizados para aprovechar al máximo la energía de frenado de un vehículo eléctrico para proporcionar mayor autonomía. Los métodos se comparan con la energía aprovechada utilizando técnicas de lógica difusa y redes neuronales artificiales. Estas técnicas tienen en cuenta la estimación del estado de carga (SOC) de la batería o el supercondensador y la demanda de freno, para calcular la energía aprovechada de la potencia de frenado. Con las técnicas de aprendizaje automático propuestas, ha habido un aumento del 59% en la extracción de energía en comparación con los métodos de lógica difusa y redes neuronales artificiales utilizados para la extracción de energía regenerativa.