Para mejorar la precisión de la predicción del SOC en vehículos eléctricos, que a menudo sufre de discrepancias significativas entre los rangos de conducción mostrados y los reales, este estudio propone un modelo basado en datos guiado por un marco de consumo de energía. El enfoque aborda el problema de la predicción inexacta del rango restante, mejorando la planificación de viajes de los conductores y la eficiencia del vehículo. Se introduce un método de agrupación de ciclos de conducción basado en PCA-GA-K-Means, seguido de la extracción de características del estilo de conducción utilizando un GMM para capturar diferencias de comportamiento. Se construye una biblioteca acoplada de doce combinaciones de estilos de ciclo de conducción típicos para manejar correlaciones complejas entre el estilo de conducción, las condiciones de operación y el rango. Para mitigar la multicolinealidad y las redundancias de características no lineales, se propone un método de extracción de características basado en Pearson-DII. Se desarrolla un modelo de conjunto de apilamiento, integrando Random Forest, CatBoost, XGBoost y SVR como modelos base con ElasticNet como el meta modelo, para una predicción robusta. Validado con datos reales de vehículos en un rango de -21 grados Celsius a 39 grados Celsius y cuatro ciclos de conducción, el modelo mejora significativamente la precisión de la predicción del SOC, ofreciendo una solución confiable para la estimación del rango de los vehículos eléctricos y mejorando la confianza del usuario en la tecnología EV.