La proliferación de la tecnología de vehículos eléctricos (VE) es un paso importante hacia un futuro más sostenible. En el trabajo actual, se aplica un aprendizaje automático basado en redes neuronales artificiales de alimentación directa de dos capas para diseñar sensores blandos que estimen el estado de carga (SOC), estado de energía (SOE) y pérdida de potencia (PL) de un sistema de paquete de baterías de vehículo eléctrico de estudiante de fórmula (FSEV). Los sensores blandos propuestos fueron diseñados para predecir el SOC, SOE y PL del paquete de baterías del VE en función del perfil de corriente de entrada. El perfil de corriente de entrada se derivó en función de los parámetros del vehículo diseñado y las características y directrices de la pista de fórmula Bharat. Todos los sensores blandos desarrollados se probaron para el error cuadrático medio (MSE) y las métricas R-cuadrado de las particiones del conjunto de datos; ecuaciones que relacionan las salidas derivadas y predichas; histogramas de error de los conjuntos de datos de entrenamiento, validación y prueba; indicadores de estado de entrenamiento como gradiente, mu y fallos de validación; rendimiento de validación en épocas sucesivas; y gráficos de predicción versus derivados durante un tiempo de una vuelta. Además, la precisión de predicción de los sensores blandos propuestos se comparó con modelos de regresión lineal o no lineal y modelos de estructura paramétrica utilizados para la identificación del sistema, como autoregresivo con variables exógenas (ARX), autoregresivo de media móvil con variables exógenas (ARMAX), error de salida (OE) y Box Jenkins (BJ). La precisión del conjunto de datos de prueba de los sensores blandos FSEV SOC, SOE, PL propuestos fue del 99.96%, 99.96% y 99.99%, respectivamente. Los sensores blandos propuestos obtuvieron una mayor precisión de predicción que la de las estructuras de modelado mencionadas anteriormente. Los resultados de FSEV también indicaron que el SOC y SOE disminuyeron del 97% al 93.5% y 93.8%, respectivamente, durante el tiempo de funcionamiento de 118 s (tiempo de una vuelta). Por lo tanto, los sensores blandos basados en redes neuronales de alimentación directa de dos capas pueden aplicarse para el monitoreo y la predicción efectiva de SOC, SOE y PL durante la operación de los VE.