Este documento presenta la aplicación de una estrategia activa de gestión de energía a un sistema híbrido que consiste en una celda de combustible de membrana de intercambio de protones (PEMFC), batería y supercapacitor. El propósito de la gestión de energía es controlar los estados de carga (SOCs) de la batería y el supercapacitor, así como minimizar el consumo de hidrógeno. La gestión de energía debe aplicarse a sistemas híbridos creados de esta manera para aumentar la eficiencia y controlar las condiciones de trabajo. En este estudio, se examinó más a fondo la optimización de un modelo existente en la literatura con diferentes métodos meta-heurísticos y se obtuvieron resultados similares a los de la literatura. Se aplicaron algoritmos meta-heurísticos como el optimizador de leones hormiga (ALO), la optimización de polillas (MFO), el algoritmo de libélula (DA), el algoritmo de seno y coseno (SCA), el optimizador de multiverso (MVO), la optimización por enjambre de partículas (PSO) y el algoritmo de optimización de ballenas (WOA) para controlar el flujo de energía entre las fuentes. Los métodos de optimización se compararon en términos de consumo de hidrógeno y tiempo de cálculo. Se realizaron estudios de simulación en Matlab/Simulink R2020b (licencia académica). La contribución del estudio es que los métodos de optimización del algoritmo de león hormiga, el algoritmo de polilla y el algoritmo de seno y coseno se aplicaron a este sistema por primera vez. Se concluyó que el método más efectivo en términos de consumo de hidrógeno y carga computacional fue el algoritmo de seno y coseno. Además, el algoritmo de seno y coseno proporcionó mejores resultados que algoritmos meta-heurísticos similares en la literatura en términos de consumo de hidrógeno. Al mismo tiempo, se compararon los algoritmos de optimización meta-heurística y la estrategia de minimización de consumo equivalente (ECMS) y la estrategia de control proporcional integral clásica (PI) como un estudio de referencia, como se hizo en la literatura, y se concluyó que los algoritmos meta-heurísticos eran más efectivos en términos de consumo de hidrógeno y tiempo computacional.