为对质子交换膜燃料电池(PEMFC)进行精确建模,需要准确辨识PEMFC中的未知参数.然而,PEMFC的参数辨识是一个多变量、多峰值和强耦合的非线性优化问题,传统的参数辨识方法往往得不到满意的结果.此外,不同运行条件下产生的噪声会阻碍启发式算法(MhAs)获取精确的参数.针对该问题,提出一种基于极限学习机(ELM)的MhAs策略——ELM-MhAs,以实现PEMFC的参数辨识.利用ELM对数据进行训练以降低或消除噪声,为MhAs提供更为准确可靠的适应度函数,从而保证MhAs对PEMFC参数的精确辨识.为验证该策略的可行性和有效性,在低温、低相对湿度和高温、高相对湿度两种条件下,分别对25组电压-电流数据进行不降噪、贝叶斯正则神经网络(BRNN)降噪以及ELM降噪处理,随后对比不同数据中6种MhAs和列文伯格-马夸尔特反向传播法的参数辨识结果.实验结果表明,与不降噪和BRNN降噪处理相比,应用ELM能够显著减少数据噪声对实验数据的影响,从而有效提高MhAs的参数辨识精度.