El aprendizaje federado (FL) es un marco de aprendizaje automático que aborda de manera efectiva las preocupaciones sobre la privacidad. Aprovecha los datos fragmentados de dispositivos en todo el mundo para el entrenamiento y la optimización de modelos, cumpliendo estrictamente con la protección de la privacidad del usuario y la conformidad normativa. Este marco tiene un inmenso potencial para aplicaciones generalizadas en el ámbito de la red inteligente. A través del FL, las empresas de energía pueden colaborar para entrenar modelos de red inteligente sin revelar los datos de consumo de electricidad de los usuarios, protegiendo así su privacidad. Sin embargo, los datos recopilados por los clientes a menudo muestran heterogeneidad, lo que puede llevar a sesgos hacia ciertas características de datos durante el proceso de entrenamiento del modelo, afectando así la equidad y el rendimiento del modelo. Para abordar los desafíos de equidad que surgen durante el proceso de aprendizaje federado en las redes inteligentes, este documento presenta FedCSGP, un enfoque novedoso de aprendizaje federado que incorpora el muestreo de clientes y la proyección de gradientes. La idea principal de FedCSGP es categorizar las causas de la falta de equidad en el aprendizaje federado en dos partes: conflictos internos y conflictos externos. Entre ellos, la estrategia de muestreo de clientes se utiliza para resolver conflictos externos, mientras que la estrategia de proyección de gradientes se emplea para abordar conflictos internos. Al abordar ambos aspectos, FederCSGP tiene como objetivo mejorar la equidad del modelo de aprendizaje federado garantizando la precisión del modelo global. Los resultados experimentales demuestran que el método propuesto mejora significativamente la precisión de los clientes con bajo rendimiento en escenarios de red inteligente con menores costos de comunicación, mejorando así la equidad del algoritmo de aprendizaje federado.