Con el desarrollo de la Internet de las cosas de energía, el patrón de computación centralizada tradicional ha sido difícil de aplicar a muchos escenarios comerciales de energía, incluyendo la predicción de carga de energía, la detección de defectos en subestaciones y la respuesta del lado de la demanda. Cómo realizar tareas de aprendizaje automático eficientes y confiables mientras se asegura de que la privacidad de los datos de los usuarios no se viole ha atraído la atención de la industria. El aprendizaje federado (FL) basado en blockchain, propuesto como un nuevo marco de aprendizaje descentralizado y distribuido para construir sistemas de IoT mejorados con privacidad, está recibiendo cada vez más atención de los académicos. El marco proporciona algunas ventajas, incluyendo descentralización, escalabilidad y privacidad de datos, pero al mismo tiempo su mecanismo de consenso consume una cantidad significativa de recursos computacionales. Además, el número de parámetros del modelo ha aumentado drásticamente, lo que conlleva a una cantidad creciente de datos transmitidos y una vasta sobrecarga de comunicación. Para reducir la sobrecarga de comunicación, proponemos un marco de FL en el sistema de blockchain basado en grafo acíclico dirigido (DAG), que logra un intercambio eficiente y confiable de redes de FL. Diseñamos un método de compresión de modelo adaptativo basado en k-medias para comprimir el modelo de FL y reducir la sobrecarga de comunicación de cada ronda en el entrenamiento de FL. Mientras tanto, se optimiza el algoritmo de selección de consejos basado en precisión original, y se propone un algoritmo de selección de consejos que considera la evaluación de múltiples factores. Los resultados experimentales de simulación muestran que el método propuesto en este documento reduce el total de bytes de comunicación del sistema de aprendizaje federado basado en blockchain, equilibrando la precisión del modelo de FL en comparación con trabajos anteriores.