El hidrógeno almacenado en portadores orgánicos líquidos de hidrógeno (LOHCs) tiene la ventaja de ser un sistema de almacenamiento de hidrógeno seguro y conveniente. El dibenziltolueno (DBT), debido a su baja inflamabilidad, naturaleza líquida y alta capacidad de almacenamiento de hidrógeno, es un sistema LOHC eficiente. Es imperativo indicar las condiciones óptimas de reacción para lograr la densidad teórica de almacenamiento de hidrógeno. Por lo tanto, en este estudio se propone un Sistema de Predicción de Almacenamiento de Hidrógeno potenciado con Aprendizaje Automático Federado Ponderado (HSPS-WFML). Los datos se dividieron en tres clases, es decir, baja, media y alta, y se investigó el rendimiento del HSPS-WFML propuesto. La precisión de la clase media es mayor (99.90%) que las otras clases. La precisión de las clases baja y alta es del 96.50% y 96.40%, respectivamente. Además, la precisión general y la tasa de error del HSPS-WFML propuesto son del 96.40% y 3.60%, respectivamente. Nuestro modelo propuesto se compara con estudios existentes relacionados con la predicción de almacenamiento de hidrógeno, y se encuentra que su precisión está en acuerdo con estos estudios. Por lo tanto, el HSPS-WFML propuesto es un modelo eficiente para la predicción de almacenamiento de hidrógeno.