随着5G相关技术的蓬勃发展,网络边缘产生的数据呈现出爆发式的增长,将这些数据聚集起来进行集中式处理会造成大量的能耗开销,这对传统的云计算架构来说是一项巨大的挑战。在这种情况下,让数据直接在网络边缘得到处理是一个可靠的解决方案,边缘计算因此应运而生。在众多分布式边缘计算方法中,基于联邦学习（Federated Learning,FL）的方法引起了人们的关注,它可以联合多个边缘服务器协作训练机器学习模型,在为用户提供智能化服务的同时保护用户数据隐私,我们将该架构称为联邦边缘智能（Federated Edge Intelligence,FEI）。虽然FEI系统避免了向云端传输数据的能耗开销,但边缘服务器上的ML模型分布式训练的能耗开销优化仍是一个亟待解决的问题;目前已有部分工作对各工作节点FL模型训练过程中的能耗与时间进行了研究,但这些工作没能从系统整体出发,将数据上传直到完成模型训练的全过程考虑在内,对系统的能耗开销进行分析研究,这实际上是个相当复杂的问题;此外,该领域目前也缺乏在实际设备上真实能耗数据测量的相关工作,这同样也是一项艰难的工作。因此,我们要解决的问题是十分困难且具有挑战性的。为应对这些问题,本文则提出一种高能效FEI框架（Energy-efficient FEI,EEFEI）,该框架引入了对FEI整体能耗开销的建模分析。本文的主要贡献如下:我们首先对FEI系统中FL模型训练过程中的能耗开销进行了分析与建模,并量化系统的能耗开销与训练过程中关键参数之间的联系。其次,我们对提出的EE-FEI系统能耗优化问题进行了分析,证明了该问题在关键参数上的双凸特性,并使用交替凸搜索（Alternate Convex Search,ACS）算法对问题进行求解。最后,我们通过搭建的硬件平台进行了大量的真实数据实验分析,对我们的理论结果进行了评估。最终的实验结果表明,EE-FEI可以大幅降低FEI系统的能耗开销,最高可达49.8%,我们提出的方法确实能够在保证训练ML模型精度的同时对系统整体的能耗开销进行优化。