La formación frecuente y severa de hielo en las líneas de transmisión representa una seria amenaza para la estabilidad y la operación segura del sistema eléctrico. Los datos meteorológicos, inherentemente estocásticos e inciertos, requieren un preprocesamiento efectivo y la extracción de características para garantizar una predicción precisa y eficiente del grosor del hielo en las líneas de transmisión. Abordamos este desafío aprovechando las características meteorológicas de los fenómenos de formación de hielo y proponemos un novedoso método de preprocesamiento de características que integra la Descomposición Empírica en Modo de Ensamble Completo con Ruido Adaptativo (CEEMDAN, por sus siglas en inglés) y el agrupamiento espectral. Este método preprocesa de manera efectiva los datos de series temporales crudos, extrae características clave y construye una matriz de similitud y un vector de características. El vector de características resultante sirve como una nueva representación de datos, facilitando el análisis de agrupamiento para aislar características meteorológicas y relacionadas con la formación de hielo específicas de las líneas de transmisión. Posteriormente, presentamos un modelo Transformer mejorado para predecir el grosor del hielo en las líneas de transmisión. El modelo propuesto aprovecha las características meteorológicas y de formación de hielo extraídas al incrustar tokens variables de forma independiente para cada característica de entrada. Este enfoque mejora la precisión de predicción del modelo bajo múltiples entradas de características, lo que conduce a un aprendizaje más efectivo. Los resultados experimentales demuestran que el rendimiento del algoritmo de predicción propuesto es mejor que el de los tres algoritmos base (híbrido CEEMDAN y LSTM (CEEMDAN-LSTM), híbrido CEEMDAN, agrupamiento espectral y LSTM (CEEMDAN-SP-LSTM), y híbrido CEEMDAN, agrupamiento espectral y Transformer (CEEMDAN-SP-Transformer)) bajo múltiples entradas de características y diferentes configuraciones de parámetros.