Predecir la concentración de gases disueltos en el aceite del transformador es una actividad crítica para la detección temprana de posibles fallas. Para abordar el problema prevalente de la fuga de datos en los métodos de predicción actuales, este documento propone un método de predicción que evita completamente la fuga de datos. Primero, se utiliza el filtro de Hodrick Prescott (HP) para la descomposición paso a paso con el fin de obtener la tendencia a largo plazo y el componente periódico de alta frecuencia. El componente periódico de alta frecuencia se descompone aún más utilizando el análisis de espectro singular (SSA) para extraer características periódicas. La entropía de dispersión (DE) y la entropía difusa (FE) se utilizan junto con los métodos HP y SSA para determinar las ventanas óptimas de descomposición durante el proceso, mejorando la capacidad del modelo para adquirir características de series temporales. Luego, se aplica la descomposición de modo variacional (VMD) para eliminar el ruido del componente de alta frecuencia. Finalmente, se emplea la red neuronal de memoria a corto y largo plazo (LSTM) para predecir cada componente descompuesto, y los parámetros de la red se optimizan a través del algoritmo de optimización de búsqueda de gorriones (SSOA). Los dos estudios de caso en este trabajo verifican que el modelo propuesto sobresale sobre otros medios de predicción, brindando un sólido respaldo para la predicción de fallas subsiguientes.