确保电力 Transformer 的最优性能是一项复杂而繁琐的任务，其中绝缘系统在减缓设备老化方面起着至关重要的作用。绝缘系统依赖绝缘油来实现温度调控。过高的温度会显著缩短 Transformer 的使用寿命，进而导致高昂的维护成本。深度学习架构在众多领域已展现出卓越的性能表现。然而，这种性能提升通常伴随着计算资源需求的增加，从而加剧碳足迹，并阻碍模型架构的进一步优化。在本研究中，我们提出了一种新型深度学习架构，在 Transformer 油温预测任务中实现了与当前最优架构相当甚至更优的预测效能，同时显著提升了模型效率。精准的温度预测有助于预防过热现象，实时监测 Transformer 未来的运行状态，从而避免不必要的资源浪费。为实现模型性能与归纳偏置之间的平衡，我们设计了名为“平滑残差块”（Smooth Residual Block）的新机制。该机制将原始预测问题分解为多个子问题，对时间序列数据生成多样化的表征，各子任务协同作用，最终实现高精度的预测结果。该架构被应用于中国两台电力 Transformer 的实测数据集，获取了 Transformer 绝缘油温度的长期监测数据。实验结果表明，相较于目前已知的最优架构，本方法在均方误差（MSE）上实现了13%的提升，在整体性能上更是提高了57%。此外，我们还对模型所学习到的内在行为模式进行了分析，以获得对预测结果的直观解释，增强了模型的可解释性与工程应用价值。