变电站设备是电力系统输送电力的一个重要设施,时代的迅速发展导致用电设备不断增加,用电量也逐年增大,电力系统的安全越发引人重视。变电站设备的温度是检测变电站故障的一个重要指标,但是变电站设备温度具有典型的季节性、周期性和不稳定性,工作环境复杂,人工检查和测量困难,可用特征信息少,难以实现准确预测。传统的温度预测模型不能很好的处理非线性数据,对深层特征提取不够深入,预测精度不高。因此,构建并不断优化变电站设备温度预测系统已经成为深度学习领域的研究热点。针对上述问题,本文对变电站设备温度数据进行详细分析,最终确定了来自环境、时间和空间三个维度特征构成的原始特征矩阵,记为MIFFV。提出一种改进猎食者优化算法优化卷积神经网络和门控循环单元（IHPO-CGRU）的变电站设备温度预测方法。由于CGRU模型的预测精度会受到一些超参数的影响,因此利用改进猎食者优化算法进行参数寻优。同时本文针对猎食者优化算法在迭代后期搜索多样性不足、容易陷入局部最优以及平衡参数不匹配等问题进行改进。首先,将莱维飞行扰动策略加入猎人、猎物的位置更新中,保证种群在算法迭代后期依然具有多样性,易跳出局部最优;其次,将平衡参数C由线性改为非线性,可以更好地平衡算法探索和开发的能力;最后将IHPO算法应用于CNN-GRU模型构建温度预测系统,预测设备温度。变电站设备温度预测系统由五个模块组成,有注册登录模块、用户管理模块、数据处理模块、预测模型构建模块和变电站设备温度预测模块。为防止因输入特征过多产生冗余数据,在数据处理模块中采用PCA主成分分析方法进行特征选择,降维后的特征矩阵记为RFV,然后使用mapminmax归一化函数去除数据量纲并将处理好的数据集划分为训练集和测试集;在预测模型构建模块中使用IHPO算法得到的最优超参数构建最优预测模型并用训练集训练该模型;最后在温度预测模块中利用测试集预测变电站设备温度。本文提出的方法将应用于浙江省台州市某变电站设备的温度预测。通过对比实验表明,在MAPE和RMSE两个预测性能评价指标下,与相同条件下的传统深度学习预测模型相比,本文提出的方法具有更好的预测性能。