Este documento presenta un enfoque innovador para la predicción de energía eólica a través de la implementación de un modelo de memoria a corto y largo plazo extendido (xLSTM). Esta investigación aborda limitaciones fundamentales en la predicción de secuencias temporales para la energía eólica al introducir mejoras arquitectónicas a las redes LSTM tradicionales. El modelo xLSTM incorpora dos innovaciones clave: compuertas exponenciales con mezcla de memoria y una estructura de memoria de matriz novedosa. Estas mejoras se realizan a través de dos variantes, es decir, LSTM escalar y LSTM de matriz, que se integran en bloques residuales para formar arquitecturas completas. El modelo xLSTM fue validado utilizando datos SCADA de turbinas eólicas, con un riguroso preprocesamiento para eliminar mediciones anómalas. La evaluación del rendimiento en diferentes regímenes de velocidad del viento demostró capacidades predictivas sólidas, con el modelo xLSTM logrando un valor general de coeficiente de determinación de 0.923 y un error porcentual absoluto medio del 8.47%. El análisis estacional reveló una precisión de predicción consistente en patrones meteorológicos variados. El modelo xLSTM mantiene una complejidad computacional lineal con respecto a la longitud de la secuencia, al tiempo que ofrece capacidades mejoradas en retención de memoria, seguimiento de estado y modelado de dependencia a largo plazo. Estos resultados demuestran el potencial del xLSTM para mejorar la precisión de la predicción de energía eólica, lo cual es crucial para optimizar las operaciones de las turbinas y la integración en la red de recursos de energía renovable.