La energía eólica tiene un gran potencial en los campos de generación de electricidad, calefacción, etcétera, y la previsión precisa de la velocidad del viento se ha convertido en la tarea clave en un esfuerzo por mejorar la eficiencia del desarrollo de la energía eólica. Hoy en día, muchos estudios existentes han investigado la predicción de la velocidad del viento, pero a menudo simplemente preprocesan datos en bruto y también ignoran las características no lineales en la parte residual, que deberían recibir un tratamiento especial para una previsión más precisa. Mientras tanto, la corriente principal en este campo es la predicción puntual, que no puede mostrar la incertidumbre potencial de los valores predichos. Por lo tanto, este artículo desarrolla un modelo de predicción de intervalo de ensamblaje de descomposición en dos etapas. La serie original de velocidad del viento se descompone primero utilizando una descomposición empírica de modo de conjunto completo con ruido adaptativo (CEEMDAN) y la subserie descompuesta con la mayor entropía aproximada se descompone en segundo lugar a través del análisis de espectro singular (SSA) para reducir aún más la complejidad de los datos. Después de la descomposición en dos etapas, se emplea la reducción de dimensionalidad mediante auto-codificadores para aliviar el problema del error acumulado. Luego, cada subsecuencia reconstruida generará un resultado de predicción independiente utilizando una red neuronal elástica. Se utiliza el aumento extremo de gradiente (Xgboost) para integrar los valores predichos separados y también llevar a cabo la corrección de errores. Finalmente, el proceso gaussiano (GP) generará el resultado de predicción de intervalo. El estudio de caso muestra el mejor rendimiento de los modelos propuestos, no solo en la predicción puntual, sino también en la predicción de intervalos.