En el contexto de lograr los objetivos de pico de carbono y neutralidad de carbono, el desarrollo de recursos limpios se ha convertido en un apoyo estratégico esencial para la transición energética baja en carbono. Este documento presenta un método para la descomposición modal y reconstrucción de series temporales para mejorar la precisión de predicción y el rendimiento respecto a la velocidad del viento de 70 m. Los resultados experimentales indican que el algoritmo híbrido STL-VMD-BiLSTM propuesto en este documento supera a los modelos STL-BiLSTM y VMD-BiLSTM en precisión de pronóstico, particularmente en la extracción de características de no linealidad y en la captura efectiva de extremos de velocidad del viento. En comparación con otros algoritmos de aprendizaje automático, incluidos los modelos STL-VMD-LGBM, STL-VMD-SVR y STL-VMD-RF, el modelo STL-VMD-BiLSTM demuestra un rendimiento superior. Los criterios de evaluación promedio, incluidos el RMSE, MAE y R, para el modelo propuesto, desde t + 15 hasta t + 120, muestran mejoras de 0.582-0.753 m/s, 0.437-0.573 m/s y 0.915-0.951, respectivamente.