La energía eólica es una de las alternativas más prometedoras como fuentes de energía; sin embargo, para obtener los mejores resultados, los productores necesitan prever la velocidad del viento, la potencia generada y el precio de la energía para proporcionar las herramientas adecuadas para una operación, planificación, control y comercialización óptimos tanto para sistemas eólicos aislados como para aquellos que están interconectados a una red de distribución principal. Para el presente trabajo, se propone una metodología novedosa para la predicción de series temporales en sistemas de energía eólica; consiste en una red neuronal de alto orden que se entrena en línea mediante el algoritmo del filtro de Kalman extendido. A diferencia de la mayoría de los métodos modernos de inteligencia artificial para la predicción, que se basan en hibridaciones, prefiltrado de datos o métodos de aprendizaje profundo, el método propuesto se basa en la simplicidad de implementación, baja complejidad computacional y operación en tiempo real para producir pronósticos con 15 pasos de anticipación en una serie temporal de velocidad del viento, potencia generada y precio de la energía. El esquema propuesto ha sido evaluado utilizando datos reales de repositorios de acceso abierto de parques eólicos. Los resultados muestran que un entrenamiento en línea de la red neuronal produce una alta precisión, sin necesidad de ninguna otra información más allá de unas pocas observaciones pasadas.