La predicción precisa y estable de la velocidad del viento es crucial para la operación segura de conexiones a gran escala a la red de energía eólica. Los métodos existentes suelen estar limitados a un área fija específica al aprender la información de la secuencia de velocidad del viento, lo que no permite aprovechar al máximo la correlación espacio-temporal de la secuencia de velocidad del viento. Para abordar este problema, en este artículo proponemos un nuevo método de predicción de velocidad del viento basado en filtrado colaborativo contra una estructura de grafo de expansión de borde virtual en la que los bordes virtuales enriquecen la semántica que el grafo puede expresar. Es una extensión efectiva del conjunto de datos, conectando turbinas eólicas de diferentes parques eólicos a través de bordes virtuales para garantizar que la correlación espacial de las secuencias de velocidad del viento se pueda aprender y utilizar de manera efectiva. El nuevo filtrado colaborativo en el grafo se refleja en el procesamiento de la secuencia de velocidad del viento. La velocidad del viento se preprocesa desde la perspectiva de la minería de patrones para integrar efectivamente varias informaciones, y se utiliza el árbol k-d para igualar la secuencia de velocidad del viento para lograr el propósito de filtrado colaborativo. Finalmente, se construye un modelo con memoria a largo plazo (LSTM) como cuerpo principal para la predicción de velocidad del viento. Tomando la velocidad del viento del parque eólico real como objeto de investigación, comparamos el nuevo enfoque con cuatro métodos típicos de predicción de velocidad del viento. El error cuadrático medio se reduce en un 16,40%, 11,78%, 9,57% y 18,36%, respectivamente, lo que demuestra la superioridad del nuevo método propuesto.