La creciente penetración de la energía eólica en la red eléctrica plantea varios desafíos para los operadores del sistema eléctrico, principalmente debido a la variabilidad y la imprevisibilidad. Se necesitan predicciones de viento altamente precisas para abordar esta preocupación. Por lo tanto, es esencial examinar el rendimiento de los enfoques de pronóstico híbridos que combinan técnicas de promedio móvil integrado autorregresivo (ARIMA), modelos de aprendizaje automático (SVR, RF), transformada de wavelet (WT) y filtro de Kalman (KF). Comparar los métodos híbridos propuestos con los algoritmos de última generación disponibles muestra que el enfoque propuesto proporciona resultados de predicción más precisos. El mejor modelo es un híbrido de KF-WT-ML con un puntaje R2 promedio de y un RMSE de, seguido por ARIMA-WT-ML con un R2 promedio de y un RMSE de en diferentes conjuntos de datos. Además, el modelo KF-WT-ML evaluado en diferentes terrenos, incluyendo regiones costeras y montañosas, revela que el híbrido basado en KF proporciona pronósticos precisos de velocidad del viento tanto para datos de viento en tierra como en alta mar.