Las velocidades del viento de alta variante causan aberraciones en los sistemas de energía eólica y comprometen la operación efectiva de los parques eólicos. Un solo modelo no puede capturar la aleatoriedad y complejidad inherentes de la velocidad del viento. En la estrategia híbrida propuesta, se utiliza la transformada wavelet (WT) para la descomposición de datos, la entropía de muestra (SampEn) para la evaluación de la complejidad de subseries, la autoregresión de redes neuronales (NNAR) para la predicción determinista de subseries, la red neuronal de memoria a corto y largo plazo (LSTM) para la predicción de subseries complejas y la máquina de aumento de gradiente (GBM) para la reconciliación de predicciones. El enfoque propuesto WT-NNAR-LSTM-GBM predice datos de velocidad del viento promediados minuto a minuto recopilados en las estaciones de la Red Radiométrica de Universidades del Sur de África (SAURAN): Consejo de Investigación Científica e Industrial (CSIR), Richtersveld (RVD), Venda y la Universidad de Ciencia y Tecnología de Namibia (NUST). Para fines de comparación, en WT-NNAR-LSTM-GBM, LSTM y NNAR respectivamente se reemplazan por un vecino más cercano (KNN) para formar los híbridos correspondientes: WT-NNAR-KNN-GBM y WT-KNN-LSTM-GBM. Evaluamos la eficacia de WT-NNAR-LSTM-GBM contra NNAR, LSTM, WT-NNAR-KNN-GBM y WT-KNN-LSTM-GBM, así como el modelo ingenuo. El estudio comparativo encontró que el modelo WT-NNAR-LSTM-GBM fue el más preciso, agudo y robusto basado en el error absoluto medio, la desviación absoluta mediana y el análisis de residuos. Los resultados del estudio sugieren utilizar pronósticos a corto plazo para optimizar la producción de energía eólica, mejorar las operaciones de la red en tiempo real y abrir la puerta a mayores mejoras algorítmicas.