Considerando que la energía eólica es proporcional al cubo de la velocidad del viento, que es altamente aleatoria, han surgido tareas complejas de gestión de la red eléctrica. La predicción de la velocidad del viento a corto plazo es crucial para la planificación de la distribución de carga y las decisiones de incremento/decremento de carga. La intermitencia caótica de la velocidad a menudo se caracteriza por patrones lineales y no lineales inherentes, así como por un comportamiento no estacionario; por lo tanto, generalmente es difícil predecirla de manera precisa y eficiente utilizando un solo modelo lineal o no lineal. En este estudio, se combinan la transformada de wavelet (WT), el promedio móvil integrado autorregresivo (ARIMA), los árboles de refuerzo de gradiente extremo (XGBoost) y la regresión de vectores de soporte (SVR) para predecir velocidades de viento a corto plazo de alta resolución obtenidas de tres estaciones de la Red Radiométrica de Universidades del Sur de África (SAURAN): Richtersveld (RVD); Universidad Central de Tecnología (CUT); y Universidad de Pretoria (UPR). Este modelo híbrido se denomina WT-ARIMA-XGBoost-SVR. En el híbrido propuesto, se emplea el componente ARIMA para capturar la linealidad, mientras que XGBoost captura la no linealidad utilizando las subseries descompuestas por wavelet de los residuos como características de entrada. Finalmente, el modelo SVR reconcilia las predicciones lineales y no lineales. Evaluamos la eficacia del WT-ARIMA-XGBoost-SVR frente a ARIMA y dos otros modelos híbridos que sustituyen XGBoost por una máquina de refuerzo de gradiente ligero (LGB) para formar un modelo híbrido WT-ARIMA-LGB-SVR y una máquina de refuerzo de gradiente estocástico (SGB) para formar un modelo híbrido WT-ARIMA-SGB-SVR. Basado en el error absoluto medio (MAE), el error porcentual absoluto medio (MAPE), el error cuadrático medio (RMSE), el coeficiente de determinación () y el ancho promedio normalizado del intervalo de predicción (PINAW), el modelo híbrido propuesto proporcionó predicciones más precisas y confiables con menos incertidumbre para los tres conjuntos de datos. Este estudio es crítico para mejorar la fiabilidad de la predicción de la velocidad del viento para asegurar el desarrollo de estrategias efectivas de gestión de energía eólica.