La explotación de la energía renovable es esencial para mitigar el cambio climático y reducir las emisiones de combustibles fósiles. La energía eólica, la tecnología más madura, depende en gran medida de la velocidad del viento, y la predicción precisa de esta última apoya sustancialmente la generación de energía eólica. En este trabajo, se desarrollaron y evaluaron diversas redes neuronales artificiales (ANN) por su capacidad de predicción de la velocidad del viento utilizando los datos de reanálisis histórico ERA5 para cuatro áreas de desarrollo organizado de parques eólicos marinos en Grecia, seleccionadas como adecuadas para instalaciones eólicas flotantes. El período de entrenamiento para todas las ANN fue del 80% de la longitud de la serie temporal y el 20% restante del conjunto de datos fue el período de prueba. De todas las ANN examinadas, el modelo híbrido que combina redes de memoria a largo y corto plazo (LSTM) y unidades recurrentes con compuerta (GRU) demostró un rendimiento de pronóstico superior en comparación con los modelos individuales, según lo evaluado por métricas estadísticas estándar, mientras que también mostró un rendimiento muy bueno a altas velocidades del viento, es decir, superiores a 15 m/s. El modelo híbrido logró los errores cuadráticos medios más bajos en todos los sitios: 0.52 m/s (Creta), 0.59 m/s (Gyaros), 0.49 m/s (Patras), 0.58 m/s (Piloto 1A) y 0.55 m/s (Piloto 1B), y un coeficiente de determinación promedio (R) del 97%. Su mayor precisión se atribuye a la integración de las fortalezas de los componentes LSTM y GRU, lo que le permite capturar mejor los patrones temporales en los datos de velocidad del viento. Estos hallazgos subrayan el potencial de las redes neuronales híbridas para mejorar la precisión y fiabilidad de la predicción de la velocidad del viento, contribuyendo a una integración más efectiva de la energía eólica en la red eléctrica y a una mejor planificación de la generación de energía de parques eólicos marinos.