Nas Ciências Econômicas, assim como na Engenharia e nas Ciências Naturais, ocorrem fenômenos que dependem da observação de dados em intervalos de tempo, durante um período específico. Estas observações de valores são denominadas de Séries Temporais. As técnicas disponíveis para analisar estas observações são denominadas de Análise de Séries Temporais. Este conjunto de técnicas tem por objetivo construir um modelo com número adequado de parâmetros estimados de forma a ajustar o modelo à série temporal. A obtenção de um modelo adequado é de extrema importância, pois pode revelar algumas características da série temporal que ajudam na previsão de seus valores futuro, sendo esta habilidade de grande relevância prática, especialmente na geração de energia eólica. Diversas técnicas para realizar a previsão de séries temporais são utilizadas, porém todas possuem um erro de previsão. O desafio é então minimizar o erro de previsão, construindo um modelo que melhor se ajuste aos dados. Dessa forma, o objetivo deste trabalho é criar modelos de predição da velocidade e direção dos ventos, considerando que haja dados históricos. Esses modelos serão criados utilizando primeiramente Rede Neural Artificial (RNA), e depois o modelo NARMA (Nonlinear Autoregressive Moving Average) é empregado juntamente com a RNA para comparação de resultados. A previsão é efetuada para um e seis passos à frente. O uso apenas de RNA resultou em resultados satisfatórios para todos os casos, com exceção da predição para seis passos à frente da velocidade. Entretanto, quando foi empregado o modelo híbrido (NARMA+RNA), todos os resultados melhoraram consideravelmente. As amostras de séries temporais de vento para previsão são oriundas de Parques Eólicos no Rio Grande do Norte, de propriedade da Empresa Brookfield Energia Renovável, sendo coletadas na base de 10 minutos.