Nos últimos anos, a operação do Sistema Interligado Nacional do Brasil foi bastante afetada pelo grande incremento de geração eólica. A crescente participação dessa modalidade intermitente de geração exige que a operação do sistema antecipe a tomada de decisões, de forma a agregar um maior controle de frequência, reserva e fluxos de intercâmbio, além de melhorar a segurança na operação do sistema interligado nesse novo contexto de fontes renováveis e intermitentes. Para permitir que esse controle seja feito de forma confiável, faz-se necessário o uso, por parte da operação, de modelos de previsão de curto prazo da geração eólica. Neste sentido, o objetivo deste trabalho é avaliar modelos de séries temporais de curto prazo para a previsão da potência de saída de centrais eólicas, empregando previsões numéricas do tempo como variáveis exógenas para horizontes de 3 e 6 horas à frente, escalas temporais onde é tomada a maior parte das decisões na operação em tempo real devidas a problemas decorrentes da variação da geração eólica. Para tanto, são utilizadas redes neurais tendo como entradas séries temporais observacionais de potência e estimativas da velocidade do vento oriundas de um modelo geral da circulação atmosférica (General Circulation Model, GCM). Para isto, são utilizados (em modelos de séries temporais de ajuste global) os dados observacionais de 15 centrais eólicas localizadas na região Nordeste do Brasil, monitoradas pelo Operador Nacional do Sistema Elétrico (ONS) e escolhidas em função das características do seu terreno. Realiza-se uma análise de sensibilidade do desempenho dos modelos utilizando informações como altitude, orografia e distância à costa de cada central. Também, verifica-se o comportamento dos modelos em função da arquitetura das redes neurais, do número e do intervalo entre variáveis regressoras de potência e do uso de diferentes pontos da malha do GCM. Conclui-se que o uso de 4 pontos de malha do GCM provoca uma melhora do desempenho dos modelos em centrais localizadas no interior, em orografia complexa e elevada altitude, com destaque para o horizonte de previsão de 6h (o que não ocorre com um modelo puramente estatístico). Também, observa-se uma melhora com o emprego de vetores de variáveis regressoras endógenas cuja distância temporal entre variáveis (time-lag) reproduz o comportamento cíclico diário do vento.In recent years, the Brazilian National Interconnected System operation has been greatly affected by the large increase in wind power generation. The increasing participation of this intermittent mode of generation requires the system operation to anticipate the decision making to aggregate a better control of frequency, reserve and exchange flows, besides improving the security of the interconnected system operation in this new context of renewable and intermittent sources. To allow this control to be done in a reliable way, it is necessary to use short-term forecast models of wind generation by the operation. In this sense, the objective of this work is to evaluate short-term time series models for predicting the output power of wind farms, using numerical weather predictions as exogenous variables for horizons of 3 and 6 hours ahead, temporal scales where it is taken most of the decisions in the real-time operation due to problems arising from the wind power variation. To do so, are used neural networks and as inputs, the observational time series of power and estimated wind velocity from a General Circulation Model (GCM). For this, are used (in time series models of global adjustment) the observational data of 15 wind farms located in the Northeast region of Brazil, monitored by the National Electric System Operator (ONS) and chosen according to the characteristics of their terrain. A sensitivity analysis of the performance of the models was performed using information such as altitude, orography, and distance to the coast of each wind farm. Also, the behavior of the models according to the neural network architecture, the number and interval between power regressors variables and the use of different points of the GCM grid are verified. It is concluded that the use of 4 grid points of the GCM causes an improvement of the performance of the models in wind farms located in the interior, in complex orography and high altitude, with highlight to the 6h forecast horizon (which does not occur with a purely statistical model). Also, it is observed improvement with the use of endogenous regressors variables vector, whose time-lag between variables reproduces the daily cyclical behavior of the wind.