La bonne modélisation d’événements météorologiques est un élément essentiel dans les décisions d’investissement et opérationnelles des systèmes électriques, en particulier dans le contexte d’une forte pénétration des énergies renouvelables. Les systèmes météorologiques sont caractérisés par des distributions non-normales, de l’auto-corrélation et des corrélations croisées, ainsi que des cycles suivant diverses échelles temporelles (journalière et saisonnière). Dans cet article, nous proposons un cadre méthodologique simple utilisant les concepts de météo-type ainsi que les chaînes de Markov cachées afin de calculer la probabilité de long-terme de n’importe quelle séquence d’événements météorologiques joints. Utilisant les méthodes du clustering afin d’identifier des météo-types dans les données, nous décomposons l’arbre des séquences de long-terme d’événements météorologiques en sous-arbres indépendants. Cette procédure accélère fortement les calculs et permet de mesurer la probabilité jointe d’ensemble de séquences météorologiques individuelles. Notre méthode propose une approche simple et efficace permettant d’élaborer différents scénarios météorologiques dynamiques pouvant être utilisés comme input des modèles d’optimisation utilisés pour dimensionner les systèmes électriques et d’étudier le comportement dynamiques des technologies de stockage. Nous illustrons notre méthode en utilisant des données météorologiques de la région Auvergne Rhône-Alpes sur la période 2010-2019 et discutons les résultats obtenus.[en]Modelling time-varying weather events is a pivotal element in investment and operational decisions for electricity production systems, especially concerning renewables. Weather systems are characterized by non-normal distributions, autocorrelation and cross-correlations, in addition to cycles following various time scales (seasonal and daily). In this work, we propose a simple framework using weather-type and Hidden Markov Model (HMM) literature that allows computing the long-term probability of any joint weather sequence. Using clustering methods to identify weather-state clusters in the data and deriving their stationary transition probabilities, we decompose long-term tree-shaped sequences of weather events into independent subtrees. This greatly fastens computations and allows calculating the joint probability of sets of individual weather variable sequences. Our method provides a simple yet valuable technique for elaborating weather sequence scenarios that can be used for calibrating weather-related stochastic optimization problems and studying the dynamic behaviour of storage units. We illustrate it taking the case of the French region Auvergne Rhône-Alpes and discuss the results obtained.[/en]