O aumento da participação de fontes de energias renováveis variáveis (ERVs) na matriz elétrica do Brasil traz diversos desafios ao planejamento e à operação do Sistema Elétrico Brasileiro (SEB), devido à estocasticidade das ERVs. Tais desafios envolvem a modelagem e simulação dos processos intermitentes de geração e, dessa forma, um volume considerável de pesquisas tem sido direcionado ao tema. Nesse contexto, um tópico de crescente importância na literatura relaciona-se ao desenvolvimento de metodologias para simulação estocástica conjunta de recursos intermitentes com características complementares, como, por exemplo, as fontes eólica e solar. Visando contribuir com essa temática, este trabalho propõe melhorias a um modelo de simulação já estabelecido na literatura, avaliando sua aplicabilidade a partir de dados do Nordeste brasileiro. A metodologia proposta baseia-se em discretização das séries temporais de energia aplicando a técnica de machine learning k-means, construção de matrizes de transição de estados com base nos clusters identificados e simulação de Monte Carlo para obtenção dos cenários. As séries sintéticas obtidas são comparadas aos resultados gerados pelo modelo já estabelecido na literatura a partir de técnicas estatísticas. Quanto ao alcance dos objetivos da pesquisa, a modelagem proposta se mostrou mais eficiente, gerando cenários que reproduziram satisfatoriamente todas as características dos dados históricos avaliadas.