Massive and heterogeneous data sources are becoming incrementally available at power distribution networks, due to enhancements on traditional SCADA monitoring, including advanced metering infrastructures, and installing new sensors such as phasor measurement units. Data management then becomes a crucial process for operation and control of such power networks, for processing such diverse information, performing network assessment and optimizing decisions. Within such a perspective, distributions operators rely on state estimation applications, bridging the information from measured data with detailed physics-based models of power grids.
This thesis extends the concepts of distribution system state estimation under a Bayesian Inference perspective, exploring a probabilistic interpretation for the state variables and associated randomness instead of only seeking to calculate a fixed state vector. This work employs this conceptual framework under three distinct and novel applications in the context of electrical distribution networks: dealing with non-Gaussian noise models under a Correntropy Extended Kalman Filter in power system state estimation, both from measurement noise and state behaviour; the proposition of a Bayesian information fusion to merge data gathered from pseudo-measurements, smart meters, SCADA and phasor measurements in distribution networks; the exploration of scalability of the three-phase unbalanced state estimation under a multiarea procedure based on Bayesian spatial fusion.
Besides, a high-resolution and detailed model for distribution network is presented in the form of a generic component model based on a two-port admittance matrix formulation, improving the resolution of digital twin models for three-phase, unbalanced and asymmetrical distribution networks from the high voltage substations and primary feeders to low voltage secondary circuits. The proposed thesis also employs an orthogonal formulation and sparsity treatments to overcome numerical conditioning issues, a well-known challenge for classical state estimation formulations, while enhancing computational efficiency to ensure real-time performance.
The developed algorithms and frameworks are evaluated on the IEEE test feeders and by the application of the proposed methods on real Brazilian test systems (both at distribution and transmission levels). The results corroborate the crucial task of including temporal characteristics on the state estimation while dealing with more generic noise characteristics under a kernel density concept, while properly tunning the kernel's bandwidths under different system's transitions. The use of information fusion shows itself as an essential practical resource to deal with different sampling and updating rates of the diverse set of measurements employed in distribution networks, especially when abrupt transitions are present while improving computational performance. Besides, the multiarea decomposition methods, along with sparse orthogonal formulations, are prominent in ensuring scalability and numerical stability of the estimation as a whole, a crucial practical contribution for large-scale distribution networks assessment.

Massivas e heterogêneas fontes de dados estão se tornando cada vez mais disponíveis em redes de distribuição de energia, devido a aprimoramentos nos tradicionais sistemas de monitoramentos SCADA, incluindo infraestrutura de medição avançada, e instalando novos sensores como as unidades de medição fasorial. Gerenciamento de dados torna-se então um processo crucial para operação e controle das redes elétricas, para o processamento dessas diversas informações, realizar avaliação da rede elétrica e otimizando a tomada de decisões. Dentro desta perspectiva, os operadores dos sistemas de distribuição dependem de aplicações de estimação de estado, conectando a informação obtida de dados telemedidos com detalhados modelos físicos das redes elétricas.
A presente tese estende os conceitos de estimação de estado para sistemas de distribuição sob a perspectiva de Inferência Bayesiana, explorando uma interpretação probabilística para as variáveis de estado e incerteza associada ao invés de buscar o cálculo de um vetor de estado fixo e determinístico. Este trabalho emprega este arcabouço conceitual em três distintas e inovadoras aplicações no contexto de redes de distribuição de energia elétrica: tratamento de modelos de ruído não Gaussianos através de um Filtro de Kalman Estendido por Correntropia em estimação de estado para sistemas elétricos, tanto ruido de medida como comportamento estocástico do estado; a proposta de Fusão Bayesiana de Informações para mesclar dados provenientes de pseudo medidas, medidores inteligentes, SCADA e medidas fasoriais em sistemas de distribuição; a exploração de escalabilidade de estimação de estado trifásica e desbalanceada em procedimentos multiárea e baseados em fusão espacial Bayesiana.
Além disto, modelos detalhados e de alta resolução para redes de distribuição são apresentados na forma de um modelo genérico baseado na formulação da matriz de admitância de quadripólos, aumentando a resolução de modelos digital twin para redes elétricas trifásicas, desbalanceadas e assimétricas, desde as subestações de alta tensão e alimentadores primários até os circuitos de baixa tensão da rede secundária. A tese proposta também emprega uma formulação ortogonal e tratamentos de esparsidade para superar problemas de condicionamento numérico, um conhecido desafio para formulações clássicas de estimação de estado, ao mesmo tempo que aumentando eficiência computacional para aplicações em tempo real.
Os arcabouços e algoritmos desenvolvidos são avaliados em alimentadores de teste do IEEE e pela aplicação das metodologias em alimentadores reais brasileiros (tanto em sistemas de distribuição como de transmissão). Os resultados corroboram com a necessidade crucial de se incluir características temporais sob conceitos de estimação de kernel, em conjunto com ajustes adequados das bandas para representar transições sistêmicas. O uso de fusão de informações demonstra-se como prática essencial para lidar com as diferentes taxas de amostragem e atualização dos conjuntos de medidas em toda sua diversidade nos sistemas de distribuição, especialmente quando transições abruptas se fazem presentes e ao mesmo tempo aprimorando a performance computacional. Além disto, técnicas de decomposição multiárea, em conjunto com formulações ortogonais esparsas, São proeminentes em garantir escalabilidade e estabilidade numérica do processo de estimação como um todo, uma contribuição prática crucial para avaliação de redes de distribuição de larga escala.