配电网重构技术是通过改变配电网的拓扑来实现降低网络损耗及改善供电电压质量等目标的一种重要技术手段。然而,配电网重构问题是一个高维的非线性组合优化问题,其快速求解面临较大挑战。目前的研究主要集中在建模复杂的数学优化方法,求解耗时的智能优化算法等模型驱动算法,难以实现重构问题的快速求解。为此,本文在模型驱动算法的基础上,研究重构问题的降维方法,结合分布式计算方法、数据驱动技术提出配电网重构问题的新解法,从而加快重构问题的求解速度。针对配电网重构问题的求解,本文提出了数据-模型混合驱动的求解框架,该框架包含基于度的网络约简模型、结合模型驱动方法的目标聚类方法、基于长短期记忆网络的训练过程及分层化恢复过程。基于度的网络约简模型可以减小配电网的规模,缩小重构问题的解空间并降低训练模型的维度,从而有效的应对重构问题较大的解空间导致数据驱动方法训练准确率低的难题。目标聚类方法以基于结构分解的模型驱动方法为基础,通过结构分解方法将规模较大的高维配电网解耦为多个小的低维子配电网,采用分布式计算求解低维子配电网的重构策略,再通过策略的合并快速获得高维配电网的重构策略,并对高维配电网的相同重构策略进行聚类,为训练模型提供数据基础。接着,借助长短期记忆网络实现数据库的构建,并学习节点负荷分布与最优重构策略之间的映射机制。然后通过分层化恢复过程实现模型驱动方法和数据驱动方法的耦合,建立层级数据库,逐步恢复到初始配电网并得到最优重构策略。最后,通过IEEE 33/119/123节点系统的算例分析,验证了本文所提方法的合理有效性。算例结果表明,本文提出的方法能够实现重构问题的降维,能够在较短的计算时间内获得最优重构策略,具有较高的训练准确率,并具有较好的可行性及普适性,对快速重构的工程应用具有重要的参考价值。