Con la creciente incertidumbre introducida por la integración a gran escala de fuentes de energía renovable, los métodos tradicionales de despacho de energía enfrentan desafíos significativos, incluyendo fluctuaciones severas de frecuencia, desviaciones sustanciales en las previsiones y la dificultad de equilibrar la eficiencia económica con la estabilidad del sistema. Para abordar estos problemas, se propone un marco de despacho basado en aprendizaje profundo, que integra la extracción de características espaciotemporales con un mecanismo consciente de la estabilidad. Se construye un modelo de previsión conjunta utilizando Redes Neuronales Convolucionales (CNN) y Memoria a Largo y Corto Plazo (LSTM) para manejar entradas de múltiples fuentes, mientras que se desarrolla un programador consciente de la estabilidad basado en aprendizaje por refuerzo para gestionar las respuestas dinámicas del sistema. Además, se incorpora un mecanismo de modelado de incertidumbre que combina Dropout y redes bayesianas para mejorar la robustez del despacho. Los experimentos realizados en conjuntos de datos de redes eléctricas reales y generación renovable demuestran que el módulo de previsión propuesto logra aproximadamente una mejora del 2.1% en precisión en comparación con Autoformer y reduce el Error Absoluto Medio (MAE) y el Error Cuadrático Medio (RMSE) en un 18.1% y un 14.1%, respectivamente, en comparación con los modelos LSTM tradicionales. El Error Porcentual Absoluto Medio (MAPE) alcanzado del 5.82% supera a todos los modelos de referencia. En términos de rendimiento de programación, el método propuesto reduce el costo operativo total en un 5.8% en relación con Autoformer, disminuye la desviación de frecuencia de 0.158 Hz a 0.129 Hz, y aumenta el Tiempo Crítico de Despeje (CCT) a 2.74 s, mejorando significativamente la estabilidad dinámica del sistema. Los estudios de ablación revelan que eliminar el módulo de modelado de incertidumbre aumenta la desviación de frecuencia a 0.153 Hz y eleva los costos operativos en aproximadamente un 6.9%, confirmando el papel crítico de este módulo en el mantenimiento de la robustez. Además, bajo diversos perfiles de carga y perturbaciones meteorológicas, el método propuesto mantiene una precisión de previsión estable y salidas de políticas de programación, demostrando fuertes capacidades de generalización. En general, el enfoque propuesto logra un rendimiento bien equilibrado en términos de precisión de previsión, estabilidad del sistema y eficiencia económica en redes eléctricas con alta penetración de energía renovable, indicando un potencial sustancial para el despliegue práctico y la investigación futura.