Con el aumento de la complejidad e informatización de las redes eléctricas, se presentan nuevos desafíos, como el acceso a una gran cantidad de fuentes de energía distribuida y los ciberataques a los sistemas de control de redes eléctricas, al control de carga-frecuencia. Como métodos de control de carga-frecuencia, tanto las fuentes de energía distribuida agregadas (ADES) como las técnicas de inteligencia artificial proporcionan estrategias de solución flexibles para mitigar la desviación de frecuencia de las redes eléctricas. Este documento propone una estrategia de control de carga-frecuencia basada en ADES mediante aprendizaje por refuerzo bajo la consideración de reducir el impacto de los ataques de denegación de servicio (DoS). El aprendizaje por refuerzo se utiliza para evaluar los pros y los contras de la estrategia de control de frecuencia propuesta. Todo el proceso de evaluación se realiza mediante la aproximación de redes neuronales convexas. Las redes neuronales convexas se utilizan para convertir los problemas de optimización no lineal del aprendizaje por refuerzo para el rendimiento a largo plazo en los problemas de optimización convexa correspondientes. De esta manera, se evita el óptimo local, se acelera el proceso de optimización de la función de utilidad de la estrategia y se mejora la capacidad de respuesta de los controladores. Se estudia la estabilidad de las redes eléctricas y la convergencia de las redes neuronales convexas bajo la estrategia de control de frecuencia propuesta mediante la construcción de funciones de Lyapunov para obtener las condiciones suficientes para los estados estables de ADES y la convergencia de pesos de las redes actor-crítico. El artículo utiliza los sistemas de prueba de buses IEEE14, IEEE57 e IEEE118 para verificar la estrategia propuesta. Nuestros resultados experimentales confirman que la estrategia de control de frecuencia propuesta puede reducir efectivamente la desviación de frecuencia de las redes eléctricas bajo ataques DoS.