En los últimos años, el aprendizaje por refuerzo profundo (DRL) ha atraído una atención sustancial en el contexto de mejorar la resiliencia en los sistemas de energía y potencia. La resiliencia, caracterizada por la capacidad de resistir, absorber y recuperarse rápidamente de desastres naturales y perturbaciones inducidas por el ser humano, se ha vuelto primordial para garantizar la estabilidad y la fiabilidad de la infraestructura crítica. Esta revisión exhaustiva profundiza en los últimos avances y aplicaciones del DRL en la mejora de la resiliencia de los sistemas de energía y potencia, destacando contribuciones significativas y conocimientos clave. La exploración comienza con una breve elucidación de los principios fundamentales del DRL, resaltando la intrincada interacción entre el aprendizaje por refuerzo (RL), el aprendizaje profundo y la aparición del DRL. Además, categoriza y describe varios algoritmos de DRL, sentando una base sólida para comprender la aplicabilidad del DRL. El vínculo entre el DRL y la resiliencia del sistema de energía se establece a través de una clasificación sistemática de las aplicaciones de DRL en cinco dimensiones clave: respuesta dinámica, recuperación y restauración, gestión y control de energía, comunicaciones y ciberseguridad, y planificación de resiliencia y desarrollo de métricas. Esta categorización estructurada facilita una exploración metódica de cómo las metodologías de DRL pueden abordar de manera efectiva los desafíos críticos dentro del ámbito de la resiliencia de los sistemas de energía y potencia. La revisión examina meticulosamente los desafíos y limitaciones inherentes a la integración del DRL en la resiliencia de los sistemas de energía y potencia, arrojando luz sobre los desafíos prácticos y las posibles trampas. Además, ofrece perspectivas sobre avenidas prometedoras para la investigación futura, con el objetivo de inspirar soluciones innovadoras y un mayor progreso en este vital dominio.