Este artículo está dedicado a la determinación de la carga eléctrica diaria promedio y la carga eléctrica promedio durante las horas de máxima carga, teniendo en cuenta el coeficiente generalizado A, utilizando datos sobre el consumo de electricidad para edificios de apartamentos y viviendas individuales en Chelyabinsk y las ciudades de Dushanbe y Khorog en la República de Tayikistán. Los resultados de la modelización de la carga eléctrica diaria promedio, teniendo en cuenta el coeficiente generalizado A desarrollado, mostraron que los valores de potencia específica para apartamentos en edificios de apartamentos y en viviendas individuales en la ciudad de Chelyabinsk y las ciudades de Dushanbe y Khorog de la República de Tayikistán estaban sobreestimados, considerando la aplicabilidad en la República de Tayikistán de los mismos valores estándar de cargas eléctricas específicas (SEL) para apartamentos en edificios de apartamentos (AB) que en la Federación Rusa. Según los resultados de la modelización utilizando datos sobre el consumo mensual promedio de electricidad para 226 apartamentos en AB y para viviendas individuales en Chelyabinsk, y de acuerdo con el enfoque propuesto, la carga eléctrica diaria promedio en días durante el mes varió en el rango de 2-3.5 kW/m^2 y por debajo, mientras que para las ciudades de Dushanbe y Khorog de la República de Tayikistán varió en el rango de 2-5 kW/m^2 y por debajo, lo que no excedió el SEL dado por RB 256.1325800.2016. Sin embargo, debido a la falta de otras fuentes de energía (suministro de gas y suministro de agua caliente) en las condiciones de la República de Tayikistán, sobre la base del factor de tiempo de carga máxima obtenido y el coeficiente generalizado, los valores de capacidad real obtenidos superaron el máximo durante las horas pico en 1.2-2.5 veces el SEL dado por RB 256.1325800.2016. Para aumentar la durabilidad y la operatividad de los suministros de energía y mejorar la efectividad de las previsiones, los autores proponen un enfoque basado en la agrupación de condiciones meteorológicas, donde cada grupo tiene su propio modelo de regresión. La disminución del error absoluto medio debido a la agrupación fue de 0.52 MW (57%). El uso de condiciones meteorológicas permitió reducir el error de previsión en 0.22 MW (27%). La alta precisión en la previsión del consumo eléctrico conduce a una mayor calidad en la gestión del sistema eléctrico en general, incluyendo indicadores clave como la fiabilidad y la operatividad.