2009 
 

Scaling up Uganda’s Electricity Access 
 

  MSc. Thesis Author:  
Donna Namujju (1385925) 
 
 
    Thesis submitted in partial fulfillment of the 

  requirements for the degree of Masters in 
Engineering & Policy Analysis 
 
Delft University of Technology 
 August 2009 

 
  
 
Title                         :                 Scaling Up Uganda’s Electricity Access 

Author(s)  :  Donna Namujju 

Date  :  August 2008 

Professor(s)  :  Prof.dr.ir. W.A.H. Thissen 

Supervisor(s)  :  Dr. E. Pruyt, Dr. L.J. de Vries, Gonenc Yucel  

Section  :  Faculty of Technology, Policy and Management 

    Section for Engineering & Policy Analysis 

    Delft University of Technology 

Copyright ©2009    Section for Engineering and Policy Analysis 

All rights reserved. 

No parts of this publication may be reproduced, stored in a retrieval system, or transmitted, in any form 
or  by  any  means,  electronic,  mechanical,  photocopying,  recording,  or  otherwise,  without  the  prior 
written  permission  of  the  author  or  the  section  for  engineering  and  policy  analysis

Page | i  
 
  
 

Abstract 

Access  to  power  is  tied  to  any  country’s  development.  It  provides  opportunities  for  increased  social 
welfare,  education,  health  and  income  generating  opportunities  all  of  which  Uganda  needs.  Uganda’s 
economic development is being stifled by power inaccessibility. Electricity access levels are as low as 9% 
nationally. The study was aimed at building a working theory on the internal setup and inner workings of 
Uganda’s  power  sector,  using  this  theory  to  facilitate  a  better  understanding  of  how  elements  of  the 
power system contribute to the problem and the formulation of effective policies that take into account 
prevailing local conditions to remedy the situation. System dynamics methodology was applied to build 
a model showing how Uganda’s power sector is expected to evolve over a period of 80 years in terms of 
power supply and demand given the existing market structure and prevailing local conditions. Findings 
from the study show that while physical access to power is a big problem, major problems regarding the 
nature  of  power  accessed  exist  for  those  consumers  within  the  grid  covered  area:  Insufficient  power 
supply  to  meet  an  existing  and  growing  power  demand,  an  unreliable  power  supply  and  high  power 
service  costs.  On  top  of  the  obvious  reasons  of  Uganda’s  lack  of  cheap  high  value  primary  energy 
resources, poor investment climate so few suppliers and limited negotiating power for the regulator, the 
study finds the biggest cause to be the nature of the existing capacity planning process in terms of how 
future capacity requirements are determined and the agreements made with generators as to how and 
when they fulfill their investment obligations. Policies to do with gradual targeted reduction of Uganda’s 
extremely  high  power  losses,  obligatory  upfront  capacity  investment  as  opposed  to  spreading  the 
investment over the period of the awarded concession, among others, are explored to determine their 
impact  on  system  performance.  The  investigated  policies  highlight  how  slight  changes  to  the  capacity 
planning  process  requiring  little  or  no  investment  could  yield  significant  gains  on  the  problems 
identified.  

Keywords: Energy policy, electricity access, power supply, power demand, System dynamics, continuous 
systems modeling, Uganda 

   

Page | ii  
 
  
 
Acknowledgements 

Sincere and heartfelt thanks to the following: 

My family – for loving me, looking up to me, always cheering me on. 

Nancy – for your unwavering faith; many times over the past two years it was all I had. 

My thesis supervisors: Dr. Erik Pruyt – for his idea that I do this project, always pushing me to go a step 
further,  explore  a  bit  deeper;  Gonenc  Yucel  –  he  listened,  advised  and  reviewed  all  the  draft  reports 
and  models  from  the  not  very  good  to  this  final  product;  Dr.  Laurens  de  Vries  –  for  his  invaluable 
knowledge on the working of electricity markets in developing countries; and Prof.dr.ir. Thissen ­ for 
his constructive review of the project from its inception to this final product.  

Kenneth, Ally, Modest – the loving brothers I got in Holland; despite coming from different countries 
you managed to create for me here a bit of home. 

Martin – for love, for support and for waiting 

Page | iii  
 
  
 

Table of Contents 

1.  Introduction .......................................................................................................................................... 1 
1.1  Background ................................................................................................................................... 1 
1.2  Significance of the Problem .......................................................................................................... 5 
1.3  Research Objectives ...................................................................................................................... 6 
1.4  Research Methodology ................................................................................................................. 7 
1.5  Structure of the Report ................................................................................................................. 8 
2.  The Situation in Uganda’s Power Sector ............................................................................................... 9 
2.1  Market Situation ........................................................................................................................... 9 
2.2  Power Sector Problem Summary ................................................................................................ 13 
3.  Model Description............................................................................................................................... 15 
3.1  System Dynamics – Background and Application ....................................................................... 15 
3.2  Qualitative Model Analysis ......................................................................................................... 16 
3.3  Quantitative Model Analysis ....................................................................................................... 21 
3.4  Model Validity ............................................................................................................................. 28 
4.  Model Behavior Analysis ..................................................................................................................... 31 
4.1  The Base Case ............................................................................................................................. 31 
4.2  Model Sensitivity ......................................................................................................................... 38 
4.3  Scenario Analysis ......................................................................................................................... 41 
5.  Policy Design and Analysis .................................................................................................................. 47 
5.1  Impact of Power Losses on System Performance ....................................................................... 47 
5.2  Impact of Upfront Capacity Investment versus Spread Investment ........................................... 50 
5.3  Impact of Grid Development Policy on Unmet Demand ............................................................ 51 
5.4  Combination of Policies 5.1 – 5.3 ................................................................................................ 53 
5.5  Impact of Upfront Investment Obligation .................................................................................. 54 
5.6  Combination of Policies 5.4 & 5.5 ............................................................................................... 55 
5.7  Insights on the Devised Model Based Policies ............................................................................ 56 
5.8  Policies beyond the Model .......................................................................................................... 57 
6.  Conclusions ......................................................................................................................................... 61 
6.1  Research Findings ....................................................................................................................... 61 

Page | i  
 
  
 
6.2  Reflection beyond the Model ..................................................................................................... 62 
6.3  Limitations of this study .............................................................................................................. 64 
6.4  Areas of Further Research .......................................................................................................... 64 
7.  References ............................................................................................................................................. i 
Appendix A.1: Model Structure .................................................................................................................... A 
Appendix A.2: The Structure as Constructed ................................................................................................. I 
Appendix B:  Sensitivity Analysis .................................................................................................................... J 
Appendix C:  GDP per Capita Versus Electricity Consumption per Capita .................................................... L 
Appendix  D: Model Structural Validation ................................................................................................... M 

Table of Figures 

Figure 1: Market structure before and after reforms ................................................................................... 2 
Figure 2: Uganda Electricity Sector Structure ............................................................................................... 3 
Figure 3: Power access exponential growth hypothesis ............................................................................... 5 
Figure 4: Uganda electricity generation mix 2003 ‐ 2007. Sourced from (Electricity Regulatory Authority, 
2008c, p. 7) .................................................................................................................................................. 10 
Figure 5: Demand distribution using population & schools as proxy. Sourced from (Kaijuka, 2007) ........ 12 
Figure 6: Per capita GDP growth versus population growth ...................................................................... 12 
Figure 7: Uganda electricity tariff growth trend. Sourced from (Uganda Investment Authority, 2005, p. 5)
 .................................................................................................................................................................... 13 
Figure 8: On‐grid power demand ‐ Driving relationships ........................................................................... 17 
Figure 9: Power demand ‐ reference mode ................................................................................................ 17 
Figure 10: Power supply – Driving relationships ......................................................................................... 19 
Figure 11: Total power supply ‐ reference modes ...................................................................................... 19 
Figure 12: Economic status of power sector ‐ Driving relationships .......................................................... 20 
Figure 13: Population growth scenarios for Uganda .................................................................................. 22 
Figure 14: Uganda GDP per capita projections ........................................................................................... 23 
Figure 15: GDP per capita vs Consumption per capita for comparable countries. .................................... 24 
Figure 16: Thermal fuel cost scenarios ....................................................................................................... 26 
Figure 17: Power demand ‐ Model vs actual & forecast results ................................................................. 30 
Figure 18: Evolution of generation capacity ‐ Base case ............................................................................ 31 
Figure 19: Expected demand growth vs actual demand growth ................................................................ 32 
Figure 20: Demand vs Supply ‐ Base Case ................................................................................................... 32 
Figure 21: Unmet demand ‐ Base case ....................................................................................................... 32 
Figure 22: Domestic Power Demand ‐ Base Case ....................................................................................... 33 
Figure 23: Consuming population ‐ Base Case ............................................................................................ 33 
Figure 24: On‐grid connected vs unconnected population ........................................................................ 33 

Page | ii  
 
  
 
Figure 25: Electricity price ‐ Base Case ....................................................................................................... 34 
Figure 26: Generation mix ‐ Base case ........................................................................................................ 34 
Figure 27: Thermal fuel costs ‐ Base Case vs oscillating costs .................................................................... 34 
Figure 28: Electricity price ‐ Base Case vs oscillating costs ......................................................................... 34 
Figure 30: Electricity price ‐ Base Case ....................................................................................................... 35 
Figure 31: On‐grid vs Overall electricity access ‐ Base case ........................................................................ 35 
Figure 32: Connections growth rate vs Unconnected population – Base case .......................................... 35 
Figure 29: Effect of power expenses on demand ....................................................................................... 35 
Figure 33: Sensitivity analysis results – Lower bound thermal generation efficiency of 50% .................... 39 
Figure 34: Sensitivity of electricity price to changes in generation efficiency ............................................ 40 
Figure 35: Domestic power demand ‐ Uncertainty bounds ........................................................................ 40 
Figure 36: Unmet power demand ‐ Uncertainty bounds ............................................................................ 41 
Figure 37: Nominal consumption per capita ‐ Base case vs High economic scenario ................................ 43 
Figure 38: Domestic power demand ‐ Base case vs High economic scenario ............................................ 43 
Figure 39: Effect of power expenses on demand – Base case vs High economic growth scenario ............ 43 
Figure 40: Ratio power expenses to income ‐ Base case vs High economic scenario ................................ 43 
Figure 41: Consumer electricity prices ‐ Base case vs High economic scenario ......................................... 44 
Figure 42: Unmet demand ‐ Base case vs High economic scenario ............................................................ 44 
Figure 43: Electricity price ‐ Low economic growth scenario ..................................................................... 44 
Figure 44: Domestic demand ‐ Base case vs Low economic scenario ........................................................ 44 
Figure 45: Unmet power demand – Base case vs Low economic growth scenario .................................... 45 
Figure 46: Unmet demand ‐ Unfulfilled contracted capacity and longer lead times scenario ................... 45 
Figure 47: Unmet power demand – Base case vs Low economic growth scenario .................................... 45 
Figure 48: Phased targeted power loss reduction ...................................................................................... 47 
Figure 49: Effect of loss reduction on unmet demand ............................................................................... 47 
Figure 50: Electricity price – Base case vs lower power losses ................................................................... 48 
Figure 51: Effect of loss reduction on power demand ................................................................................ 48 
Figure 52: Effect of power loss policy on the generation mix .................................................................... 48 
Figure 53: Effect of loss policy in base case scenario ................................................................................. 49 
Figure 54: Effect of loss policy in high economic development scenario ................................................... 49 
Figure 55: Effect of loss policy in low economic development scenario .................................................... 49 
Figure 56: Effect of loss policy in unfulfilled capacity and longer lead times scenario .............................. 49 
Figure 57: Effect of front end investment on unmet demand .................................................................... 50 
Figure 58: Effect of upfront capacity investment on electricity price ........................................................ 51 
Figure 59: Effect of upfront capacity investment on installed capacity ..................................................... 51 
Figure 60: Effect of upfront capacity investment on the generation mix .................................................. 51 
Figure 61: Unmet demand – Base case vs flexible connection rate ........................................................... 52 
Figure 62: Electricity access – Base case vs flexible connection rate ......................................................... 52 
Figure 63: Effect of grid connection policy on electricity price .................................................................. 53 
Figure 64: Effect of grid connection policy on consuming population ....................................................... 53 
Figure 65: Unmet demand – Base case vs combination of corrective policies ........................................... 53 

Page | iii  
 
  
 
Figure 66: Effect of policies combination on electricity price ..................................................................... 54 
Figure 67: Effect of policies combination on thermal capacity .................................................................. 54 
Figure 68: Unmet demand – Base case vs upfront investment (2003‐2083) ............................................. 54 
Figure 69: Unmet demand – Base case vs upfront investment (2010‐2083) ............................................. 54 
Figure 70: Effect of policy combination on generation mix ........................................................................ 55 
Figure 71: Effect of policy combination on electricity price ....................................................................... 55 
Figure 72: Effect of policy mix design on power system ............................................................................. 55 
Figure 73: Effect of policy combination on power service costs ................................................................ 56 
Figure 74: Model structure ‐ Consuming population .................................................................................... A 
Figure 75: Model structure ‐ Consumption per capita ................................................................................. B 
Figure 76: Model structure ‐ Forecast of power deficit ................................................................................ C 
Figure 77: Model structure ‐ Contracting for capacity ................................................................................. D 
Figure 78: Model structure ‐ Capacity life cycle ........................................................................................... E 
Figure 79: Model structure ‐ Generator pricing ............................................................................................ F 
 
 

Page | iv  
 
  
 

1. Introduction 

1.1 Background 
Uganda has a population of 31.4 million (Index Mundi, 2009), approximately 87% of it rural; moderate 
economic  growth  averaging  6%  per  annum  and  an  annual  increase  in  per  capita  income  of  3.7% 
(Ministry of Energy and Mineral Development, 2002, p. 9). Poverty remains widespread however, with 
about 35% of the population still living below the poverty line. The current energy demand is largely met 
by biomass (used mostly in its traditional form, largely as firewood and crop residues) which accounts 
for about 93% of the total primary energy supply. The rest is met by electricity at 6% and oil products at 
1% which are all imported (Renewable Energy and Energy Efficiency Partnership, 2009).  

Uganda  is  endowed  with  a  variety  of  renewable  energy  resources  including  plentiful  woody  and  non‐
woody  biomass,  solar,  wind,  geothermal  and  hydrological  resources.  Presently,  only  large  hydro 
resources along the Nile have been developed to provide electricity through a national grid utilizing less 
than  20%  of  the  available  hydro  electric  potential.  The  others  have  remained  largely  untapped 
contributing  less  than  2%  of  Uganda’s  total  energy  consumption.  Table  1  shows  Uganda’s  renewable 
energy resource potential  

Table 1: Renewable energy potential. Sourced from (Ministry of Energy and Mineral Development, 2007, p. 33) 

Energy Source  Estimated Electrical Potential (MW) 
Hydro  2000 
Mini­hydro  200 
Solar  200 
Biomass  1650 
Geothermal  450 
Peat  800 
Wind  ‐ 
Total  5300 
 

Total  installed  capacity  is  about  380  MW  from  large  hydropower  plants,  17MW  from  mini  &  micro 
hydropower plants and 15 MW from co‐generation (bio‐mass based).  

Uganda’s  electricity  sector  has  problems.  Although  40%  of  the  country's  population  lives  in  the  area 
covered by the grid, the electrification rate is quite low with a national grid access of 9% with about 3% 
in  rural  areas  (Ministry  of  Energy  and  Mineral  Development,  2007,  p.  12).  Only  about  1%  of  the 
population  provides  itself  with  electricity  using  diesel  and  petrol  gensets,  car  batteries  and  solar  PV 
systems; bringing total electricity access to around 10%. 

The  reason  for  these  low  electricity  access  figures  may  be  attributed  to  the  fact  that  prior  to  the  late 
1990s  Uganda’s  energy  sector  lacked  a  comprehensive,  integrated  policy  framework.  Rather,  it  was 
driven by annual ministerial policy statements accompanying the budget.  The power sector under the 
control of the government owned monopoly – Uganda Electricity Board (UEB) was riddled with severe 

Page | 1  
 
  
 
operational  and  management  problems;  problems  which  seemed  to  be  prevalent  throughout  East 
Africa. According to (Karekezi & Kimani, 2004, p. 12), same as all other power sector institutions in the 
region,  it  was  characterized  by  unreliability  of  power  supply,  low  capacity  utilization  and  availability 
factor, deficient maintenance, poor procurement of spare parts, and high transmission and distribution 
losses. It especially posted poor efficiency figures with high levels of system losses up to 40%. These and 
other  reasons  including:  attraction  of  private  capital,  very  low  coverage  and  access  to  the  grid,  UEB’s 
inability to service its debts and unfulfilled export potential made the case for sector reform.   

With the ultimate goal of country‐wide electricity access translating into the need for increased private 
investments  in  the  sector,  higher  efficiency  and  better  management,  the  government  of  Uganda 
developed  and  adopted  the  power  sector  restructuring  and  privatization  strategy.  The  main  corner 
points  of  the  strategy  were  the  privatization  of  the  existing  power  infrastructure  and  provision  of  an 
enabling environment for additional private sector investments. The restructuring was achieved via the 
Electricity  Act  of  1999  that  liberalized  the  electricity  sector  breaking  up  the  monopoly  of  UEB  and 
creating  a  regulatory  body  –  Electricity  Regulatory  Authority.  UEB  was  unbundled  into  three  limited 
liability companies, namely, the Uganda Electricity Generation Company (UEGCL), the Uganda Electricity 
Transmission  Company  (UETCL)  and  the  Uganda  Electricity  Distribution  Company  (UEDCL)  responsible 
for  generation,  transmission  and  distribution,  respectively.  The  generation  and  distribution  assets  of 
UEGCL  and  UEDCL  respectively  were  privatized.  Figure  1  shows  the  market  structure  before  and  after 
the  sector  reforms.  All  the  power  service  functions  previously  controlled  by  the  monopoly  were 
separated. Metering and sales functions remained with distribution. 

 
Figure 1: Market structure before and after reforms 

While  generation  and  distribution  businesses  were  leased  out  to  private  operators,  transmission 
remained a public function. The current structure of the market is that of a “single buyer model” with 
Uganda  Electricity  Transmission  Company  Limited  (also  doubling  as  System  Operator)  being  the  sole 
bulk buyer and seller of all the power generated in Uganda. The market for generation is characterized 
by  multiple  players  consisting  mainly  of  the  following  grid‐connected  entities:  Eskom  Uganda  Ltd, 
Aggreko Uganda Ltd, Kasese Cobalt Company Ltd and Kilembe Mines Ltd and imports from Tanzania and 
Rwanda. The markets for distribution are Umeme Uganda Ltd (domestic demand) and export markets 

Page | 2  
 
  
 
including  Kenya,  Rwanda  and  Tanzania.  Figure  2  shows  Uganda’s  electricity  sector  structure  after  the 
reforms. 

 
Figure 2: Uganda Electricity Sector Structure 

On  top  of  the  restructuring  the  government  of  Uganda  put  in  place  a  comprehensive  complementary 
policy  framework  aimed  specifically  at  increasing  the  levels  of  electricity  access  in  the  country  which 
included: 

The Rural Electrification Strategy and Plan, 2001 which spelt out mechanisms to reduce inequalities in 
access  to  electricity  and  set  targets  for  rural  electrification  i.e.  rural  electrification  of  10%  by  2012 
(Ministry of Energy and Mineral Development, 2001, p. n/a); 

The  Energy  Policy  for  Uganda,  2002  whose  main  goal  was  to  meet  the  energy  needs  of  Uganda’s 
population for social and economic development in an environmentally sustainable manner (Ministry of 
Energy and Mineral Development, 2002, p. 5); 

The  Renewable  Energy  Policy  for  Uganda,  2007  whose  overall  goal  is  to  increase  the  use  of  modern 
renewable  energy,  from  the  current  4%  to  61%  of  the  total  energy  consumption  by  the  year  2017 
(Ministry of Energy and Mineral Development, 2007, p. 1).  

To ensure success of these policies with a population that is 87% rural and 35% living below the poverty 
line (Ministry of Energy and Mineral Development, 2007, p. 9), they had to be integrated with a poverty 
eradication program: The Poverty Eradication Action Plan, 1998‐2000 whose main objective is to raise 
incomes of the poor through provision of infrastructure, credit, education, etc., to improve quality of life 
(Ministry of Energy and Mineral Development, 2004/5‐2007/8). 

Page | 3  
 
  
 
The  policy  portfolio  above  is  quite  comprehensive  and  covers  the  important  issues:  stimulation  of 
investment  in  the  sector,  formation  of  an  electricity  regulatory  authority,  targeted  policy  strategy  for 
rural  electrification,  diversification  of  energy  portfolio  with  renewable  energies  and  all  this  in 
conjunction  with  focused  poverty  eradication  programs.  The  problem  is  that  there  is  a  mismatch 
between  the  expected  and  the  actual  pace  of  growth  in  electricity  access.  Far  from  the  government’s 
goal  of  accelerated  growth  in  access  with  the  ultimate  goal  of  universal  coverage,  actual  growth  has 
been stagnant. In 2001 prior to the ‘Rural Electrification Strategy and Plan’ rural access was estimated at 
less than 2%; 7 years later it is estimated at only 3%.  National grid access in 2002 prior to the ‘Energy 
Policy for Uganda’ was estimated at about 5% (Ministry of Energy and Mineral Development, 2002, p. 
14); optimistic estimates now have it at just 9% (Ministry of Energy and Mineral Development, 2007, p. 
27). An argument could be made that this is to be expected given the many other problems still plaguing 
Uganda’s  electricity  sector  among  which  are  lack  of  sufficient  investor  capital,  huge  operational 
inefficiencies, poor and inadequate basic infrastructure, etc. But a look at other African countries with 
situations  comparable  to  Uganda  could  put  some  dents  in  this  argument.  Karekezi  &  Kimani  (2004) 
compare  Uganda’s  rural  electrification  targets  set  by  the  government  of  10%  rural  electrification  by 
2012  (Ministry  of  Energy  and  Mineral  Development,  2001,  p.  n/a)  with  the  pace  of  electrification  in 
comparable  African  countries.  Results  show  that  in  the  same  period  of  time  (or  even  shorter)  it  is 
possible to achieve much higher electrification levels. Table 2 shows successful electrification initiatives 
from the selected African countries. 

Table 2: Successful electrification initiatives in selected African countries. Sourced from (Karekezi & Kimani, 2004, p. 22) 

 
 

Uganda’s comparatively stagnant growth could be due to many reasons: 

• Insufficient  extent  of  the  transmission  network  coverage  so  that  this  constrains  and  makes  it 
impossible to set and achieve reasonable grid connection targets 
• Insufficient power supply/generation capacity so that even though grid connection rate may be 
high there is not enough power to meet all the connected demand 
• Both  the  grid  network  coverage  and  generation  capacity  supply  side  could  be  sufficient  and 
Uganda  is  simply  in  the  initial/startup  phase  of  an  exponential  access  growth  curve  so  that  a 
ramp up phase is expected later (See Figure 3) 
 

Page | 4  
 
  
 
 
 
 
 
 
 
Electricity
   
access 
 
  Exponential
  growth phase 

 
  Start‐up 
phase 
 
 
 
Time 
   
 

Figure 3: Power access exponential growth hypothesis 

Whatever the case, before the situation can be improved the factual reasons behind the problem must 
be identified. Given that although 40% of Uganda’s area is covered by the grid, only 9% within the grid 
covered  area  and  3%  nationally  are  accessing  power,  it  can  be  safe  to  say  that  the  extent  of  the  grid 
network is not the immediate pressing problem. This study has two important aims: (1) an investigation 
of  the  last  two  points  i.e.  possible  generation  side  capacity  constraints  and  the  possibility  that  power 
access  is  in  a  temporary  startup  phase,  the  key  question  being,  how  much  these  two  factors  actually 
contribute  to  Uganda’s  comparatively  stagnant  power  access  levels  (2)  identification  of  any  potential 
problems arising from the current policy framework and market design 

‘Access’ in this case is defined as a physical feed‐connection to a central or decentralized power grid as 
well  as  sufficient  electricity  supply  from  that  grid.  The  research  is  aimed  at  surfacing  and  facilitating 
understanding  of  the  fundamental  reasons  underlying  the  low  growth  in  Uganda’s  power  access  and 
subsequently the design and selection of effective policies to solve Uganda’s problem. 

1.2 Significance of the Problem 
Access  to  power  is  tied  to  any  country’s  development.  It  provides  opportunities  for  increased  social 
welfare,  education,  health  and  income  generating  opportunities  all  of  which  Uganda  needs.  Uganda’s 
small but significant economic development of 6% p.a. (Ministry of Energy and Mineral Development, 
2002, p. 9) is being stifled by power inaccessibility. An estimated 400 million U.S. dollars, 5 percent of 
Uganda's  gross  domestic  product  (GDP),  is  to  be  lost  in  2009  due  to  fuel  and  power  shortages  (View, 
2009).  The  fact  that  development  should  have  been  much  higher  than  this  is  also  supported  by  the 
relatively  high  power  load  growth  of  about  7%  p.a.  which  has  created  an  unprecedented  electricity 
supply  deficit  on  the  national  grid  a  maximum  of  about  165  MW  (Ministry  of  Energy  and  Mineral 

Page | 5  
 
  
 
Development, 2007, p. 27). The result of this is massive load shedding everyday as a way to ensure that 
all the different grid covered areas get electricity at least part of the day. This means grid access in itself 
is not sufficient to guarantee round‐the‐clock electricity services.  

The  lack  of  access  to  electricity  is  most  felt  by  Uganda’s  substantial  rural  population.  While  Uganda’s 
aggregate development figures look very promising; development in rural areas has lagged well behind 
that  of  urban  areas.  Poverty  remains  pervasive  and  extensive  and  much  of  Uganda's  rural  population 
remains isolated with limited access to basic modern goods and services among which is electricity; with 
the  most  common  barrier  to  rural  electrification  being  the  high  cost  of  grid  extension.  The  result  is  a 
vicious cycle whereby the potential for rapid and broad‐based economic growth is severely constrained 
by  the  lack  of  access  to  electricity  while  on  the  other  hand  the  consequent  poverty  levels  inhibit 
infrastructure  investment  potential.  Government  consensus  is  that  if  Uganda  is  to  continue  growing 
economically,  increasing  its  overall  net  productivity,  the  level  of  electricity  access  must  be  ramped  up 
(made to grow much more rapidly in contrast to the current slow pace/stagnant growth) to keep pace 
and even better begin to drive the development and key to this is obtaining a good understanding of 
the factors limiting the needed growth in power access. 

1.3 Research Objectives 
Uganda’s electricity sector is complex  ‐ it is tightly  coupled  to other sectors i.e. commercial, industrial 
etc. and governed by feedback between itself and these sectors. Take the case of how increased power 
access fuels development of the coupled sectors, which development in turn contributes to growing the 
power  sector  through  increased  demand  and  improved  ability  to  pay  for  power.  The  problem  of 
electricity access by extension is similarly quite complex. It involves many relevant and interconnected 
sub‐systems – highly technical functions (power generation, transmission, and distribution). Because of 
the  physical  nature  of  electricity,  the  entities  performing  these  functions  are  not  isolated  but 
interconnected meaning that at one time or the other they make simultaneous and dependent decisions 
which have widespread effects on all consumers. Consequently, a good understanding of the respective 
sub‐system interactions reduces the complexity and is critical to obtaining good solutions to the sector’s 
problems. 

The research was aimed at the following:  

1. Building  a  working  theory  on  the  internal  setup  and  inner  workings  of  the  market  and 
institutional aspects of Uganda’s power sector  
2. Using  the  working  theory  to  surface  the  influential  behavior  modes  generated  by  Uganda’s 
market structure (institutional set‐up) as they pertain to power generation and supply and how 
these ultimately affect electricity access 

The end goal was to facilitate a better understanding of how elements of the power system contribute 
to the problem and once this primary objective was met, then the secondary research objective was to 
devise effective policies that took into account prevailing local conditions to remedy the situation. 

Page | 6  
 
  
 
1.3.1 Research Questions 
The main research question was formulated as follows: 

"How is Uganda’s power sector expected to evolve in terms of growth rate of electricity access 
and supply given the existing market structure and prevailing local conditions in Uganda?" 

This question was broken up into the sub‐questions below: 

• How is Uganda’s on‐grid power access expected to evolve with the current market design and 
local conditions in Uganda? Is the expected generation capacity development as determined by 
the existing capacity planning process sufficient to meet Uganda’s power demand? 
 
If it is insufficient, 
• What reasons within the market or institutional structure account for any shortfalls?  
• What would therefore be needed to ensure that growth in generation capacity is sufficient to 
meet Uganda’s growing electricity demand? 
 

1.4 Research Methodology 
Objective 1: Clarify knowledge and understanding of the behavior modes and internal dynamics of 
Uganda’s power sector pertaining to power access levels. 

The complexity of the problem described in section 1.3 means that if we were to rely on human mental 
models to effectively study a problem of this magnitude, the only feasible way would be to break it up 
into  smaller  manageable  pieces  (sub‐systems),  studying  each  one  by  one.  However  such  an  approach 
fails to take into account the feedback effects between the different sub‐systems. For this, there is need 
for a holistic system approach which allows for the study not only of individual variable interactions but 
also  sub‐system  interactions.  System  dynamics  modeling  was  used  to  facilitate  the  modeling  and 
analysis of specific problem areas within the sector and identification of the underlying structural flaws 
responsible for the problem. The reasoning behind the choice of this methodology is discussed in more 
detail in section 3.1. 

Objective 2: Devise effective policies to remedy the situation  

This  was  done  using  a  combination  of  research  methods  including  desk  research  based  on  existing 
literature – reports from relevant ministries, research reports on similar problems, theoretical literature 
etc  to  compare  the  various  points  of  view  taken  by  the  authors  and  interpret  these  on  the  basis  of 
existing interest groups; as well as a literature survey using the  formed opinions of experts who have 
already  worked  on  this  issue  in  different  countries  on  possible  solutions  and  their  advantages  and 
disadvantages. Proposed alternative policies were tested on the simulation model to judge their effects 
on the set sector performance indicators. 

Page | 7  
 
  
 
1.5 Structure of the Report 
The rest of the report is organized as follows: 

Chapter 2 gives an overview of Uganda’s power sector in terms of the market structure, existing power 
demand supply dynamics and specific problems plaguing different parts of the sector as they pertain 
to electricity access 

Chapter  3  presents  the  system  dynamics  model  –  a  qualitative  and  quantitative  analysis  of  power 
demand versus supply aspects of Uganda’s power sector, the assumptions made in the development 
of the model as well as the model validity 

Chapter  4  gives  the  results  obtained  from  the  model  as  they  pertain  to  power  access,  highlights  the 
problems shown up by the results, and given these problems, explores the development of Uganda’s 
power sector under different possible futures  

Chapter 5 presents an analysis of the impact of Uganda’s existing power sector policies on power access 
as well as corrective policies to the problems identified in Chapter 4 

Chapter 6 gives the conclusions, the limitations of the study and areas of further research 

    

Page | 8  
 
  
 
2. The Situation in Uganda’s Power Sector  

In  this  section  an  indication  of  the  current  situation  in  Uganda’s  power  sector  is  presented. 
Understanding the current situation is useful input for a qualitative analysis of the sector’s problems. 

2.1 Market Situation 
Uganda’s  electricity  market  is  small.    The  majority  of  the  population  is  rural  based,  87%  (Ministry  of 
Energy  and  Mineral  Development,  2007,  p.  9)  and  poor.  Karekezi  and  Kimani  (2004)  present  an 
indicative  hypothesis  of  how  the  rural‐urban  split  in  Uganda  can  be  used  as  a  proxy  for  the  poor  and 
non‐poor  with  the  poor  being  defined  as  those  people  on  average  living  below  $2/day.  Going  by  this 
proxy the majority of the population cannot afford to pay for electricity. The principle of the consumer 
covering all the costs of a kWh is quite unrealistic in Uganda given expected rising oil prices as well as 
the  prices  of  imported  equipment.  Without  appropriate  government  support  to  finance  the  operating 
losses  incurred  by  private  investors,  there  is  limited  private  incentive  to  grow  the  market  in  terms  of 
investing in new capacity and new connections. Given that the government of a developing country like 
Uganda  has  a  limited  budget  and  many  pressing  and  competing  priorities;  the  option  of  government 
financing is limited.  

The financing situation in the electricity sector is a deterrent for private investment. Attraction of private 
capital into the generation and distribution functions has been limited. The lending capacity of the few 
available development banks is very highly constrained by their limited net‐worth. On the other hand, 
commercial  banks  prefer  lending  on  the  short  term  and  avoid  such  long  term  returns  on  investment 
projects as electricity projects. Adding to the inaccessibility of financing options for projects, the interest 
rates  in  Uganda’s  financial  sector  are  regarded  as  the  highest  in  the  world  in  real  terms  (Electricity 
Regulatory  Authority,  2008b,  p.  iii).  The  rates  are  very  high  owing  to  the  high  risk.  Especially  for  the 
electricity  sector  this  risk  is  driven  by  many  factors  including  market  volatility  (volatility  of  oil  prices), 
institutional  stability  and  rule  of  law  guaranteeing  that  agreements  will  be  honored  by  the  involved 
parties (uncertain), nature of power demand (fluctuating), level of inflation, etc. For these reasons the 
development and expansion of the sector is hampered by the inability to mobilize sufficient investment 
capital. The small percentage of people constituting viable demand as well as the limited viable options 
for financing in the electricity sector without government intervention means that it is nearly impossible 
to build a really competitive market for generation or retail in the short term. The only realistic form of 
competition is ‘competition for the market’.  

2.1.1 Power Supply 
Total  installed  capacity  in  Uganda  is  about  380  MW  from  the  large  hydropower  plants  Nalubaale  and 
Kiira,  17MW  from  mini  &  micro  hydropower  plants  including  Kilembe  Mines  Ltd.,  Kasese  Cobalt 
Company Ltd and others, and 15 MW from co‐generation from Kakira Sugar Works (Bundesanstalt fur 
Geowissenschaften und Rohstoffe, 2009). The nature of the generation mix mainly includes hydro and 
thermal,  with  thermal  coming  to  greater  prominence  as  hydro  resources  continue  to  diminish  with 
longer droughts. Figure 4 shows Uganda’s generation mix from 2003 ‐2007 

Page | 9  
 
  
 

 
Figure 4: Uganda electricity generation mix 2003 ‐ 2007. Sourced from (Electricity Regulatory Authority, 2008c, p. 7) 

The fall in production associated with the fall in Lake Victoria elevation levels; coupled with a relatively 
high  load  growth  of  about  7‐8%  p.a.  (Bundesanstalt  fur  Geowissenschaften  und  Rohstoffe,  2009)  has 
created an unprecedented electricity supply deficit on the national grid a maximum of about 165 MW 
(Ministry  of  Energy  and  Mineral  Development,  2007,  p.  27).  This  is  the  equivalent  of  50%  of  unmet 
power  demand  going  by  an  average  daily  power  demand  of  315MW  (Uganda  Investment  Authority, 
2005, p. 3). The result is massive load shedding everyday as a way to ensure that all the different parts 
of the country get electricity at least part of the day. In a bid to address the power shortage in the short 
term,  the  Government  of  Uganda  boosted  the  energy  generation  by  installing  at  least  100  MW  of 
additional  thermal  power  plants  (Uganda  Investment  Authority,  2005,  p.  3)  while  it  awaits  the 
construction and commissioning of additional hydropower capacity. The thermal capacity is running on 
expensive heavy fuel diesel generators. 

While  demand  for  electricity  exceeds  supply,  the  efficiency  with  which  new  generation  capacity 
develops from planning to commission is constrained by long lead times. The lead times in Uganda are 
significant; many times they tend to be indefinite with about 1 in 3 projects eventually getting cancelled 
owing to the high levels of risk that come with investing in Uganda including financing risk, currency risk 
(owing  to  high  levels  of  inflation),  political  risk  (owing  to  government  interference  in  the  process  of 
setting tariffs), hydrology risk (owing to uncertainty concerning water levels), etc. The process by which 
existing  generators  can  expand  their  existing  capacity  is  also  worth  noting.  The  single  buyer’s  Power 
Purchase  Agreement  with  generators  guarantees  payment  for  pre‐defined  capacity.  As  a  result,  new 
capacity can only be contracted through the single buyer. The implication is that any capacity planning 
bottlenecks and inadequacies on the part of the single buyer are effectively propagated throughout the 
sector and affect the capacity planning processes of the generators. 

Of major concern with Uganda’s power supply are the high levels of losses within the transmission and 
distribution  networks.    While  transmission  losses  which  are  effectively  ‘technical’  in  nature  are  high  – 
they stood at 4.8% in 2005, rising to 5.5% in 2006 and 2007 (Electricity Regulatory Authority, 2008c, p. 
7), it is the distribution losses mostly ‘commercial’ in nature that pose the biggest problem. The biggest 
commercial  losses  are  "theft  losses"  including  end  user  illegal  connections,  meter  by‐passing  and 

Page | 10  
 
  
 
collusion.  These  fell  from  43%  in  2005  to  a  still  high  37%  in  2006,  averaging  about  35%  in  2007 
(Electricity  Regulatory  Authority,  2007,  p.  8).  They  lose  the  private  provider  sizeable  revenue  and 
increase the financing risk perceived by would be investors. 

The distribution of Uganda’s power demand and its effect on the extent and nature of the transmission 
network  is  important.  Kaijuka  (2005)  analyzes  the  geographic  distribution  of  Uganda’s  electricity 
demand  using  Geographic  Information  Systems  (GIS).  She  uses  the  population  distribution,  health 
centers, schools and village trading centers as proxies for demand. Figure 5 shows an indicative demand 
distribution using population and schools as a proxy. Note how the demand pattern is mostly centered 
along the electricity transmission grid.  

Page | 11  
 
  
 
Figure 5: Demand distribution using population & schools as proxy. Sourced from (Kaijuka, 2007) 

The map shows concentrated pockets of electricity demand; but the pockets are widely dispersed. In her 
analysis,  Kaijuka  determines  that  village  trading  centers  (proxies  for  electricity  demand  in  rural  areas) 
are  usually  found  along  the  main  roads  and  are  often  distributed  sparsely  and  randomly,  many  miles 
apart from village to village. The natural terrain is also sometimes mountainous and less penetrable. To 
meet such dispersed demand is very costly and has made grid supplies rather impractical. This accounts 
for the small growth rate in electricity grid access currently at only 40%. 

2.1.2 Power Demand 
Uganda’s electricity demand is growing at a very fast rate of 7% p.a. (African Development Bank Group, 
2008).  The  growth  in  demand  is  majorly  driven  by  the  country’s  immense  population  growth  rate 
averaging  3.4% p.a. (World Bank, 2006). What would have been an explosion of power demand growth 
is seriously limited by the fact that the population growth has broadly kept ahead of the growth of GDP 
per capita (see Figure 6). So while, there are more potential consumers from the population growth, it is 
ill‐matched with their ability to afford the service. 

 
Figure 6: Per capita GDP growth versus population growth 

The affordability of power is further limited by the high electricity prices. See Figure 7 below for the 
growth trend in tariff rates in dollars.  

Page | 12  
 
  
 

Tariff Rates (2002 ‐ 2006)
0.20

0.15
Tariff rates ($)
Domestic
0.10 Commercial
Medium Industrial
0.05
Large Industrial

0.00
2002 2003 2004 2005 2006
 
Figure 7: Uganda electricity tariff growth trend. Sourced from (Uganda Investment Authority, 2005, p. 5) 

Prices  are  negotiated  and  set  on  a  ‘cost  plus’  basis  so  that  high  costs  of  service  delivery  imply  high 
electricity  tariffs.  From  Figure  7  average  electricity  price  for  2006  was  at  $0.16/kWh.  Even  with 
government  subsidies  as  high  as  30%,  for  a  country  whose  GNI  per  capita  is  only  $340,  this  makes 
electricity too expensive for the majority of the population. The situation can only get worse. Without 
hydro capacity whose maximum electrical potential is 2000MW, Uganda lacks cheap high value output 
primary  energy  resources  e.g.  coal,  gas,  etc.  The  alternative  resources  it  possesses  –  solar  (200MW), 
geothermal (450MW), biomass (1650MW) combined have a low output (see table 1) and by their nature 
can only produce intermittently. This combined with their high capital costs is the reason they are likely 
to remain insufficiently exploited to the level where they can make a significant contribution. This leaves 
Uganda relying on expensive fuel thermal generation to back up hydro power; currently it is with diesel 
run  thermal  generators.  The  generation  costs  with  this  option  are  quite  high  and  a  cost‐plus  based 
system means electricity prices will grow with the fuel prices. Figure 7 shows tariff growth rates of about 
50% between 2005 and 2006. The growth in electricity tariffs is outpacing the growth in average income 
per capita averaging 12% p.a (World Bank, 2006) which implies a highly volatile level of power demand – 
as electricity prices grow, more consumers will not be able to afford it anymore.  

2.2 Power Sector Problem Summary 
The  challenges  to  accelerating  growth  in  electricity  access  as  discussed  in  section  2.1  are  great.  The 
market  is  small  and  financing  conditions  are  not  attractive  to  private  investment;  the  country  is  not 
endowed  with  sufficient  high  value  cheap  primary  energy  resources  e.g.  coal  and  gas  making  future 
large scale power generation prospects very costly; electricity prices are too high for the majority of the 
population  to  afford;  highly  dispersed  power  demand  making  centralized  grid  access  impractical  and 
costly.  While  little  can  be  done  about  these  without  significant  government  financial  resources,  there 
are some problems which may lend themselves to cheaper solutions. It is these that are a focus of this 
study. 

Page | 13  
 
  
 
The  most  significant  of  said  problems  is  the  fact  that  existing  power  supply  capacity  is  insufficient  to 
meet existing viable demand. Viable demand defined as that for which power providers are certain to 
recover their investment. The open question is why isn’t this demand being met? The study is aimed at 
answering this and other existing information gaps related to questions of – just how insufficient is the 
power  supply?  Is  the  problem  temporary  or  permanent?  Which  aspects  of  the  power  sector  are 
responsible for this behavior?  

Chapter 3 gives both a qualitative and a quantitative analysis of the demand versus supply dynamics of 
the power sector. 

   

Page | 14  
 
  
 
3. Model Description 

3.1 System Dynamics – Background and Application 
Section 1.3 gives an indication of the complexity of Uganda’s power sector. To be able to understand the 
nature of problems we are solving en‐route to solving them, we need a method that can highlight what 
kind of behavior patterns the power system generates over time; under what conditions is it stable or 
unstable, oscillating, growing, etc. Feedback in the system calls for a method that facilitates the study of 
specific aspects of the sector but from a view of the system as a whole as opposed to piece by piece (1 
subsystem  at  a  time)  thereby  taking  into  account  the  impact  of  feedback.  The  multiplicity  of 
relationships and interactions as well as their non‐linearity calls for a computer model which can carry 
out  the  complex  and  simultaneous  calculations  needed  to  generate  and  therefore  facilitate 
understanding of different power sector behaviors. 

System dynamics methodology which originates from the work of J.W. Forrester at M.I.T combines ideas 
from  control  engineering  (concepts  of  feedback  and  system  self  regulation),  cybernetics  (nature  of 
information  and  its  role  in  control  systems),  organisational  theory  (organisational  structure  and 
mechanisms  of  decision  making)  and  information  technology  (computer  simulation)  to  simulate 
complex, non‐linear, multi‐loop feedback systems. Sterman (2000, p. 22) defines system complexity not 
simply as a  matter of details, but rather resulting  from the fact that said systems are dynamic, tightly 
coupled,  governed  by  feedback,  nonlinear,  history  dependent,  policy  resistant  and  characterized  by 
trade‐offs. With system dynamics we are able to tell what kind of behavior patterns the power system 
generates over time and as discussed in section 1.4, it demands the use computer simulation modeling 
to numerically solve this complex power system by mimicking its fundamental structure in terms of the 
actual (but simplified) forces that are believed to make the system work.  

System dynamics is used to address the main research question: 

• How is Uganda’s power sector expected to evolve in terms of growth rate of electricity access 
and supply given the existing market structure and prevailing local conditions in Uganda?  
A  simulation  model  of  Uganda’s  current  power  supply  situation  is  used  to  arrive  at  an 
understanding  of  how  power  generation  capacity  will  evolve  within  this  market  model  and 
institutional set up vis‐à‐vis the growth in electricity demand. The model provides for a way to 
analyze and test out possible futures for the power system under different systems of rules and 
external conditions/scenarios.  
 
The insights obtained from above are expected to form the foundation and inform the discussion for the 
sub questions: 
 
• What reasons within the market or institutional structure account for any shortfalls?  
• What would therefore be needed to ensure that growth in generation capacity is sufficient to 
meet Uganda’s growing electricity demand 
 

Page | 15  
 
  
 
It  is  important  to  note  that  Uganda’s  power  sector  reforms  are  recent  changes  with  the  first  private 
concessions in generation and distribution awarded in 2003 and 2004 respectively. This implies that the 
sector data available on performance in this new setup is too few and appears too singular in nature to 
allow for credible time series data trends much less substantive conclusions from historical data. For this 
reason, the proposed model and study is designed for general understanding, not for capacity or power 
demand  forecasting.  More  specifically,  it  is  being  applied  in  the  exploration  of  possible  futures  for 
Uganda’s  power  sector  given  the  newly  implemented  market  design  –  Single  buyer  model  as  well  as 
existing market conditions and investor behavior. 

3.2 Qualitative Model Analysis  
Within  this  section  is  a  definition  of  the  system  model  boundaries  and  identification  of  the  most 
important variables in the problem structure that is Uganda’s electricity sector. A conceptual dynamic 
hypothesis  of  expected  system  behavior  is  presented  with  the  mechanisms  and  feedback  loops 1  
believed to be generating the behavior. The dynamic hypothesis is a statement of system structure that 
appears to have the  potential to  generate the problem  behavior (Richardson and Pugh 1981c, p55); a 
working  theory  on  how  the  model  generates  its  behavior.  Because  the  purpose  of  the  model  is  to 
facilitate understanding of specific problems within Uganda’s electricity sector, the dynamic hypothesis 
is  a  necessary  theory  on  the  probable  causes  of  the  problems  and  serves  as  a  general  guide  in  the 
modeling process.  

The key points of interest in the sector that best summarize and influence the general behavior of the 
power  system  are:  power  demand,  power  supply  and  overall  power  sector  profitability.  The 
determinants  or  drivers  of  their  expected  behavior  (reference  modes)  are  qualitatively  analyzed  and 
explained.  

3.2.1    On­Grid Power demand 
Uganda’s  on‐grid  power  demand  is  driven  primarily  by  two  factors:  the  economic  welfare  of  the 
population  and  the  rate  of  physical  connections  to  the  power  supply  system.  In  this  study,  GDP  per 
capita is used as a proxy for measuring the purchasing power of the population; the higher it gets, the 
higher  the  ability  of  the  population  to  pay  for  power  services.  The  limited  physical  extent  of  the  grid 
(only  40%  of  the  country  covered)  is  the  major  factor  in  determining  the  number  of  possible  grid 
connections. Figure 8 shows the key relationships driving the evolution of on‐grid power demand 

                                                            
1
 A ’+’ sign at the arrowhead indicates that if the influencing variable increases (decreases), all things being equal, 
the influenced variable increases (decreases) too above (under) what would have been the case otherwise. A ’‐’ 
sign  at  the  arrowhead  indicates  that  if  the  influencing  variable  increases  (decreases),  all  things  being  equal,  the 
influenced  variable  decreases  (increases)  under  (above)  what  would  have  been  the  case  otherwise  (Daalen, 
Thissen, Pruyt, & Phaff, 2007, p. 45). A feedback loop occurs when, say, a change in variable A directly causes a 
change  in  variable  B  which  directly  causes  a  change  in  variable  C  which  in  turn  directly  causes  a  change  of  the 
initial variable A. In essence, variable A feeds back after some time to itself, which makes that its current behaviour 
is (partly) shaped by its past behaviour. 

Page | 16  
 
  
 
Domestic  power  demand  grows  due  to 
Power Demand Sub-model
growth  in  two  variables:  consuming 
Consumer - Govt subsidy
population  and  power  consumption  per 
electricity price capita.  In  Figure  8,  GDP  per  capita 
+
+ influences power consumption per  capita 
Income share
spent on power both  directly  and  indirectly.  Directly  –  in 
Total system
that the purchasing power determines the 
+ - costs
Income - <GDP per approximate  amount  of  power  one  can 
Expense capita>
Loop (-)
afford  –  the  nominal  consumption  per 
- capita.  Purchasing  power  however  keeps 
Actual power + changing  relative  to  how  costly  power 
consumption per + Nominal power
capita
actually is so that the more expensive, the 
consumption per
capita more  share  of  income  gets  spent  on 
rate of new
connections power  (this  is  the  indirect  influence). 
+
Domestic power + Uganda  is  a  developing  country  with  low 
demand
+
Consuming + per  capita  income  levels.  Electricity  is 
population Population
growth rate more of a luxury than a basic good and as 
such  the  dynamics  of  increasing  power 
Figure 8: On‐grid power demand ‐ Driving relationships
prices  versus  those  of  per  capita  income 
are very significant. When prices increase 
faster  relative  to  income,  power  becomes  too  expensive;  people  start  rationing  it  reducing  their 
individual  demand  and  slowing  growth  of  overall  power  demand.  This  effect  is  especially  likely  to  be 
strong  in  Uganda  whose  increasing  reliance  on  expensive  thermal  generation  implies  that  the  growth 
rate of electricity prices will likely rival the growth rate of income per capita. The driving feedback loop 
in this case ‘Income – Expense Loop (‐)’ has a delayed effect on power consumption because people will 
mostly adjust their demand after getting a hefty bill and not before.  

Case C (Peak at 100%) Figure  9  shows  different  ways  power 

Power 
demand may grow over time based on 
Demand 
Case A (Peak at 100%) the main interactions given in Figure 8. 
Case  A  and  C  would  be  the  ideal  with 
power  demand  growing  and  naturally 
peaking  at  100%  of  its  full  potential 
Case B (Peak at <100%)
value – level equivalent to the desired 
universal  coverage.  Undesirable  is 
Case  B  where  growth  in  demand 
stabilizes at levels below its maximum 
Time
potential  maybe  due  to  too  high 
power prices. 
Figure 9: Power demand ‐ reference mode

Page | 17  
 
  
 
 

Exponential  growth  in  all  the  cases  is  fueled  by  the  combined  growth  trends  in  the  consuming 
population and power consumption per capita. The stabilization in the trends for cases A and C at 100% 
would  be  due  to  the  natural  peaking  in  Uganda’s  population  growth  and/or  growth  in  power 
consumption per capita.  The stabilization in the trend for case B at less than 100% would be due to the 
‘Income – Expense Loop (‐)’ gaining strength and becoming dominant – in essence too high electricity 
prices make power too expensive reducing overall power demand to anywhere between the minimum 
(i.e. per capita demand equal to the  minimum power consumption per  capita) and  the  maximum (i.e. 
per capita demand equal to the nominal power consumption per capita) level. The oscillations in case A 
would arise due to varying strengths of the ‘Income – Expense Loop (‐)’ over time – the loop strength 
dependent on the relative dynamics between electricity price and GDP per capita. An increase in price 
relative  to  GDP  per  capita  would  reduce  the  amount  of  per  capita  power  demanded  and  the  reverse 
would cause the opposite effect increasing per capita power demanded.  

3.2.2  On­Grid Power Supply 
The  power  supply  and  the  choices  that  go  into  it  are  ideally  driven  by  three  factors;  the  amount  of 
power  demand,  supply  capacity  investment  constraints  and  the  generation  capacity  planning  process. 
While supply should ideally meet demand, the nature of demand in Uganda in terms of its limited ability 
to pay itself back enough to ensure optimal return on investment is an important factor contributing to 
the supply capacity investment constraints.  

Figure  10  shows  the  important  variables  and  relationships  influencing  power  supply  in  Uganda.  The 
projected  power  supply  deficit  in  20  years  determines  how  much  additional  capacity  the  power 
regulator needs to contract for from the generators within their 20 year concession agreements. Via the 
‘Deficit  –  Investment  Loop  (‐)’,  the  deficit  drives  the  amount  of  contracted,  planned  and  installed 
capacity  but  with  two  important  caveats  –  the  guaranteed  Return  on  Investment  which  the  regulator 
offers the investors and the maximum generation potential for the respective generation technologies. 
Because of Uganda’s unreliable power demand in terms of its price elasticity, the guaranteed return on 
capacity  investments  is  an  important  variable  which  determines  how  much  market  risk  investors  are 
exposed to and therefore how much they are willing to invest to reduce the power supply deficit. The 
maximum  generation  potential  for  the  different  technologies  determines  how  much  more  capacity  of 
each technology‐type can be contracted. 

Note  that  the  direct  link  between  domestic  power  demand  and  domestic  power  supply  is  an 
instantaneous  link  owing  to  the  nature  of  electricity  whereby  power  supply  can  never  exceed  power 
demand – the power generated can only be less or equal to the total power demanded 

Page | 18  
 
  
 
Power Generation Sub-model

Max generation
Generator ROI potential

Required cap
investment ++
+ +
Contrac ted cap
<Projected investment
power deficit>
+
+ Deficit -
Planned capacity
Investment
Loop (-)
Power supply +
deficit +
<Domestic Installed
- Power demand> capacity
Power export -
rate + +
+
+ Total on-grid
power generated Retired capacity
- Domestic
power supply

- + +
Loss rate  
Figure 10: Power supply – Driving relationships 

While investment constraints may make the expected behavior of the power supply variable over time 
hard to predict, the structure of the capacity planning process as well as the nature of Uganda’s power 
demand on which it depends can give an approximate indication. As discussed in section 2.1.1, Uganda’s 
power supply has seemed to lag power demand indicating that one possible trend in the power supply 
could  be  similar  to  that  of  demand  (see  Figure  9)  but  simply  displaced  in  time.  Other  possible  trends 
drawn  from  the  capacity  planning  process  could  conform  to  any  of  the  following  system  archetypes 
(Figure 11): 

• ‘Limits to growth’ archetype whereby power 
Power 
supply  grows  quickly  due  to  availability  of  Supply 
cheap  hydro  resources  until  over‐ Case B
exploitation – over drafting of water sources 
causes  environmental  degradation  so  that 
capacity levels are permanently and severely 
reduced  (Case  A).  In  the  presence  of  Case A 

sufficient capital investment, this case would 
be  offset  by  the  application  of  more 
expensive generation resources.  Time
 
• ‘Balancing  process  with  delay’  archetype 
Figure 11: Total power supply ‐ reference modes
whereby  power  sector  players  over  react  to 

Page | 19  
 
  
 
the size of the power deficit and invest in additional capacity all at once creating over capacity 
followed by underinvestment in the next cycle creating shortage (Case B) 
 

3.2.3 Economy of the Power Sector 
There  are  three  important  factors  determining  the  economic  status  of  the  power  sector:  the  costs  of 
power supply, the guaranteed return on investment for investors and the consumer electricity price. The 
electricity price is ideally set depending on the total costs of the power service and the available power 
demand utilizing the service. This means service costs are fully reflected in the electricity  price. When 
service costs increase, electricity price increases. The price elasticity of Uganda’s power demand dictates 
that the resulting fall in demand should push the prices even higher. Subsidies offset the cost of power 
service to consumers and contribute to stabilizing demand. By varying the level of the subsidy, a form of 
price cap is formed which should serve to dampen any significant oscillations in power demand due to 
changes  in  electricity  price.  Figure  12  shows  the  important  variables  and  relationships  influencing  the 
economic aspect of the power sector. 

Economic Sub-model

Capacity Investm ent & Pricing Logic

<Risk free rate>

<Market risk +
+
premium> Projected
Guaranteed ROI power deficit

+
<Contracted +
cap
+ investment
Generator
capacity price
+
+
Average
generator costs

+
Consum er Tariff setting Logic
Generator cost
payments
+
+ <Domestic
Tot power power supply>
Tot installed cap service costs
+ + -
+
+ Consumer tariff <Govt subsidy>
<Transmission
costs> <Distribution + -
costs>
Subsidised
consumer tariff

 
Figure 12: Economic status of power sector ‐ Driving relationships 

Page | 20  
 
  
 
3.3 Quantitative Model Analysis 

3.3.1 Model Assumptions  
This section  gives a description of  the  market structure as  modeled and the  assumptions  made in the 
development and translation of the conceptual model into a quantitative model. It further highlights for 
the  scenario  variables  the  assumed  prospective  time  series  trends  whose  effects  on  the  power  sector 
are  to  be  investigated  in  this  study.  The  power  sector  is  influenced  by  these  highly  dynamic  variables 
(fuel  costs,  GDP  per  capita,  population  growth)  whose  future  values  cannot  be  predicted  with  much 
degree of accuracy. For this reason they are represented as exogenous time series trends.  

Power Demand
The  study  focuses  only  on  the  development  of  on‐grid  demand.  The  transmission/grid  network  is 
assumed to be constant. Reason is that with 40% of Uganda’s area covered by the grid, only 9% within 
the  grid  covered  area  and  3%  nationally  are  accessing  power.  With  conditions  as  they  are,  it  doesn’t 
make  business  sense  to  invest  further  scarce  resources  in  the  grid  until  that  which  is  in  existence  has 
been fully utilized. This situation is borne out in Uganda today where the grid has been extended by only 
1.1%  (Electricity  Regulatory  Authority,  2008d,  Transmission  Route  Length)  since  the  introduction  of 
private  players  in  the  sector.  This  marginal  extension  comes  from  the  necessary  connection  of  new 
generation  sites  to  the  main  grid.  The  following  assumptions  are  employed  in  the  specification  of 
Uganda’s power demand: 

a. On‐grid power demand grows due to increase in the consuming population and increase in per 
capita  income  which  translates  to  higher  consumption  per  capita.  The  consuming  population 
grows  due  to  increase  in  the  number  of  distribution  connections  within  the  grid  covered  area 
and due to natural population growth within the grid covered area.  

Population Growth 

Population  growth  within  the  grid  covered  area  is  assumed  to  be  the  same  as  the  national 
growth  rate.  In  section  4.3  the  effect  of  different  population  growth  scenarios  on  Uganda’s 
power sector is explored. The scenarios are based on different variants of expected population 
growth  trends  derived  by  the  Population  Division,  United  Nations  Secretariat  (Population 
Division  of  the  Department  of  Economic  and  Social  Affairs  of  the  United  Nations  Secretariat, 
2008). In their predictive forecasts, they have Uganda’s population at 100million, 85million and 
112million for reference case, the low and high variants respectively in the year 2050. Tacking to 
the  conservative  side,  these  target  figures  are  used  in  this  study  for  the  year  2083.  Figure  13 
shows  the  scenarios  employed  in  this  study.  The  medium  variant  is  applied  as  the  reference 
case. 

Page | 21  
 
  
 

Population Scenarios
140

Population (Millions)
120
100
80
60
40
20
0

Medium Variant Low Variant High Variant

 
Figure 13: Population growth scenarios for Uganda 

  Connections Growth 

Uganda’s distribution concession agreement specifies an arbitrary investment obligation for the 
investor  over  the  length  of  the  agreement.  A  copy  of  the  concession  agreement  for  the 
distributor signed in 2004 could not be obtained to ascertain the agreed upon target number of 
new connections per year. For purposes of this study the connection growth rate is assumed to 
be 5.9% derived from a set target which assumes a programme of 12,000 new connections per 
annum rising to 20,000 per annum by 2010 (ECON Centre for Economic Analysis, 2001a, p. 57). 
The  assumption  is  supported  by  the  government  stated  annual  growth  rate  in  connections 
estimated between 5.5 and 7.5% (Ministry of Energy and Mineral Development, 2003, p. 9) 

An average of 5 people per household and subsequently per connection are assumed (Uganda 
Bureau of Statistics, 2002, p. 21)  

b. Power demand is assumed to be price elastic due to the low levels of income per capita which 
makes  electricity  more  of  a  ‘luxury  good’  rather  than  a  necessity.  In  this  study  power 
consumption per capita has been split up into a minimum ‘Basic consumption per capita’ which 
is  price  in‐elastic  and  an  ‘Optional  consumption  per  capita’  which  is  price  elastic  and  varies 
depending on the ratio of power expenses to income levels. 

Basic  power  consumption  per  capita  per  year  is  assumed  to  be  288kWh  derived  from  a 
minimum  average  monthly  household  power  consumption  of  120kWh  (daSilva  &  Baringanire, 
2007) and an average number of 5 people per household (Uganda Bureau of Statistics, 2002, p. 
21) 

The  relationship  between  the  share  of  per  capita  income  spent  on  electricity  and  electricity 
consumption per capita is derived from two study  findings:  (1)  African households on average 

Page | 22  
 
  
 
spend 5.3% of their income on fuel (Case, 1998, p. 19) (2) a UN compilation on consumption by 
expenditure  which  finds  that  the  average  Ugandan  household  spends  14%  on  Rent,  Fuel  & 
Power (UNCTAD & ICC, 2001, p. 8). The explicit model assumption is that with an income share 
spent on power of less or equal to 5.3%, the power demanded per capita equals the full nominal 
consumption  per  capita  and  with  the  income  share  greater  than  10%  power  demanded  per 
capita is only equal to the basic consumption per capita.  

c. GDP  per  capita  may  be  the  single  most  influential  variable  in  this  study  determining  the 
population’s  ability  to  pay  for  the  power  service  therefore  influencing  level  of  power  demand 
and the prices set for power. Section 4.3 analyzes the effect of different scenarios of GDP per 
capita  growth  on  Uganda’s  power  sector.  Scenarios  are  constructed  based  on  Uganda’s 
economic  growth  trend  so  far  as  well  as  a  comparison  with  the  more  developed  African 
countries including Botswana, Gabon, Libya, Tunisia, Egypt, Algeria, and South Africa. Figure 14 
below shows the respective scenario projections 
 

GDP per Capita Scenarios
6000
GDP per Capita ($)

5000
4000
3000
2000
1000
0

Reference High  Low

 
Figure 14: Uganda GDP per capita projections  

 
d. The  relationship  between  GDP  per  capita  and  Uganda’s  average  consumption  per  capita  is 
assumed from a comparison of different country GDP per capita figures against their respective 
power consumption per capita. Figure 15 shows said comparison for a selection of comparable 
African and Asian countries 2 . Assumption is that Uganda will develop along the same path. See 
Appendix  C  for  list  of  comparable  countries  and  their  respective  GDP  and  consumption  per 
capita values. 
                                                            
2
 Sourced from http://earthtrends.wri.org/text/energy‐resources/variable‐574.html //(International Energy 
Agency (IEA) Statistics Division, 2007) for Consumption per capita //(Development Data Group, 2008) for GDP per 
capita  

Page | 23  
 
  
 
 

Consumption per capita ‐ Comparable Countries

Consumption per Capita 
6000
y = 796.27ln(x) ‐ 4553.2
4000 R² = 0.4514

(kWh)
2000

‐2000
0 2000 4000 6000 8000

GDP per Capita ($)
Consumption per capita Log. (Consumption per capita)
 
Figure 15: GDP per capita vs Consumption per capita for comparable countries.  

A  logarithmic  trend  is  selected  given  that  Uganda  is  a  tropical  country  and  therefore  its 
household  levels  of  power  consumption  are  most  likely  to  stabilize  at  much  lower  levels  than 
higher consumption countries experiencing colder climates e.g. South Africa which accounts for 
the outlier above 4000kWh.  

Power Supply
The study is focused on the development and evolution of only the two major generation technologies 
in Uganda – hydro generation and diesel fuel thermal generation. The other technology which is 
biomass based cogeneration accounts for only 2.9% of Uganda’s power supply and in its present state is 
too unreliable to be considered a major power producer over the 80 year period of this study. 

a. Generation Capacity 
 
Guaranteed capacity 
 
The  generators  are  assumed  to  be  working  at  a  generation  efficiency  of  70%.  For  hydro 
generation  70%  is  an  average  efficiency  value  taking  into  account  periods  of  drought  and  low 
water levels when it falls to as low as 60% and periods of sufficient water levels when it can be 
as high as 80% and above. For the study their availability is assumed at 100% all year through i.e. 
24*365  hours  per  year.  This  is  obviously  contrary  to  reality  where  they  have  down  time 
scheduled  or  otherwise  for  routine  or  emergency  maintenance.  The  availability  assumption 
means that all the time at nominal levels of energy input, any generator guarantees availability 
of 70% of their installed capacity. 
 
Capacity lead times and lifetimes 
 

Page | 24  
 
  
 
The effect of plant ageing is explicitly taken into account with hydro capacity being retired after 
40 years and thermal after 30 years. While normal expected plant lifetimes are on average 30 
years for hydro and 20 years for thermal, in Africa retirement is put off as long as possible due 
to financial constraints.  
It is assumed that once the decision has been made to invest in new or replacement capacity, 
hydro capacity takes 6 years to commissioning while thermal capacity takes 3 years.  
 
Capacity Planning Process 
 
The  current  system  in  Uganda  manages  contracts  with  generators  through  a  concession 
arrangement.  This  effectively  leases  existing  assets  to  the  concessionaire,  and  imposes  an 
investment obligation on the concessionaire (ECON Centre for Economic Analysis, 2001b, p. 26). 
The  concessioning  process  requires  potential  concessionaires  to  bid  their  required  return  on 
investment  together  with  a  commitment  to  a  target  or  minimum  level  of  investment.  
The  result  of  this  process  is  that  generation  concessions  with  fixed  investment  obligations  for 
the generator at pre‐negotiated and therefore fixed Return on Investment for a particular pre‐
negotiated length of time are awarded to successful investors in a bidding process.  
 
In planning for new capacity, the single buyer therefore uses a planning horizon equal to the 
length of the concession agreements. Any capacity that they will need over this length of time 
needs to be negotiated within the concession contract. 
 
For the sake of simplicity this study assumes the following: 
 
• A capacity planning horizon of 20 years which is the standard length of current 
concession contracts in Uganda (D’Ujanga, 2004). 
• Renewable contracts every 20 years at which time new capacity requirements are re‐
negotiated 
• A constant after‐tax rate of Return on Investment on all concession agreements of 20% ‐ 
Uganda’s minimum rate is around this figure (ECON Centre for Economic Analysis, 
2001c, p. 12). 
• Generators’ total obligated investment over the length of the concession is made or 
spread out equally over the 20 years (base case). 
 
b. Power System Costs 

Capacity Costs 

It is assumed that unit capacity plant costs i.e. fixed costs, maintenance costs and fuel costs are 
the same for all plants of similar technology irrespective of size. All hydro plants are assumed to 
have a capacity cost of 0.0949 $/kWh derived from the levelized capacity cost of a generic hydro 

Page | 25  
 
  
 
plant of 200MW capacity (Ocampo, 2009). Thermal plants are assumed to have a capacity cost 
of 0.1397 $/kWh derived from the levelized capacity cost of a conventional oil thermal plant of 
300MW  capacity  (Ocampo,  2009).  Note  that  capacity  cost  includes  capital,  operation  and 
maintenance as well as fuel costs. 

Unit  capacity  Operation  and  maintenance  costs  for  both  hydro  and  thermal  technologies  are 
assumed to be constant. Thermal fuel costs are assumed to vary depending on world oil prices. 
The  effect  of  different  scenarios  of  world  oil  prices  on  Uganda’s  power  system  is  analyzed  in 
section 4.3. The scenarios are derived from world oil price projections in Annual Energy Outlook 
2009 (Energy Information Administration (EIA), 2009), defined in terms of the average price of 
imported  light  crude  oil  to  U.S.  refiners.  Figure  20  below  shows  the  respective  scenario 
projections  used  in  this  study.  The  low  thermal  fuel  costs  is  based  on  a  maximum  annual 
average price per barrel projection of $130; Reference thermal fuel costs based on a maximum 
projection of $200 per barrel and high thermal fuel costs on a maximum projection of $280. Also 
investigated  is  the  possibility  of  oscillations  in  fuel  costs  ‐  Oscillating  thermal  fuel  costs.  Note 
that $1 is equivalent to Sh 1,800. 

Thermal Fuel Costs

Sh/MW
700,000

600,000

500,000 Re f the rm al fuel costs

O sc therm a l fuel costs
400,000
High therm a l fuel costs
300,000 Low therm a l fuel costs

200,000

100,000
Jan 01, 2003 Jan 01, 2043 Jan 01, 2083
Non-commercial use only!  
Figure 16: Thermal fuel cost scenarios 

  Transmission Costs 

As  previously  highlighted  in  this  section,  the  transmission  network  is  assumed  to  be  constant. 
The rationale for more investment is not supported by the low power access statistics within the 
grid covered  area. For this reason the fixed  costs of the network  are assumed  to be constant. 
Transmission  charges  are  also  assumed  constant  per  unit  of  power  transmitted.  Domestic 
charges are set at 29.2754 Sh/kWh 3  while export charges are at 159.984 Sh/kWh derived from 
bulk  supply  tariffs  of  146.377  Sh/kWh  and  799.92  Sh/kWh  respectively  (Electricity  Regulatory 
Authority, 2008a) with the assumption that the average transmission price is approximately 25 
per cent of the bulk supply tariff (ECON Centre for Economic Analysis, 2001a, p. 48). 

                                                            
3
 assumed exchange rate of Sh 1,800 per US$ 1 

Page | 26  
 
  
 
  Distribution Costs 

An  average  cost  of  approximately  US$700  is  assumed  per  connection  in  this  study.  This  is 
derived  from  feasibility  study  estimates  done  on  the  cost  and  tariff  structure  in  Uganda.  The 
study assumes a programme of 12,000 new connections per annum rising to 20,000 per annum 
by  2010.  It  compares  Uganda  to  South  Africa’s  electrification  programme  which  has  had 
investment costs of approximately US$600 in rural areas and concludes that the large scale of 
South Africa’s electrification programme (450,000 per annum) helped to bring costs down, and 
so the figure used of US$700 per connection can be viewed as a reasonable comparison (ECON 
Centre for Economic Analysis, 2001a, p. 57).  
 
It  is  assumed  that  capital  costs  are  completely  recovered  within  the  concession  period  of  20 
years at an after‐tax return level of 15 per cent. This appears to be the minimum allowed return 
by investors for the power distribution function (ECON Centre for Economic Analysis, 2001a, p. 
75).  
 
Power loss is assumed to be 34% in this study. The  figure is an average value of power losses 
mostly  commercial  in  nature  which  were  at  43%  in  2005,  37%  in  2006(Electricity  Regulatory 
Authority, 2007, p. 12), 35% in 2007 (Electricity Regulatory Authority, 2007, p. 8). Over the past 
4 years they have been ranging between 32% and 37%. 
 

c. Power Exports ‐ Export Volumes 

Power export volumes vary considerably from month to month. This is because during periods 
of peak demand when supply is less than unconstrained demand, contractual obligations imply 
that  the  single  buyer  is  not  obliged  to  export  and  exports  are  constrained  i.e.  exports  are 
expected to be non‐coincident with Uganda peak demand (ECON Centre for Economic Analysis, 
2001a,  p.  21).  Nevertheless,  UEB  statistics  show  cases  where  Ugandan  demand  is  load  shed 
while exports continue (ECON Centre for Economic Analysis, 2001a, p. 22).  
 
For  this  study  the  nominal  percentage  of  power  exported  is  assumed  to  be  constant  at  3%  of 
total generation capacity derived from yearly export statistics (Electricity Regulatory Authority, 
2008d, Bulk Energy Sales (MWh)) shown in Table 3 below 
 
Table 3: Fraction of power exported 

Year  2005  2006  2007 

Exports/Total Energy Sales (%)  2.889798  2.835559  2.989872 
 
Also, in addition to the nominal level of power exports, all surplus power generated is assumed 
to be exported. 
 

Page | 27  
 
  
 
a. Market Set up  

The  study  assumes  one  player  –  the  single  buyer  controlling  investment  and  power  pricing 
decisions. The single buyer in Uganda would be the transmission operator but all veto power on 
market decisions rests on the regulatory authority so one could assume the regulatory authority 
is effectively the single buyer. Single buyer controls investment via the 20 year master capacity 
plan  which  is  negotiated  in  the  concession  agreement.  Also,  while  prices  between  generators 
and the Transmission Company will be negotiated between these parties, they will be subject to 
oversight and approval by the ERA (ECON Centre for Economic Analysis, 2001c, p. n/a).   

The only form of competition in Uganda’s power sector is at the concession bidding stage. For 
this  study  the  competition  has  not  been  explicitly  modeled  but  rather  represented  by  a 
preferential  structure  which  assumes  that  cheaper  hydro  capacity  is  the  preferred  option  to 
thermal capacity in the award of concessions and it’s only when available hydro capacity is not 
sufficient that thermal capacity is put in place.  

Power Pricing 

The current generator price structure is essentially a take‐or‐pay arrangement, independent of 
actual volume of power or energy delivered (ECON Centre for Economic Analysis, 2001b, p. 4). A 
Capacity  Price  based  on  the  revenue  requirement  for  the  generating  company  and  the 
maximum  available  capacity  is  calculated.  The  generating  company  charges  the  transmission 
company  a  monthly  sum  based  on  this  Capacity  Price  and  the  capacity  made  available  for 
dispatch (ECON Centre for Economic Analysis, 2001c, p. n/a).

Volume  risks  associated  with  variations  in  Uganda’s  power  demand  or  transmission  network 
outages are transferred to end‐users in the consumer electricity price. Payments to generators 
are  based  on  capacity  made  available  and  not  power  actually  dispatched  (ECON  Centre  for 
Economic  Analysis,  2001b,  p.  22).  So  regardless  of  demand  growth,  generators  get  paid  their 
contracted  revenue  requirement  as  long  as  target  availability  levels  are  met  (ECON  Centre  for 
Economic Analysis, 2001b, p. 28).  

All  power  service  delivery  costs  are  transferred  to  the  consumer  in  the  consumer  electricity 
price and subsidized to make power more affordable. Reference subsidy rate is assumed at 30% 
of the full cost‐plus market rate. 

See Appendix A for the detailed specification and formulation of the system dynamics model. 

3.4 Model Validity 
Before the model results, a brief indication of the model validity is presented to build confidence in the 
model results. The primary purpose of the model is to provide a working theory on the inner workings of 
Uganda’s power market and institutional setup in how they pertain to power supply and demand. The 

Page | 28  
 
  
 
model structure as built gives this working theory. Model validity is examined on the purpose for which 
the model is intended. 

The model is specifically intended to highlight how power access is expected to evolve over a period of 
80 years, clearly indicate expected problems regarding access and facilitate understanding of the source 
or  inherent  causes  of  problem  behavior.  The  model  constructed  shows  the  evolution  of  power  supply 
and  demand  over  a  period  of  80  years.  It  relies  on  the  development  of  the  following  criteria/output 
variables to show the status of the power sector: domestic power demand, unmet power demand and 
electricity  price.  These  three  variables  highlight  how  power  demand  is  expected  to  evolve;  whether 
power  supply  is  sufficient  to  meet  Uganda’s  growing  demand  and  the  evolving  cost  of  power  service 
respectively.  The  behavior,  problematic  or  otherwise,  of  these  output  variables  is  explained  based  on 
the  status/behavior  of  the  underlying  contributing  endogenous  variables  including  size  of  grid 
connected  population,  capacity  lead  times,  cost  of power  generation,  transmission  and  distribution  as 
well  as  exogenous  factors  including  GDP  per  capita,  size  of  overall  population,  fuel  prices  and  most 
importantly  the  institutional  framework  governing  investment  and  pricing  decisions.  In  this  way 
described, the model is valid for the function for which it was intended. 

The  model  was  subjected  to  a  series  of  verification  and  validation  tests  to  determine  its  validity. 
Verification  was done during the course of building the  model  to ensure correct  coding  of the model, 
dimensional consistency and a model free of numerical errors. For validation both direct structure tests 
(involving  examination  of  the  structure  without  running  the  model)  and  structure‐oriented  behavior 
tests (involving running the model and analyzing its output) were done. Direct structure tests included: 

• Direct extreme conditions test – model equations were evaluated under extreme conditions to 
ensure the results from each model equation corresponded to reality in the same situation. All 
model equations passed. Appendix D shows a sample showing the application of this test on a 
small section of the model  
• Empirical  parameter  confirmation  test  –  model  parameters  were  compared  with  knowledge 
from the real situation in the power sector. All variables were found to correspond to elements 
in the real system both conceptually and numerically 
 

Two structure‐oriented behavior tests were done: Extreme conditions test (similar to direct extreme test 
except that the model is run) described below and sensitivity analysis described in section 4.2 

• Extreme  conditions  test  –model  equations  were  compared  with  real  system  relationships; 
testing plausibility of equation results with extreme values and comparing the results of model 
equations  to  the  expected  system  results.  The  results  of  extreme  condition  tests  obtained 
showed that the model‘s response to extreme inputs corresponds to the anticipated behavior of 
the real system. See Appendix D for a sample showing application of this test on a small section 
of the model  

Page | 29  
 
  
 
The  findings  from  all  these  tests  showed  that  the  model  as  constructed  is  a  valid  representation  of 
Uganda’s existing power sector structure as it pertains to power supply and demand.  

To increase confidence in the model on top of the tests done above ‐ the need to determine the extent 
to  which  the  model  can  reproduce  behavior  patterns  that  exist  in  the  real  system.  As  pointed  out  in 
section  3.1  Uganda’s  power  sector  reforms  are  recent  changes  with  the  first  private  concessions  in 
generation  and  distribution  awarded  in  2003  and  2004  respectively.  This  implies  that  the  sector  data 
available on performance in this new setup is too few and too singular in nature to allow for credible 
time series data trends from historical data. Behavioral validation of this model based on historical data 
was  therefore  not  possible  for  this  study.  In  its  stead  the  feasibility  of  key  model  outputs  was 
investigated. The model’s evolution of power demand was compared to electricity demand projections 
based in the East African Power Master Plan (Uganda Investment Authority, 2005, p. 9). See Figure 17. 
Model results are shown to closely correspond to actual demand values up to 2005 and forecast values 
from 2010 – 2025. The numerical discrepancy may be attributed to the fact that the forecast was based 
among others on a rural electrification target of 10% coverage by 2010 which will not be realized seeing 
as  it  is  currently  at  only  3%.  Note  that  because  system  dynamics  only  seeks  to  predict  dynamic 
implications  of  policy,  not  forecast  the  values  of  quantities  at  a  given  time  in  the  future  ("System 
Dynamics  Methodology,"  2009),  data  accuracy  and  precision  are  not  the  end  goal  but  rather  a  well 
founded indication of the general expected behavior of the system. 

 
Figure 17: Power demand ‐ Model vs actual & forecast results 

From the findings of the validation tests performed on the model it can be concluded that the model 
results presented henceforth can be trusted for purposes of this study.    

Page | 30  
 
  
 
4. Model Behavior Analysis 

In this section, model results are analyzed to obtain answers to the following sub‐questions: 
 
• How is Uganda’s on‐grid power access expected to evolve with the current market design and 
local conditions in Uganda? 
• Is generation capacity development sufficient to meet Uganda’s power demand? 
• What reasons within the model structure account for any shortfalls? 
 
Results  show  the  expected  evolution  of  Uganda’s  power  system  over  a  period  of  about  80  years.  The 
results are determined primarily by the system structure in terms of the defined power sector policies 
on issues such as pricing, investment, etc.; the scenarios ‐ unpredictable exogenous factors such as fuel 
prices,  population  growth,  economic  development  (GDP),  etc.;  and  the  defined  system  starting 
conditions. 
 

4.1 The Base Case 

4.1.1 Power Demand versus Supply Dynamics 
a. Power Supply 

Error! Reference source not found. shows the simulated evolution of generation capacity over 80 years 
given Uganda’s capacity planning process. General trend shows approximate 20 year cycles. Contracted 
capacity  is  that  amount  that  generators  are  obligated  to  invest  in  but  has  not  yet  been  planned  or 
installed. It is the additional capacity required to fulfill power demand over the period of the generator 
concession of 20 years. Planned capacity is that capacity under construction while installed capacity is 
the commissioned/online capacity.  

Contracted capacity is mostly greater than installed capacity meaning that to meet power demand in the 
next  20  years  requires  an  additional  amount  of  capacity  greater  than  existing  installed  capacity.  The 
implication,  at  least  in  the  first  40  years  of  the  study  and  allowing  for  retiring  capacity  that  keeps 
reducing installed capacity, is that power demand more than doubles every 20 years.  

Contracted, Planned & Installed Capacity

MW
15,000

10,000
Tota l insta lle d capa city
Tota l contracted capa city
Tot pla nne d ca pacity
5,000

0
Ja n 01, 2003 Ja n 01, 2043 Ja n 01, 2083
Non-commercial use only!  
Figure 18: Evolution of generation capacity ‐ Base case 

Page | 31  
 
  
 
The  big  dip  in  contracted  capacity  after  2043  is  attributed  to  a  sharp  decrease  in  the  growth  rate  of 
power demand (Figure 19). Much less additional capacity on top of that already installed is needed to 
meet power demand over the next 20 years. The uncharacteristic break in the trend for the growth rate 
of  power  demand  actually  results  in  a  period  of  surplus  capacity.  While  the  single  buyer  may  have 
planned for new capacity expecting demand to grow along the dotted line, the subsequent reduction in 
demand instead means more capacity will have been contracted for than will be needed. 

Domestic Power Demand

kWh
Domestic power demand

40,000,000,000

30,000,000,000

20,000,000,000

10,000,000,000

Ja n 01, 2003 Ja n 01, 2023 Jan 01, 2043 Jan 01, 2063 Ja n 01, 2083
Non-commercial use only!  
Figure 19: Expected demand growth vs actual demand growth 

Power  supply  mostly  lags  power  demand  (Figure  20).  This  is  due  to  two  factors:  (1)  The  price  elastic 
nature  of  demand  coupled  with  uncertainty  in  generation  costs  (thermal  fuel  costs)  makes  accurate 
forecasting of demand 20 years in the future an impossible fit (2) Forecasts are made in such a way that 
errors are on the side of caution because the costs of surplus capacity are borne by the consumers in 
form of higher prices. 

Power Demand vs Supply Unmet Demand

kWh 0.30

40,000,000,000
0.25
Unmet demand

30,000,000,000 0.20

Dom e stic powe r de m a nd

Eff dom e stic powe r supply 0.15
20,000,000,000
Powe r supply de ficit
0.10

10,000,000,000
0.05

0 0.00
Jan 01, 2003 Jan 01, 2043 Jan 01, 2083 Ja n 01, 2003 Ja n 01, 2023 Ja n 01, 2043 Ja n 01, 2063 Jan 01, 2083
Non-commercial use only! Non-commercial use only!

Figure 20: Demand vs Supply ‐ Base Case  Figure 21: Unmet demand ‐ Base case 

Figure  21  shows  the  simulated  development  of  unmet  demand  over  a  period  of  80  years.  Note  that 
Unmet demand = Power deficit/Power demand. It is expected to get as high as 30% within the initial 10 
years  of  the  study.  This  is  viable  demand  for  which  consumers  are  willing  to  pay  the  asking  price  but 
with no power available.  The initial high levels of unmet demand are due to absence of capacity. In this 
period,  the  power  system  has  only  just  changed  from  the  previous  government  run  monopoly  and  its 

Page | 32  
 
  
 
associated shortages described in section 1.2 to the liberalized power sector. Contracted capacity arising 
from  the  concessioning  agreements  has  not  yet  been  planned  or  commissioned  and  yet  demand  is 
increasing. About 2010, the effect of new capacity starts to kick in accounting for the decline in unmet 
demand. Subsequent oscillations are the result of the 20 year generation capacity cycles.  

b. Power demand 

Results in the base case show initial exponential growth in power demand (Figure 22) which eventually 
tapers off increasing at a much slower pace after about 2043. The trend in power demand is influenced 
by the growth rate in the size of the consuming population as is evidenced in Figure 23 below whereby 
consuming population follows a trend similar to that of power demand.  

Domestic Power Demand Consuming Population

kWh
40,000,000
Domestic power demand

40,000,000,000

Consuming popn
30,000,000
30,000,000,000

20,000,000
20,000,000,000

10,000,000,000 10,000,000

Ja n 01, 2003 Ja n 01, 2023 Jan 01, 2043 Ja n 01, 2063 Ja n 01, 2083 Ja n 01, 2003 Ja n 01, 2023 Ja n 01, 2043 Ja n 01, 2063 Ja n 01, 2083
Non-commercial use only!   Non-commercial us e only!

Figure 22: Domestic Power Demand ‐ Base Case  Figure 23: Consuming population ‐ Base Case 

The  break  in  the  trend  of  the  consuming  population  about  2043  occurs  because  the  unconnected 
population becomes less than the nominal target connection rate so that the unconnected population 
begins to be connected in real time. See Figure 24 

On-Grid Connected vs Unconnected Population

40,000,000

30,000,000

Unconne cte d popn with grid a cce ss

20,000,000
Consum ing popn

10,000,000

0
Ja n 01, 2003 Ja n 01, 2043 Ja n 01, 2083
Non-commercial use only!  
Figure 24: On‐grid connected vs unconnected population 

c. Power service costs 

Figure 25 shows the simulated evolution of the electricity price. Price initially constant shoots up around 
2013.  The  sharp  increase  can  be  attributed  to  the  fact  that  the  more  expensive  thermal  generation 
starts to become a more prominent means of generation. Hydro capacity can no longer satisfy demand 
at  this  point.  Figure  26  shows  the  evolution  of  the  generation  mix  over  time  with  the  thermal 
contribution beginning to increase sharply about the same time of 2013.  

Page | 33  
 
  
 
Consumer Electricity Price Hydro Vs Thermal fraction of Gen Mix
Sh/k W h
1.0
800
Subsidised consumer tariff

700
0.8

600 0.6
Hydro fraction

500 0.4 therm al fraction

400 0.2

300 0.0
Jan 01, 2003 Jan 01, 2043 Ja n 01, 2083
Jan 01, 2003 Jan 01, 2023 Jan 01, 2043 Ja n 01, 2063 Jan 01, 2083
Non-commercial use only! Non-commercial use only!

Figure 25: Electricity price ‐ Base Case  Figure 26: Generation mix ‐ Base case 

The correlation of electricity price with the generation mix i.e. spiking with the prominence of thermal 
generation suggests that the electricity price is highly dependent and vulnerable to changes in fuel price. 
Further  exploration  of  this  hypothesis  by  applying  a  scenario  of  oscillating  fuel  prices  reveals  that  the 
electricity price indeed shows the same manner of oscillations as the fuel price (See Figure 27 and Figure 
28).  

Thermal Fuel Costs Consumer Electricity Price

Sh/MW Sh/k W h
800
Subsidised consumer tariff

500,000
700

400,000
600
R ef therm a l fue l costs
300,000 O sc the rm a l fue l costs 500

200,000 400

300
100,000
Ja n 01, 2003 Ja n 01, 2043 Ja n 01, 2083 Ja n 01, 2003 Jan 01, 2023 Ja n 01, 2043 Jan 01, 2063 Jan 01, 2083
Non-commercial use only! Non-commercial use only!  
Figure 27: Thermal fuel costs ‐ Base Case vs oscillating costs  Figure 28: Electricity price ‐ Base Case vs oscillating costs 

There is an additional upward trend in the oscillations of electricity price that is absent in the trend for 
fuel  price.  This  can  be  attributed  to  the  price  elasticity  of  power  demand  so  that  as  electricity  price 
increases due to increase in fuel costs, its share in consumers’ expenses increases, causing a decline in 
the per capita demand. The decline in per capita demand shown in Figure 29 implies that all the power 
service  costs  transferred  to  the  consumer  are  now  spread  over  a  lower  amount  of  power  units 
increasing the price per kWh of electricity. The two processes feedback onto each other ‐ as per capita 
demand decreases, electricity price increases but the vice versa is also true – as price increases above a 
threshold determined by the share of power expenses of consumers’ budgets, demand decreases. This 
accounts for why all inflection points in Figure 29 are matched by similar inflection points in the curve of 
electricity price ‐ Figure 30.  

Page | 34  
 
  
 
Multiplicative Effect of Power Expenses on Demand Consumer Electricity Price
1.0 Sh/k W h
Eff of expenses on demand

800

Subsidised consumer tariff

0.9
700

0.8
600

0.7
500

0.6
400

0.5
300

Jan 01, 2003 Ja n 01, 2023 Jan 01, 2043 Ja n 01, 2063 Ja n 01, 2083 Ja n 01, 2003 Ja n 01, 2023 Ja n 01, 2043 Ja n 01, 2063 Ja n 01, 2083
Non-commercial use only! Non-com mercial us e only!

Figure 29: Effect of power expenses on demand Figure 30: Electricity price ‐ Base Case  
 

4.1.2 Power access 
Section 1.1 defines power access as a physical feed‐connection to a central or decentralized power grid 
as well as sufficient electricity supply from that grid. The variables of interest in the analysis of how on‐
grid power access is expected to evolve are: (1) Growth trend in the size of consumer population (2) the 
level of unmet demand  

a. Growth trend in the size of consumer population  
Figure 31 shows the simulated development of on‐grid power access as well as overall power access in 
Uganda. On‐grid power access is that percentage of the population within the grid covered area with a 
physical connection to the grid while overall power access is that percentage of the whole population 
with physical access to the grid. With a constant growth rate of 5.9% physical grid access is expected to 
peak  around  2040  when  all  unconnected  people  in  the  grid  covered  area  should  have  a  physical  grid 
connection. Figure 32 shows the rate of grid connection versus the unconnected population within the 
grid covered area.  
 

On-grid Vs Overall Electricity Access Connections Growth rate vs Unconnected Population

1.0

8,000,000
0.8

6,000,000
0.6
O n-grid Ele ctricity Acce ss C onne ctions growth rate (yr^-1)
O ve ra ll e le ctricity a cce ss 4,000,000 Unconnecte d popn with grid access
0.4

2,000,000
0.2

0
Ja n 01, 2003 Ja n 01, 2043 Ja n 01, 2083 Jan 01, 2003 Jan 01, 2063
Non-commercial use only! Non-commercial use only!

Figure 31: On‐grid vs Overall electricity access ‐ Base case  Figure 32: Connections growth rate vs Unconnected 
population – Base case 

While 100% within the grid covered area should be physically connected, the quality of power service 
that they receive is important. Sections b below further explores this aspect of power access  

  

Page | 35  
 
  
 
b. The level of existing but unmet power demand  

Figure  21  shows  the  unmet  demand  going  as  high  as  30%  of  total  power  demanded.  This  means 
consumers are only receiving 70% of their power needs. So while consumers  may have grid access, it 
does  not  necessarily  equate  to  full  power  access.  This  translates  into  power  that  is  unreliable  and  of 
poor quality. High power demand combined with low available supply means the system is overloaded 
and such a system is more prone to unscheduled blackouts. From Figure 21 the problem is most severe 
in the initial 10 years and is not expected to go away soon. Power demand is growing much faster than 
the rate of capacity addition. This can be attributed to a very high population growth rate coupled with 
a constant connections growth rate that means new connections are continuously added irrespective of 
shortages in power supply. 

One  key  question  is  whether  this  very  high  and  sustained  level  of  unmet  demand  is  a  feasible  model 
outcome when compared to the reality. The situation as simulated is quite feasible given that already in 
2007, there was an unprecedented electricity supply deficit on the national grid a maximum of about 
165 MW (Ministry of Energy and Mineral Development, 2007, p. 27) which is the equivalent of 50% of 
unmet  power  demand  going  by  an  average  daily  power  demand  of  315MW  (Uganda  Investment 
Authority,  2005,  p.  3).  It  was  the  expectation  that  a  long  awaited  250  MW  hydro  project  at  Bujagali 
would  solve  this  problem.  That  project  has  been  plagued  by  many  problems  however  ‐  approved  in 
1999,  construction  was  due  to  begin  in  2003  but  was  delayed  by  protests  by  environmentalists  and 
financial  problems  eventually  getting  a  government  go  ahead  in  February  2005.  For  this  study,  that 
250MW  of  hydro  capacity  is  modeled  as  planned  capacity  in  the  initial  year  2003  so  that  it  fully  goes 
online around 2010 accounting for the sharp decline in unmet demand at that time.  

4.1.3 Critical Insights from the Model Results 
This section lists the most important issues to come out of the model analysis in the base case.  

1. The power supply as simulated is insufficient to meet Uganda’s growing power demand in both 
the near and the midterm. From Figure 21 it is clear that simulated power supply does not catch 
up to power demand until about 40 years into the future. A key question is whether this is the 
reality  or  the  result  of  the  model  structure.  Note  that  this  has  to  do  with  the  nature  of  the 
capacity  planning  process  –  (1)  the  estimates  made  of  future  capacity  requirements  are 
conservative (linear as opposed to exponential forecasts) to reduce the risk of expensive surplus 
capacity (2) Uganda’s price elasticity of demand makes demand that much more unpredictable 
coupled  with  the  uncertainty  of  oil  prices  which  means  price  changes  over  20  years  are  also 
unpredictable (3) Even if the estimates of power demand over the next 20 years were accurate, 
the  freedom  for  generators  to  spread  their  investment  over  this  period  means  capacity 
budgeted to meet demand in a specific period is still coming online at the end of it. The reality in 
Uganda  is  that  generators  like  all  investors  invest  for  existing  demand  rather  than  the 
anticipated demand due to high financial risks of broken contracts, political instability, etc.  
 

Page | 36  
 
  
 
2. There are undesirable oscillations in unmet power demand which indicate an unreliable power 
supply. The  oscillations are arising from the  cycles in power supply and since supply is lagging 
demand it is reflected as oscillating unmet demand. This is a serious problem in the quality of 
supply ‐ it may be more desirable for consumers to have a lower but stable power supply than 
higher but unstable/oscillating supply 
 
3. The results highlight 2 major problems associated with power service costs: (1) In the event that 
electricity  price  is  increasing  while  consumer  incomes  are  stagnant  and  in  the  absence  of  a 
suitable  price  cap  mechanism,  the  feedback  between  electricity  price  and  power  demand  has 
the potential to drive price to unsustainably high levels (2) even if power supply is sufficient to 
meet  power  demand,  high  costs  of  power  service  will  serve  to  drive  per  capita  demand 
artificially low so that the real power demand will still not be fully satisfied. 
 
4. Figure 26 shows the expected evolution of Uganda’s generation mix barring the introduction of 
viable  new  technologies  in  the  mix.  Oil  (diesel)  based  thermal  generation  is  generating  about 
80% of Uganda’s supply by 2043. The  effect of thermal generation has a significant impact on 
power  system  costs,  the  resulting  electricity  prices  and  the  evolution  of  Uganda’s  power 
demand. As thermal generation becomes more dominant, the power sector is held hostage to 
the dynamics of the oil market which is not a safe place to be 

4.1.4 Context of Access Results 
Access results of section 4.1.1 represent only that area of Uganda that is currently covered by the main 
power grid. They do not take into account a possible extension of the main grid and are only limited to 
extension  via  distribution  connections.  The  reasons  have  been  discussed  in  section  3.3.1.  This  means 
results exclude whatever impact a main grid extension would have had on power access levels over the 
80 years under consideration. 

Results represent a best case scenario given the existing power sector setup as modeled that assumes 
that investors will always be available and willing to invest every time the single buyer puts out bids for 
new generation or distribution concessions. Reality may obviously be different. 

The effect of poor quality service in terms of high levels of unmet demand is not taken into account. In 
reality poor quality power service will drive consumers to alternative energy sources as is the case now 
in  Uganda  where  most  businesses  relying  on  power  have  to  run  their  own  generators.  For  some  the 
poor quality service may be too disruptive to business that the own generators are not temporary but 
permanent. 

The effect of learning that would otherwise facilitate power service cost reductions over time has not 
been taken into account. In reality this effect should cause reductions in the electricity price which are 
important  to  the  development  of  power  demand.  The  study  also  does  not  take  into  account  the 
emergence of cheaper and more efficient technologies over time. 

Page | 37  
 
  
 
GDP per capita has been used in this study not only as an indicator for consumers’ purchasing power but 
also as a proxy for consumer economic welfare. It should be noted however that GDP per capita is not a 
direct measure of personal income and also, it does not take disparity in incomes between the rich and 
poor into account. This means GDP may increase while incomes for the majority of a country's citizens 
may even decrease or change disproportionally.  

4.2 Model Sensitivity 
As  an  extension  of  model  validity,  model  results  are  examined  on  the  robustness  of  the  assumptions 
made in setting up the model structure. This section explores the robustness of the model results when 
key assumptions are varied over a feasible range of values. 

There are some relationships and parameters within the model that are both highly uncertain and likely 
to  be  influential.  Sensitivity  analysis  is  applied  to  determine  how  sensitive  the  model  results  are  to 
changes in the values of these parameters.  As mentioned in section 3.4, system dynamics rather than 
forecasting only seeks to predict dynamic implications of policy. This means data accuracy and precision 
are  not  the  end  goal  but  rather  a  well  founded  indication  of  the  general  expected  behavior  of  the 
system. Interest is not so much on numerical sensitivity but rather on behavioral sensitivity of the model 
results.  For  the  tests,  uncertain  parameters  were  varied  evenly  across  an  entire  specified  range  of 
possible values over 60 simulation runs. The uncertain and influential parameters tested include: 

• Market  risk  premium  value  used  in  the  calculation  of  generator  return  on  investment  –  The 
exact  value  of  this  parameter  is  unknown  for  existing  concessions.  Parameter  was  varied 
between 10% and 30% (modeled as 15% in the base case).  
• Distribution Return on Investment used to calculate profit return for the distribution company – 
Same  as  for  the  market  risk  premium;  varied  between  10%  and  30%  (modeled  as  15%  in  the 
base case) 
• Generation efficiency – This value varies/fluctuates depending on many factors e.g. water levels 
for  hydro  generation,  ageing  of  generation  plants,  amount  of  resource  inputs,  etc.  It  directly 
affects how much power is obtainable from a plant of fixed capacity. The parameter was varied 
between 50% and 90% for both hydro and thermal generation (modeled as 70% in the base case 
for both technologies). 
• Capacity  online  lead  time  –  This  parameter  represents  the  time  it  takes  between  planning  a 
power  plant  in  Uganda  and  commissioning  it.  As  stated  in  section  2.1.1,  the  lead  times  in 
Uganda  are  significant  and  many  times  they  tend  to  be  infinite  with  about  1  in  3  projects 
eventually getting cancelled owing to the high levels of risk. Thermal capacity online lead time 
was varied between 1 and 6 years (base case is at 3 years) while hydro capacity online lead time 
was varied between 3 years and 10 years (base case is at 6 years)  
• Basic  consumption  per  capita  –  This  is  the  minimum  price  inelastic  amount  of  electricity 
assumed to be demanded by Uganda’s power consumers. The value used in this study is only an 
estimate  value  derived  from  average  household  consumption  per  month.  Because  of  high 

Page | 38  
 
  
 
income  inequality  in  Uganda  an  average  value  for  household  consumption  is  far  from 
representative  of  the  population  consumption  patterns.  The  value  of  this  parameter  is  varied 
between 50kWh and 500kWh (base case is at 288kWh) to take into account this uncertainty 
• Power  loss constant – This value has been consistently varying  between 30  and 40% over the 
last 8‐10 years. It is varied across this range (base case is at 34%) 
 

An examination of the effect of variations in these parameters over the specified range of values on two 
key  variables  –  domestic  power  demand  and  unmet  power  demand  shows  that  as  expected  changing 
the  numerical  value  of  the  uncertain  parameters  makes  a  numerical  difference  in  the  model  results 
observed  (See  Appendix  C)  with  some  variations  resulting  in  greater  or  more  significant  numerical 
deviation than others. Generation efficiency turns out to be the most sensitive variable of those tested 
resulting in behavioral sensitivity in domestic power demand but not in unmet power demand. Figure 33 
shows  the  total  potential  numerical  and  behavior  range  for  these  two  variables  when  generation 
efficiency is varied across the specified range (50% ‐ 90%) over 60 simulation runs. Note that the red line 
represents the average, the upper boundary the maximum and the lower boundary the minimum value 
obtained  from  all  the  simulation  runs.  While  the  distribution  of  values  for  unmet  demand  is  more 
uniform  about  the  average,  the  variation  yields  a  minimum  value  of  10TWh  (~30TWh  below  the 
average) for domestic power demand.  

Domestic Power Demand Unmet Power Demand

kWh 0.4
40,000,000,000
0.3
30,000,000,000

0.2
20,000,000,000

10,000,000,000 0.1

0.0
Jan 01, 2003 Ja n 01, 2043 Jan 01, 2083 Jan 01, 2003 Jan 01, 2043 Ja n 01, 2083
Non-commercial use only! Non-commercial use only!  
Figure 33: Sensitivity analysis results – Lower bound thermal generation efficiency of 50% 

Given  a  constant  energy  input,  a  higher  efficiency  yields  higher  power  output  than  a  lower  one.  90% 
efficiency yields substantially higher levels of power output than the base case which has efficiency of 
70%.  After  2043  when  the  growth  in  power  demand  is  significantly  reduced,  this  considerably  higher 
output  and  its  associated  costs  are  being  spread  over  a  small  power  demand  base  increasing  the  unit 
price of power (Figure 34). Price elastic power demand shown in Figure 33 falls sharply as a result. 

Page | 39  
 
  
 
Electricity Price
Sh/k W h

1,500

1,000

500

Ja n 01, 2003 Ja n 01, 2043 Ja n 01, 2083

Non-commercial use only!  
Figure 34: Sensitivity of electricity price to changes in generation efficiency 

The  significance  of  the  behavior  sensitivity  exhibited  for  generation  efficiency  on  the  model  results  is 
important.  Generation  efficiency  has  significant  implications  on  the  cost  of  power  service  and 
consequently  the  development  of  power  demand.  The  uncertainty  within  the  model  results  as  a 
consequence of sensitivity to this and other parameters is discussed in section 4.2.1.  

For  the  other  uncertain  variables  tested  apart  from  generation  efficiency,  although  they  induce 
substantial numerical sensitivity in the two criteria variables, when the uncertain parameters are altered 
individually they have only a negligible influence on their overall behavior (see Appendix C). Because the 
model  purpose  is  not  for  prediction  but  more  for  explanation  of  system  behavior,  the  model 
assumptions used can be regarded as fairly robust. 

4.2.1 Model Uncertainty 
Of  the  two  criteria  variables  under  observation  (power  demand  and  unmet  demand),  only  power 
demand shows behavioral sensitivity. Error! Reference source not found. shows the uncertainty bounds 
for  power  demand  when  all  the  uncertain  parameters  described  in  section  4.3  are  varied  together 
across their respective specified ranges over 60 simulation runs. Note that p percentile is that value of 
the variable below which p% of all possible variable values generated by the study will fall. 

Domestic Power Demand - Uncertainty Bounds

kWh
50,000,000,000

40,000,000,000
Dom e stic powe r de m and (High)
30,000,000,000 Dom e stic powe r de m and (75 Pe rce ntile )
Dom e stic powe r de m and (25 Pe rce ntile )
Dom e stic powe r de m and (Low)
20,000,000,000
Dom e stic powe r de m and (Ave rage )

10,000,000,000

Jan 01, 2003 Jan 01, 2043 Jan 01, 2083

Non-commercial use only!  
Figure 35: Domestic power demand ‐ Uncertainty bounds 

Page | 40  
 
  
 
Error!  Reference  source  not  found.  shows  the  different  ranges  of  uncertainty  bounds  for  power 
demand.  While  the  range  of  possible  values  between  25  –  75th  percentile  is  only  about  15  TWh,  that 
between 0 ‐ 100th percentile is more than 3 times wider (about 50 TWh) indicating a very high level of 
both numerical and behavior uncertainty.  

Figure  36  shows  the  uncertainty  bounds  for  unmet  power  demand.  The  uncertainty  in  the  results  is 
wholly numerical. Behavior for all percentile ranges remains relatively consistent with the average trend. 

Unmet Demand - Uncertainty Bounds

0.4

0.3
Unm e t de m a nd (High)
Unm e t de m a nd (75 Percentile)
0.2 Unm e t de m a nd (25 Percentile)
Unm e t de m a nd (Low)
Unm e t de m a nd (Ave ra ge)
0.1

0.0
Ja n 01, 2003 Jan 01, 2023 Ja n 01, 2043 Jan 01, 2063 Jan 01, 2083
Non-commercial use only!  
Figure 36: Unmet power demand ‐ Uncertainty bounds 

As  indicated  in  section  4.2,  behavioral  uncertainty  is  what  is  of  significance  in  this  study.  There  is 
substantial  behavior  uncertainty  in  power  demand  in  the  latter  40  years  of  the  study.  The  study  later 
presents an analysis of the robustness of designed corrective policies under different extreme scenarios 
that should take into account this high level of behavioral uncertainty.  

4.3 Scenario Analysis 
In this section the access results are examined under different possible futures for Uganda and its power 
sector.  Contextual  scenarios  on  economy  and  demography  as  well  as  investment  behavior  are 
constructed and explored.  Table 4 below highlights the contextual scenarios 

Page | 41  
 
  
 
Table 4: Contextual scenarios 

  Context 

Scenario  Population  GDP per Capita  Fuel price 

High  economic  Low population growth High GDP per capita Low fuel prices 

development  –  Population GDP per Capita Fuel Costs
$
Sh/MW
Uganda  500,000
90,000,000
5,000
experiences 

G D P pe r Capita
400,000

higher  than  4,000

Popn

C urre nt Current Low the rm al fue l costs

60,000,000 R efe re nce 300,000
R eference R e f the rm al fue l costs
expected  3,000

200,000
economic  2,000
30,000,000 100,000
development.   Ja n 01, 2003 Ja n 01, 2043 Ja n 01, 2083 Jan 01, 2003 Jan 01, 2043 Jan 01, 2083
Jan 01, 2003 Jan 01, 2063
Non-commercial use only!   Non-commercial use only!   Non-commercial use only!

Low  economic  High population growth Low GDP per capita High fuel prices

development  – Population GDP per Capita Fuel Costs Scenarios
$ Sh/MW

Uganda  700,000

3,000
600,000
experiences  lower 
G DP per Capita

100,000,000
500,000
2,500
than  expected 
Popn

C urrent Re f the rm al fuel costs

Current
R e fe re nce 400,000
Re fe re nce High therm al fue l costs
economic  2,000
300,000
50,000,000

development.   1,500
200,000

100,000
Ja n 01, 2003 Ja n 01, 2043 Ja n 01, 2083
Non-commercial use only!   Jan 01, 2003 Jan 01, 2043 Jan 01, 2083
Non-commercial use only!  
Jan 01, 2003 Jan 01, 2043 Jan 01, 2083
Non-commercial use only!

Also, given Uganda’s high financing risk, the following investment scenario is explored which takes into 
account unfulfilled contracted capacity and longer than planned lead times to capacity commissioning. 

Unfulfilled  contracted  capacity  ‐  Uganda’s  high  financing  risk  means  that  almost  1  in  3  generation 
projects get cancelled in the planning phase so that they don’t get completed.  

Longer than planned lead times – Generation projects in Uganda will in all likelihood take longer than 
planned.  An  example  is  the  Bujagali  project  originally  planned  for  commission  in  2006  is  still  under 
construction expected completion 2010.  

A  combined  scenario  whereby  only  70%  of  all  contracted  capacity  gets  to  be  commissioned  and 
construction lead times are one and a half times longer than planned is analyzed to determine its effect 
on the system 

4.3.1 High Economic Development Scenario  
As can be expected, the higher GDP per capita results in a higher power consumption per capita than 
the base case. See Figure 37. This increase is reflected in the increase in power demand shown in Figure 
38.  

Page | 42  
 
  
 
Nominal Consumption per Capita Domestic Power Demand
kWh kW h

Domestic power demand

Nominal Consn per capita

60,000,000,000

2,000 50,000,000,000

40,000,000,000
C urre nt Curre nt
R e fe re nce 30,000,000,000 Re fe rence
1,500
20,000,000,000

10,000,000,000

1,000
Ja n 01, 2003 Ja n 01, 2043 Ja n 01, 2083 Ja n 01, 2003 Ja n 01, 2043 Ja n 01, 2083
Non-commercial use only! Non-commercial use only!

Figure 37: Nominal consumption per capita ‐ Base case vs  Figure 38: Domestic power demand ‐ Base case vs High 
High economic scenario  economic scenario 

Note  that  the  consuming  population  is  lower  in  this  scenario  than  in  the  base  case.  This  means  the 
increase in power demanded comes from the higher GDP per capita reflecting an increase in purchasing 
power  of  the  population.  A  comparison  of  the  base  case  and  the  scenario  on  the  effect  of  power 
expenses on amount of power demanded shows that power demand is more inelastic in this scenario 
than in the base case (Figure 39). Changes in electricity price have a much lower effect on the amount of 
power demanded. This is because the increased income means that power expenses are now a smaller 
fraction of the consumers’ income per capita (Figure 40)  

Multiplicative Effect of Power Expenses on Demand Ratio Power Expenses to Income per Capita
1.0
Ratio Power expenses to
Eff of expenses on demand

0.9 0.20

0.8

C urre nt Curre nt
0.7 R e fe rence 0.15 R e fe re nce
Income

0.6

0.10
0.5

Ja n 01, 2003 Jan 01, 2043 Ja n 01, 2083 Ja n 01, 2003 Jan 01, 2043 Jan 01, 2083
Non-commercial use only!   Non-commercial use only!

Figure 39: Effect of power expenses on demand – Base case  Figure 40: Ratio power expenses to income ‐ Base case vs High 
vs High economic growth scenario  economic scenario 

Also, contributing to the inelasticity of demand in this scenario is the low cost of fuel which reflects in a 
lower electricity price. See Figure 41.  

Page | 43  
 
  
 
Consumer Electricity Price
Sh/k W h
800

Subsidised consumer tariff

700

600
C urrent

500 R efe rence

400

300

Jan 01, 2003 Ja n 01, 2043 Ja n 01, 2083

Non-commercial use only!  
Figure 41: Consumer electricity prices ‐ Base case vs High economic scenario 

A look at unmet demand in this scenario shows that it is not significantly altered from the base case. See 
Figure 42. This means that the level of unmet demand has little to do with the level of power demand 
but rather a lot to do with the process of power supply – capacity planning.   

Unmet Demand
0.30

0.25
Unmet demand

0.20

0.15 C urre nt
R eference
0.10

0.05

0.00
Ja n 01, 2003 Jan 01, 2043 Ja n 01, 2083
Non-commercial use only!  
Figure 42: Unmet demand ‐ Base case vs High economic scenario 

4.3.2 Low Economic Development Scenario  
The  higher  fuel  costs  in  this  scenario  contribute  to  the  high  electricity  prices  shown  in  Figure  43.  The 
shock price rise and drop is due to dynamics in power demand. See Figure 44   

Consumer Electricity Price Domestic Power Demand

Sh/k W h kWh
40,000,000,000
Domestic power demand
Subsidised consumer tariff

900 30,000,000,000

C urre nt Curre nt
20,000,000,000
R e fe re nce Re ference
600

10,000,000,000

300

Jan 01, 2003 Jan 01, 2043 Jan 01, 2083 Jan 01, 2003 Jan 01, 2043 Ja n 01, 2083
Non-commercial use only!   Non-commercial use only!

Figure 43: Electricity price ‐ Low economic growth scenario  Figure 44: Domestic demand ‐ Base case vs Low economic 
scenario 

Page | 44  
 
  
 
The dip in GDP per capita in this scenario coupled with increasing electricity prices due to high fuel costs  
make  power  demand  much  more  price  elastic  than  the  base  case.  Consumer  purchasing  power  is 
seriously constrained reducing power demand significantly from the base case (Figure 44). When power 
demand  falls  that  sharply,  power  service  costs  are  now  being  spread  over  a  minimal  amount  of 
consumed power units making each power unit much more expensive. When demand begins to increase 
again, unit price begins to decrease.  

As in the scenario for high economic growth, Figure 45 shows similar behavior for the unmet demand 
especially in the initial years when GDP per capita is still growing for the scenario and the base case.  

Unmet Demand
0.30

0.25
Unmet demand

0.20

0.15 C urre nt
R e fe re nce

0.10

0.05

0.00
Jan 01, 2003 Jan 01, 2023 Jan 01, 2043 Jan 01, 2063 Ja n 01, 2083
Non-commercial use only!  
Figure 45: Unmet power demand – Base case vs Low economic growth scenario 

4.3.3 Unfulfilled contracted capacity and longer lead times 
As  can  be  expected  from  the  high  unmet  demand  in  the  base  case,  a  scenario  where  only  70%  of 
contracted  capacity  gets  commissioned  results  in  even  higher  levels  of  unmet  power  demand  (Figure 
46). Construction is taking longer than in the base case meaning that generation capacity in this scenario 
comes online later than in the base case ‐ the magnitude of the available power supply is displaced in 
time relative to that of the base case. The time displacement is clearly illustrated in Figure 47.  

Unmet Demand Total System Power Output

kWh
Capacity power output

0.3
Unmet demand

60,000,000,000

0.2
40,000,000,000 C urrent
R efere nce

0.1 20,000,000,000

0.0
Jan 01, 2003 Jan 01, 2063
Ja n 01, 2003 Jan 01, 2023 Jan 01, 2043 Jan 01, 2063 Jan 01, 2083
Non-commercial use only!   Non-commercial use only!

Figure 46: Unmet demand ‐ Unfulfilled contracted capacity  Figure 47: Unmet power demand – Base case vs Low 
and longer lead times scenario  economic growth scenario 

Page | 45  
 
  
 
4.3.4 Summary of Scenario Analysis 
In this section key findings from the scenario analysis are highlighted: 

• Power  access  levels  are  the  same  in  all  three  contextual  scenarios  because  of  the  policy  of 
arbitrary target connection rates irrespective of generation side conditions i.e. whether there is 
available  capacity  to  meet  the  demand  from  new  connections.  If  policy  was  responsive  to 
conditions in the power sector we should expect to see a faster connection rate and grid access 
in  the  high  economic  development  scenario  than  in  the  base  case  and  low  economic 
development scenarios 
• The simulated development of power supply is insufficient to meet Uganda’s power demand in 
the first 40 years of the study in all investigated scenarios  
• The level of unmet demand in the initial 40 years is mostly consistent with the base case for the 
scenarios investigated. This is because behavior trend of power demand over these years within 
all these scenarios is similarly consistent. The divergence in the behavior of power demand from 
the  base  case  occurs  in  the  latter  40  years  of  the  study  for  the  low  and  high  economic 
development  scenarios.  Over  this  period  the  increase  in  demand  in  the  high  economic 
development  scenario  is  met  by  the  surplus  capacity  that  existed  in  the  base  case  due  to  the 
sharp  decline  in  power  demand  growth.  The  sharp  drop  in  demand  in  the  low  economic 
development scenario results in even higher amounts of surplus capacity for this scenario than 
the base case.  

The  scenarios  provide  different  contexts  in  which  designed  policies  can  be  plugged  and  their  effect 
within these different situations analyzed to determine whether they are robust (effective in a variety of 
possible scenarios) or not.  

 
  

   

Page | 46  
 
  
 
5. Policy Design and Analysis 

There  are  three  major  problems  that  have  come  out  of  this  study:  (1)  a  persistent  unmet  power 
demand.  This  problem  is  the  most  pressing  in  the  near  term  considering  that  the  simulated  level  of 
unmet demand gets to as high as 40% in the coming 3‐5 years. (2) an oscillating and unreliable power 
supply (3) high power service costs. This chapter presents options for the solution of the first two within 
the existing policy framework and solutions to the latter from outside the existing policy framework 

5.1 Impact of Power Losses on System Performance 
The model assumes a base case loss of 34% of generated power all of which is commercial in nature. The 
losses  mostly  occur  as  a  result  of  theft  or  illegal  connections  which  go  unchecked  owing  to  the  high 
levels of corruption by the service employees. Note that because these are almost wholly commercial 
losses, they are in principle, the easiest type of losses to reduce, since reduction can be achieved with 
relatively  low  capital  investment.  A  power  tariff  study  done  for  Uganda  finds  that  in  developing 
countries, including well managed utilities, non technical losses tend to be in the minimum range of 2‐3 
per  cent  (ECON  Centre  for  Economic  Analysis,  2001a,  p.  18).  This  means  that  much  lower  power  loss 
levels are achievable.  

The effect of an incremental targeted loss reduction schedule over time is investigated. Figure 48 shows 
a  possible  targeted  loss  reduction  schedule  from  34%  to  4%  over  10  years.  It  results  in  a  substantial 
reduction in unmet demand cutting the simulated peak in unmet demand in the initial years from 30% 
to about 25% (Figure 49). 

Phased Targeted Loss Constant Unmet Demand

0.30
0.30
Var power loss const

0.25
Unmet demand

0.25
0.20

0.20
0.15

0.15
0.10

0.10
0.05

0.05
0.00
Jan 01, 2003 Jan 01, 2023 Ja n 01, 2043 Jan 01, 2063 Ja n 01, 2083 Jan 01, 2003 Ja n 01, 2023 Jan 01, 2043 Jan 01, 2063 Jan 01, 2083
Non-commercial use only!   Non-commercial use only!

Figure 48: Phased targeted power loss reduction  Figure 49: Effect of loss reduction on unmet demand 

This  policy  option  does  nothing  for  the  problem  of  oscillations  in  unmet  power  demand.  It  has  a 
contribution  to  the  problem  of  high  power  service  costs  however  as  costs  previously  expended  on 
power losses are now spent on meeting power demand. With consumers covering a much lower cost of 
power losses, they pay much less for power compared to the base case. Figure 50 shows the electricity 

Page | 47  
 
  
 
price in the two cases (Reference – Base case, Current – Lower power losses). The lower prices result in 
increase in power demand (Figure 51).  

Consumer Electricity Price Domestic Power Demand

Sh/k W h kW h
800

Domestic power demand

Subsidised consumer tariff

60,000,000,000

700 50,000,000,000

600 40,000,000,000

Curre nt Current
500 30,000,000,000 Re fe re nce
R e fe re nce

400 20,000,000,000

10,000,000,000
300

Ja n 01, 2003 Jan 01, 2043 Ja n 01, 2083

Ja n 01, 2003 Jan 01, 2043 Jan 01, 2083
Non-commercial use only! Non-commercial use only!

Figure 50: Electricity price – Base case vs lower power  Figure 51: Effect of loss reduction on power demand 
losses 

The  dip  in  electricity  price  in  the  initial  20  years  of  the  study  is  attributed  to  the  dominance  of  cheap 
hydro generation for a comparatively longer time than in the base case. See Figure 52 (* represents the 
base case). With cheap hydro whose costs are more or less constant, the unit cost of power reduces as 
power demand increases. Price only begins to increase when thermal capacity becomes the dominant 
technology 

Hydro Vs Thermal fraction of Gen Mix

1.0

0.8

0.6 Hydro fra ction

the rm al fraction

0.4 *Hydro fra ction

*therm al fra ction

0.2

0.0
Ja n 01, 2003 Jan 01, 2043 Ja n 01, 2083
Non-commercial use only!  
Figure 52: Effect of power loss policy on the generation mix 

The  higher  electricity  price  with  higher  losses  is  because  of  Uganda’s  power  sector  policy  which 
stipulates that most of the cost of losses is transferred to consumers. Even with set loss targets for the 
distributor so that they are forced to absorb some of the loss costs, the targets are not set high enough 
due to lack of negotiating power on the part of the regulator. A case in point is the fact that the agreed 
upon loss target for the distributor for 2001 was set at 35 per cent of energy generated which fraction 
was considerably higher than losses in 2000 (ECON Centre for Economic Analysis, 2001a, p. 18). 

Important to keep in mind in the design of the power loss policy: (1) There is an important trade‐off for 
the  government  and  regulator  –  in  Uganda  there  are  huge  commercial  losses  arising  from  illegal 

Page | 48  
 
  
 
connections to domestic consumers but they are only a fraction of the losses from industrial consumers 
whose share of the power demand is about 2/3 and increasing (Electricity Regulatory Authority, 2007, p. 
13). Industrial power theft is mostly achieved through by‐passing the utility’s meters. Although tariffs for 
this sector are subsidized, they are still very high cutting into big parts of businesses’ profits so a power 
loss  policy  is  bound  to  have  some  implication  on  Uganda’s  economy.  (2)  Any  measures  to  reduce 
commercial  losses  in  Uganda  will  likely  require  substantial  investment  in  more  modern  metering 
equipment  as  existing  ones  are  too  rudimentary  for  Uganda’s  generally  poor  but  street‐smart 
population. 

5.1.1 Robustness of Power Loss Policy 
The  robustness  of  this  policy  is  analyzed  to  determine  its  effectiveness  under  the  three  different 
possible  futures  described  in  section  4.3  i.e.  high  economic  development  scenario,  low  economic 
development scenario and unfulfilled contracted capacity and longer lead times scenario. Figures below 
show  the  effect  of  the  designed  power  loss  policy  on  unmet  power  demand  on  these  respective 
scenarios.  The  designed  policy  can  be  regarded  as  robust  ‐  effectively  reduces  the  level  of  unmet 
demand in all the analyzed possible futures. 

Unmet Demand Unmet Demand

0.30 0.30

0.25 0.25
Unmet demand
Unmet demand

0.20 0.20

0.15 0.15

0.10 0.10

0.05 0.05

0.00 0.00
Jan 01, 2003 Ja n 01, 2023 Jan 01, 2043 Jan 01, 2063 Jan 01, 2083 Ja n 01, 2003 Ja n 01, 2023 Ja n 01, 2043 Ja n 01, 2063 Ja n 01, 2083
Non-commercial use only!   Non-commercial use only!  
Figure 53: Effect of loss policy in base case scenario  Figure 54: Effect of loss policy in high economic development 
scenario 

Unmet Demand Unmet Demand

0.30

0.25 0.3
Unmet demand
Unmet demand

0.20
0.2
0.15

0.10
0.1

0.05

0.00 0.0
Ja n 01, 2003 Ja n 01, 2023 Jan 01, 2043 Ja n 01, 2063 Ja n 01, 2083 Jan 01, 2003 Ja n 01, 2023 Ja n 01, 2043 Ja n 01, 2063 Ja n 01, 2083
Non-commercial use only!   Non-commercial use only!  
Figure 55: Effect of loss policy in low economic development  Figure 56: Effect of loss policy in unfulfilled capacity and 
scenario  longer lead times scenario 

Page | 49  
 
  
 
5.2 Impact of Upfront Capacity Investment versus Spread Investment 
One of the reasons for the persistent power deficit is the fact that planned capacity in the base case is 
always lagging power demand. While the regulator plans for capacity over a  20 year period, investors 
mostly have the freedom to put off meeting their investment obligations as long as possible within these 
20 years. The study explores impact  of spreading  the investment obligation of the generators over 20 
years versus a more upfront/front‐end investment obligation. A comparison is made between the base 
case where the investment obligation is spread over 20 years (Case A) to one where it is front‐ended in 
the first 10 years of the concession period (Case B). 

Figure  57  shows  the  level  of  unmet  power  demand  in  the  two  cases.  Case  B  (Current  run)  has  lower 
levels  of  unmet  power  demand  than  the  reference  case.  This  can  be  attributed  to  the  fact  that 
obligatory investment in all contracted capacity in the first 10 years means that existing power demand 
is met sooner than in the base case which by comparison has investors still fulfilling residual contractual 
obligations at the end of the 20 years. In essence the policy reduces the time lag between power supply 
and power demand. 

Unmet Demand
0.30

0.25
Unmet demand

0.20

0.15

0.10

0.05

0.00
Jan 01, 2003 Jan 01, 2023 Jan 01, 2043 Jan 01, 2063 Jan 01, 2083
Non-commercial use only!  
Figure 57: Effect of front end investment on unmet demand 

While the policy reduces unmet demand it does not solve the problem of oscillating unmet demand. It 
however  has  a  positive  impact  on  reducing  power  service  costs  resulting  in  generally  lower  electricity 
prices than in the base case (Figure 58). It results in availability of needed capacity sooner rather than 
later  accounting  for  the  higher  levels  of  installed  capacity  in  the  initial  40  years  for  the  policy  as 
compared to the base case (Figure 59).  

Page | 50  
 
  
 
Consumer Electricity Price Installed Capacity
Sh/k W h MW
800
Subsidised consumer tariff

Total installed capacity

10,000

700

600
C urre nt C urre nt
R e fe rence 5,000 R e fe re nce
500

400

300
0
Ja n 01, 2003 Ja n 01, 2043 Ja n 01, 2083
Ja n 01, 2003 Jan 01, 2043 Ja n 01, 2083
Non-commercial use only!   Non-commercial use only!  

Figure 58: Effect of upfront capacity investment on electricity  Figure 59: Effect of upfront capacity investment on installed 
price  capacity 

What is specifically important for costs is that hydro capacity rather than being contracted and unused 
for extended periods of time, the policy ensures that it gets constructed faster than in the base case, put 
in use and allowed to retire freeing up that hydro potential for re‐use. The implication is that more of 
the cheap hydro potential is utilized for the policy than in the base case. The base case ends up relying 
on  more  expensive  thermal  capacity  because  for  a  long  time  a  lot  of  hydro  potential  is  tied  up 
(contracted) but not in use. See Figure 60 (* refers to the base case). 

Hydro Vs Thermal fraction of Gen Mix

1.0

0.8

0.6 Hydro fraction

the rm al fraction
*Hydro fraction
0.4
*therm al fraction

0.2

0.0
Jan 01, 2003 Jan 01, 2043 Jan 01, 2083
Non-commercial use only!  
Figure 60: Effect of upfront capacity investment on the generation mix 

An examination of the effect of this policy in all the possible futures described in section 4.3 shows that 
as is the case for the loss policy in section 5.1.1 it is robust reducing the level of unmet demand in all the 
analyzed scenarios. 

5.3 Impact of Grid Development Policy on Unmet Demand 
The nature of power access in Uganda where unmet demand levels are consistently high seems to be a 
result of competing interests on the part of the regulator. On the one hand there is the primary interest 
of supplying sufficient power to meet consumers’ total demand and on the other, another key interest 
in ramping up the speed of power access in terms of grid connections. In terms of the policy framework 
however, there is no feedback between the level of unmet demand and the speed of connections. The 

Page | 51  
 
  
 
latter interest accounts for the policy of arbitrary target connection rates irrespective of generation side 
conditions resulting in high unreliability of power supply for connected consumers.  

Key question then becomes how to balance out these competing interests in such a way that ensures 
that grid development (focus on distribution connections) and the corresponding growth in grid access is 
in  synch  with  growing  electricity  demand  and  the  required  growth  in  electricity  supply.  The  obvious 
solution here is to incorporate the set grid access targets into the capacity planning process as is already 
being  done  but  given  the  uncertainties  in  demand  forecasts  associated  with  the  thermal  fuel  oil  costs 
and the price elasticity of demand arising as well as the fact that forecasts are done over a period of 20 
years,  under/over  demand  estimates  are  still  highly  bound  to  occur.  The  question  is:  Can  the  grid 
connections policy be flexible enough to allow for adjustments in face of different conditions allowing 
for  a  lower  connection  rate  in  case  of  higher  than  expected  demand  and  consequently  deficits  or  a 
higher rate in case of lower than expected demand and consequently surplus capacity? This would most 
especially be useful in the initial 40 years where the levels of unmet demand are unusually high 

An option is presented here which allows for a certain level of flexibility in the connections growth rate. 
The policy utilizes a minimum acceptable level of power service quality e.g. 20% unmet demand and in 
order not to exceed this minimum, no additional connections are made to the grid if the unmet demand 
is projected to exceed 20%. If the projected unmet demand is less than 20%, then the nominal target 
connection  rate  applies.  Note  that  because  the  capacity  addition  process  is  demand  driven  and  this 
policy  would  limit  demand  growth,  the  incentive  to  add  new  capacity  would  now  be  limited  by  the 
artificially low demand to values just enough to keep deficits below 20%. The policy must keep track of 
what the unconstrained demand would have been and this is the value to be used in planning for future 
required capacity. 

Unmet Demand On-grid Electricity Access

0.30
On-grid Electricity Access

0.9
0.25
Unmet demand

0.20
0.6
0.15 C urre nt
R efe re nce
0.10

0.3
0.05

0.00
Ja n 01, 2003 Jan 01, 2023 Ja n 01, 2043 Jan 01, 2063 Ja n 01, 2083 Ja n 01, 2003 Ja n 01, 2043 Jan 01, 2083
Non-commercial use only!   Non-commercial use only!  
Figure 61: Unmet demand – Base case vs flexible  Figure 62: Electricity access – Base case vs flexible 
connection rate  connection rate 

The impact of this policy on the level of unmet demand is shown in Figure 61.  The initial high unmet 
demand of up to 30% is now capped at 20%. The policy also deals with the oscillations in unmet demand 
reducing  their  frequency  and  amplitude  which  means  higher  reliability  of  service  for  the  consuming 
population. Figure 62 compares the growth in power access levels for the two cases i.e. the base case 
(Reference) versus case of flexible connection growth rate (Current). As expected, growth in electricity 
access  is  much  lower  in  this  case  but  this  trade  off  has  to  be  weighed  against  the  higher  reliability  in 
power service for the existing consumers 

Page | 52  
 
  
 
 

On the issue of power service costs the policy results has a negligible impact on electricity prices (Figure 
63) for the lower number  of connected consumers  (Figure 64). This is because the  drop in consuming 
population is small and power supply is maintained at the same levels as the base case. This means that 
with this policy the spike in unmet demand of 30% in the initial 10 years of the study  can be avoided 
providing consumers with more reliable power supply at approximately similar cost. 

Consumer Electricity Price Consuming Population

Sh/k Wh
800 40,000,000
Subsidised consumer tariff

Consuming popn
700
30,000,000

600
C urre nt C urre nt
20,000,000
500 R e fe re nce R efe rence

400 10,000,000

300

Ja n 01, 2003 Ja n 01, 2043 Ja n 01, 2083 Ja n 01, 2003 Jan 01, 2043 Jan 01, 2083
Non-commercial use only!   Non-commercial use only!

Figure 63: Effect of grid connection policy on electricity  Figure 64: Effect of grid connection policy on consuming 
price  population 

An examination of the effect of this policy in all the possible futures described in section 4.3 shows that 
as in the base case, it limits the level of unmet demand to 20% and below and reduces the frequency 
and amplitude of oscillations in unmet demand making power supply much more reliable for consumers. 
It is therefore a robust policy. 

5.4 Combination of Policies 5.1 – 5.3 
A combination of the three corrective policies above i.e. targeted power loss reduction, obligated front‐
end investment in the first 10 years of the concession and employing a connection growth rate that is 
responsive to the generation side is investigated to determine their combined impact on unmet power 
demand. Figure 65 shows that the combination yields significantly lower levels of unmet demand while 
the oscillations in unmet power demand persist 

Unmet Demand
0.30

0.25
Unmet demand

0.20

0.15 C urre nt
R e fe re nce
0.10

0.05

0.00
Jan 01, 2003 Ja n 01, 2043 Ja n 01, 2083
Non-commercial use only!  
Figure 65: Unmet demand – Base case vs combination of corrective policies 

Page | 53  
 
  
 
The combination of policies results in substantial savings in power service costs. The electricity price is 
reduced  by  more  than  30%  compared  the  base  case  (Figure  66).  Especially  in  the  first  20  years of  the 
study  electricity  price  decreases  over  time.  This  is  attributed  to  comparably  lower  levels  of  expensive 
thermal capacity than in the base case (Figure 67). The costs of the dominant hydro capacity in those 20 
years keep on decreasing as consumers and power demand increases so that cost is spread over more 
power units. After 20 years thermal capacity begins to increase sharply accounting for the subsequent 
price increase 

Consumer Electricity Price Thermal fraction of Gen Mix

Sh/k W h
800
Subsidised consumer tariff

0.8

thermal fraction
700

600 0.6

500 C urre nt Current

R e fe re nce 0.4 Re ference
400

0.2
300

200 0.0
Ja n 01, 2003 Ja n 01, 2043 Ja n 01, 2083 Jan 01, 2003 Ja n 01, 2043 Jan 01, 2083
Non-commercial use only!   Non-commercial use only!  
Figure 66: Effect of policies combination on electricity price  Figure 67: Effect of policies combination on thermal capacity 

5.5 Impact of Upfront Investment Obligation 
To address the cycles in power supply there is need to eliminate the time between contracting for the 
capacity  and  the  start  of  construction  of  that  capacity  so  that  successful  bidders  for  generation 
concessions fulfill all their obligated investment for the 20 years upfront – not over 20 years as in the 
base case and not over the first 10 years as in the policy of section 5.1.1. This means required capacity is 
constructed as soon as it is contracted for with minimal delay. Figure 68 shows the behavior of unmet 
power demand with this policy applied from 2003 to 2083. It is substantially reduced from the base case 
and the pronounced cycles in the base case are replaced by slight ripples implying a more reliable power 
supply.    Figure  69  shows  the  simulated  path  of  unmet  demand  when  the  policy  is  applied  starting  in 
2010 

Unmet Demand Unmet Demand

0.30 0.30

0.25 0.25
Unmet demand

Unmet demand

0.20 0.20

0.15 C urre nt C urre nt

0.15
R efe rence R eference
0.10 0.10

0.05 0.05

0.00 0.00
Jan 01, 2003 Ja n 01, 2043 Ja n 01, 2083 Jan 01, 2003 Ja n 01, 2043 Ja n 01, 2083
Non-commercial use only! Non-commercial use only!  
Figure 68: Unmet demand – Base case vs upfront  Figure 69: Unmet demand – Base case vs upfront 
investment (2003‐2083)  investment (2010‐2083) 

Page | 54  
 
  
 
The  constraint  with  this  policy  is  to  do  with  financial  resources  and  financial  risk.  For  the  regulator  to 
convince private investors to invest in big chunks of generation capacity at one go is a hard sale. This is 
because of the high financial risk in Uganda having to do with market volatility (volatility of oil prices), 
institutional stability and rule of law guaranteeing that agreements will be honored (uncertain), nature 
of power demand (fluctuating), etc. To get willing investors would require even higher rates of return on 
investment which consumers will be hard pressed to afford. 

The effect of the policy on unmet power demand is uniform in all the scenarios described in section 4.4 
– the level of unmet demand is reduced and the oscillations in unmet demand reduced to slight ripples. 
The  policy  is  shown  to  reduce  power  service  costs  by  reducing  the  amount  of  expensive  thermal 
generation  compared  to  the  base  case  (‘*Thermal  fraction’  in  Figure  70).  This  reduction  in  thermal 
generation yields a substantial decrease in consumer electricity price (Figure 71)   

Hydro Vs Thermal fraction of Gen Mix Consumer Electricity Price

Sh/k W h
1.0
800

Subsidised consumer tariff

0.8 700

0.6 Hydro fra ction 600

therm a l fraction C urre nt
*Hydro fraction 500 R e fe re nce
0.4
*the rm al fra ctio n
400
0.2

300
0.0
Ja n 01, 2003 Jan 01, 2043 Ja n 01, 2083 Ja n 01, 2003 Ja n 01, 2043 Ja n 01, 2083
Non-commercial use only! Non-commercial use only!  
Figure 70: Effect of policy combination on generation mix  Figure 71: Effect of policy combination on electricity price 

5.6 Combination of Policies 5.4 & 5.5 
When the policy of upfront investment obligation n the first year of the concession is combined with the 
designed  policies  of  section  5.4,  the  result  is  a  system  with  the  lowest  levels  of  unmet  demand 
compared  to  the  results  from  the  individual  policy  designs  presented  in  the  study  and  more  reliable 
power  supply.  See  Figure  72.  This  combo  of  policy  revisions  presents  a  robust  solution  to  the  main 
problems  identified  in  this  study  ‐  the  very  high  levels  of  unmet  demand  in  the  initial  40  years  of  the 
study as well as the unreliability in demand brought about by the cycles in power supply. This solution is 
good for the short, mid and long term of Uganda’s power sector. 

Unmet Demand
0.30

0.25
Unmet demand

0.20

0.15 C urrent
R e fe re nce
0.10

0.05

0.00
Ja n 01, 2003 Ja n 01, 2043 Ja n 01, 2083
Non-commercial use only!  
Figure 72: Effect of policy mix design on power system 

Page | 55  
 
  
 
 

The effect of the policy combination on power service costs is similar to that of the policies combination 
discussed  in  section  5.4  Electricity  price  is  lower  than  in  the  base  case  by  more  than  30%  due  to 
comparatively lower levels of expensive thermal capacity than in the base case. Note that both power 
demand and supply are higher with the policy combination than the base case. Figure 73 below shows 
these results 

Consumer Electricity Price Thermal fraction of Gen Mix

Sh/k W h
800
Subsidised consumer tariff

0.8

therm al fraction
700

600 0.6

500 C urre nt Current

R e fe re nce 0.4 Reference
400

0.2
300

200
0.0
Ja n 01, 2003 Ja n 01, 2043 Ja n 01, 2083 Jan 01, 2003 Jan 01, 2043 Jan 01, 2083
Non-commercial use only! Non-commercial use only!  

Domestic Power Supply Domestic Power Demand

kWh kWh
60,000,000,000
Domestic power demand
Eff domestic power supply

60,000,000,000

50,000,000,000
50,000,000,000

40,000,000,000
40,000,000,000
Curre nt Curre nt
30,000,000,000 Re fe re nce 30,000,000,000 R e fe rence

20,000,000,000 20,000,000,000

10,000,000,000 10,000,000,000

Jan 01, 2003 Jan 01, 2043 Jan 01, 2083 Ja n 01, 2003 Ja n 01, 2043 Ja n 01, 2083
Non-commercial use only! Non-commercial use only!  

Figure 73: Effect of policy combination on power service costs 

5.7 Insights on the Devised Model Based Policies 
The following highlights are derived from the devised model based policies: 

• The policies discussed in 5.1 – 5.4 of targeted power loss reduction, upfront capacity investment 
in the first 10 years of the concession, a grid development policy responsive to the power deficit 
and  taking  expected  losses  into  account  in  the  capacity  planning  process  all  individually  yield 
significant reductions in the level of unmet demand but they do nothing to solve oscillations in 
unmet power demand. 
• The  policy  described  in  section  5.6  of  upfront  obligated  investment  in  the  first  year  of  the 
concession not only reduces the level of unmet power demand but also removes oscillations in 
unmet demand making power supply much more reliable.  

Page | 56  
 
  
 
• The combination of these policies is a multi‐pronged approach that yields the best results with 
the lowest levels of unmet demand and a substantial reduction in the amplitude of oscillations 
in unmet demand. 
• For all the policies presented, there is still a residual level of unmet demand and cases of surplus 
capacity (assumed to be exported). Surplus capacity is unplanned excess generation capacity; in 
the event that there are fixed export agreements that do not allow for export of this capacity, it 
becomes  a  big  problem.  Persistent  unmet  demand  and  unusually  long  periods  of  surplus 
capacity are the direct result of a capacity planning process that responds too slowly to changes 
in  power  demand.  None  of  the  designed  policies  have  been  able  to  fix  this  problem.  To  a  big 
extent  this  problem  is  associated  with  the  very  nature  of  Uganda’s  electricity  market  which  is 
very highly regulated (regulator approves prices, contracts for required capacity, etc.). While a 
more  perfect  market  with  more  competition  is  more  likely  to  respond  faster  to  changes  in 
power  demand,  the  present  structure  which  involves  contracts,  guarantees  against  losses  for 
investors  etc.  cannot  be  as  flexible.  Note  that  this  is  a  necessary  evil  since  the  market  is  not 
developed enough to attract serious investors without external  government incentives. As the 
market  evolves  and  matures  enough  to  reduce  the  need  for  government  incentives  and 
interventions,  a  gradual  evolution  to  competition  within  the  sector  is  bound  to  solve  this 
problem i.e. in a perfect market the surplus capacity would not be the problem of the consumer 
and viable unmet demand presents opportunities for higher profits 

5.8 Policies beyond the Model 
Uganda’s main problems lie with a generally poor population which therefore requires low cost power 
service in order to increase affordability. Delivering low cost power service is especially a challenge in 
Uganda given the high market risks facing investors described in section 2.1 as well as Uganda’s current 
lack of cheap primary energy resources in form of coal, gas, etc as well as cheap hydro potential once 
that potential gets used up.  

The  measures  are  presented  as  solutions  to  two  dilemmas:  (1)  how  to  ensure  growth  in  low  cost 
generation  capacity  sufficient  to  meet  demand  (2)  how  to  ensure  a  ramp  up  of  electricity  access  at 
minimum cost 

Uganda’s  power  service  costs  according  to  the  model  are  shown  to  increase  over  time  as  thermal 
generation gains prominence as a generation technology. This is one area where Uganda can cut costs – 
finding cheaper alternative generation technology options which in combination or standalone are big 
enough  to  take  the  place  of  oil  fuel  based  thermal  generation  and  could  allow  for  significant  cost 
reductions facilitating lower consumer prices and faster growth in electricity access.  

Another source of high power service costs lies with the extremely high rates of return on investment 
required  to  attract  private  investors  into  Uganda’s  power  sector.  This  section  presents  options  for 
cheaper  alternative  generation  technologies  and  possibilities  to  attract  private  investors  to  invest  at 

Page | 57  
 
  
 
much  cheaper  rates  of  return  that  may  help  to  alleviate  Uganda’s  current  cost  related  problems  and 
offset  expected  future  problems.  Note  that  because  of  the  limited  time  available  for  this  study  the 
necessary research – data gathering, feasibility analysis and modeling for these policies is left out of the 
scope of this study and is recommended as future research 

5.8.1 Options for Alternative Energy Technologies 
Uganda does not possess primary high value natural energy resources. The limited resources it has have 
been described in section 1.1. A least cost strategy begins with full utilization of what is available. Apart 
from hydro, Uganda’s next high value energy resources are biomass, geothermal and solar energy with 
estimated electrical potential of 14,454GWh/yr, 3,942GWh/yr and 1,750GWh/yr respectively. Combined 
these should offset the need for expensive thermal generation except as a backup option. This section 
expounds on possible use of one of these alternative energy resources ‐ cheap solar energy  

Solar Energy Option 

In  exploring  the  solar  energy  option  it  is  important  to  understand  why  it  hasn’t  taken  off  in  Uganda. 
Many  pilot  projects  have  started  and  eventually  fizzled  out  in  an  effort  to  encourage  the  use  of  solar 
generation on a small and individual consumer scale. Push has been for application of solar generation 
at consumer premises. It has failed because of the high initial installation costs that make it unaffordable 
to  the  majority  of  the  population  but  also  because  of  the  low  value  output  that  precludes  the  use  of 
higher wattage consuming applications. 

Solar energy is cheap and although Uganda’s electrical potential is only 1750GWh/yr, one could argue 
that  this  potential  is  only  increasing  with  Uganda’s  changing  weather  patterns  of  longer  and  longer 
droughts. If solar generation was developed on a larger scale in Uganda it has the potential to become a 
viable  generation  technology.  Right  now  the  government  is  effectively  owner  and  financier  of  the 
existing  thermal  generation  installations  on  top  of  subsidizing  electricity  for  all  consumer  sectors  in 
Uganda to the tune of billions of shillings a year. Going by the long term view, these resources may be 
more effectively utilized towards the use of Uganda’s solar energy in terms of large scale, high capacity 
solar generation output plants.  

By  using  Concentrated  Solar  Power  Technologies  (CSP),  the  government  can  harness  a  cheap  energy 
resource and provide cheap electricity to its citizens. Concentrating solar power (CSP) technologies use 
mirrors to reflect and concentrate sunlight onto receivers that collect the solar energy and convert it to 
heat.  This  thermal  energy  can  then  be  used  to  produce  electricity  via  a  steam  turbine  or  heat  engine 
driving a generator (U.S. Department of Energy, 2008). Operational details and costs related to CSP are 
out of the scope of this study but many advantages make it a viable option for further investigation and 
research including: (1) Guaranteed low fuel costs definitely cheaper than for diesel thermal generation 
(2) Power service costs decrease with time as opposed to the case of diesel thermal generation where 
they  can  only  increase  (3)  The  technology  provides  a  way  to  provide  much  needed  distributed 
generation  for  those  areas  with  plenty  of  solar  resource  but  no  grid  access  especially  in  Northern 

Page | 58  
 
  
 
Uganda  (see  Figure  5  for  an  indication  of  extent  of  Uganda’s  power  grid)  (4)  It  is  a  cost‐competitive 
option for providing clean, renewable energy 

The last advantage becomes very important in the attraction private investors especially from emission 
credits seeking investors as further discussed below 

5.8.2 Attraction of Private Investors 
In this section a brief look at the Clean Development Mechanism (CDM) and the development options it 
may present to a developing country like Uganda.  

CDM  is  a  Kyoto  mechanism  for  the  reduction  of  emissions  of  carbon  dioxide  and  other  greenhouse 
gases. The underlying principle is based on the concept that a ton of carbon dioxide produced anywhere 
on earth has the same degradation impact on the environment but because the cost of mitigating the 
production  of  these  emissions  varies  depending  on  which  part  of  the  world  you  are  in,  countries  can 
collaborate so that those unable to achieve their emission targets at home could go abroad and earn the 
shortfalls in their targets (Sebitosi & Pillay, 2005, p. 273). Foreign investors can earn certifiable emission 
credits (CERS) by investing in projects that mitigate the mentioned emissions. This way CDM presents an 
opportunity for an African country like Uganda to attract new financing from those countries seeking to 
meet their emission targets for development of its power sector. 

The constraints:  

The  CDM  market  so  far  has  developed  towards  a  focus  on  only  a  few  project  types  and  in  a  limited 
number  of  host  countries  one  of  which  Uganda  is  currently  not  –  findings  show  that  the  general 
attractiveness of African host countries is quite low with the exception of South Africa (Jung, 2005, p. 1). 

How does Uganda salvage the situation?  

Uganda can only benefit from this program if its government can argue its case before the UN as they 
only  recognize  sovereign  states  as  legitimate  entities.  Serious  lobbying  efforts  on  the  part  of  the 
government with other sub‐Saharan governments for more ranking points for their respective countries 
in  the  CDM  program  may  yield  substantial  benefits  for  these  countries  in  terms  of  financing  for  a 
renewable energy based power industry. 

5.8.3 A regional based solution 
From  Table  1  Uganda  has  a  total  primary  electrical  potential  of  only  5300MW.  Given  the  pace  of 
population  growth  and  the  resulting  speed  in  power  demand  growth,  it  is  clear  Uganda  cannot 
sustainably rely solely on its energy resources. It must turn to its rather richly endowed neighbors. 

The Democratic Republic of Congo to the west has enough energy potential to support the whole of East 
and Southern Africa. See Table 6 below for an indication of Congo’s energy potential.

Page | 59  
 
  
 
Table 5: Summary of the exploitable energy potential of the DRC. Sourced from (Perez, Nkanka, Ngulumingi, Gimeno, & 
Kazadi, 2005, p. 279) 

RESOURCES EXPLOITABLE POTENTIAL

Hydro-electrics  774.000 GWh/year (±100.000 MW)

Forestry 122 million hectare, 8’3 thousand million tep 

Oil (oilfield, Atlantic coast) 230 million barrels

Coal (Katanga)  720 million tons, of which 88 million recoverable 

Methane gas (Lago Kivu) 50 thousand million m3

Uranium (Katanga) Not estimated

Tanzania to the south of Uganda though not so similarly endowed has coal deposits at Mchuchuma with 
potential  to  generate  400MW  for  up  to  40  years  as  well  as  natural  gas  estimated  at  about  30  billion 
cubic meters at Songo Songo (Otieno & Awange, 2006, p. 78) 

One option for Uganda is to import primary high value natural resources e.g. coal. A cost benefit analysis 
of power generation using imported coal versus using imported diesel needs to be done to determine 
the least cost option in the long term.  

The other option is to consider a regional based solution. All African countries in this region (East Africa) 
face  the  same  power  issues  as  Uganda  the  most  important  being  lack  of  the  necessary  financial 
resources  to  exploit  their  natural  resources.  Especially  considering  the  immense  hydro  potential  of 
Congo, a regional solution where the different countries pool their financial resources and invest in one 
or  two  large  regional  plants  could  supply  power  more  cheaply  and  efficiently  than  dozens  of  smaller 
ones. Uganda especially without significant natural resources should be more highly invested in such a 
solution.  Essentially  different  countries  in  the  region  co‐invest  and  share  the  power  output  through  a 
regulated  exchange  similar  to  the  Southern  Africa  Power  Pool  (SAPP)  and  the  West  Africa  Power  Pool 
(WAPP).  This  should  create  more  robust  regional  power  grids  to  Uganda’s  benefit,  lowering  capital 
investment  requirements  per  country  and  reducing  system  operational  costs  (World  Bank  Energy 
Transport and Water Department, 2005, p. 2). 

There  are  constraints  however:  Political  instability  in  the  region  makes  pooling  resources  for  an 
investment  in  another  country  an  unattractive  option  because  it  presents  a  financial  risk  as  well  as  a 
security risk whereby a country’s power system is under foreign control. Still, there are different extents 
to which countries can participate in these power pools. Uganda could for example join the SAPP as a 
buyer  rather  than  a  co‐investor  or  seller.  This  is  a  more  immediate  viable  option  considering  her 
neighbors Tanzania and Congo are also part of this same power pool.  

   

Page | 60  
 
  
 
6. Conclusions 

6.1 Research Findings 
This study has been focused on obtaining answers to the following research questions: 

• How is Uganda’s on‐grid power access expected to evolve with the current market design and 
local conditions in Uganda? Is the expected generation capacity development as determined by 
the existing capacity planning process sufficient to meet Uganda’s power demand? 
• What reasons within the market or institutional structure account for any shortfalls?  
• What would therefore be needed to ensure that growth in generation capacity is sufficient to 
meet Uganda’s growing electricity demand? 
 

The  study  has  found  that  the  simulated  development  of  power  supply  as  determined  by  the  existing 
market design and capacity planning process is insufficient to meet Uganda’s growing power demand in 
the  initial  40  years  of  the  study  in  all  the  investigated  scenarios  low,  medium  and  high  economic 
development. The simulated unmet power demand gets to as high as 30% within the next 5‐10 years. 
The power supply is found to be not only insufficient but also unreliable characterized by big oscillations 
in  the  level  of  unmet  power  demand.  The  low  development  scenario  especially  presents  other 
challenges  apart  from  high  levels  of  unmet  demand  –  stagnation  or  declining  GDP  per  capita  result  in 
corresponding changes in per capita power demand. Declining power demand exacerbated by high fuel 
prices is shown in the model to lead to big spikes in consumers’ electricity price. 

The problems of unmet demand and high power service costs have been found to be the direct result of 
the  capacity  planning  process  which  is  mostly  lagging  power  demand  to  some  extent  by  design 
(deliberately  conservative  projections  of  required  future  capacity  to  reduce  the  chance  of  expensive 
surplus  capacity)  and  also  due  to  a  lack  of  sufficient  negotiating  power  on  the  part  of  the 
regulator/single  buyer  to  enforce  timely  capacity  investments  at  reasonable  rates  of  return  on 
investment. 

The study suggests an array of power sector policy improvements to solve these problems including: 

• A  gradual  targeted  reduction  in  power  sector  losses  especially  focused  on  commercial  losses 
whose reduction can be achieved with relatively low capital investment 
• A mandatory obligation for potential generators to invest in contracted capacity upfront at the 
beginning of the concession period 
• A coupling of the power generation side and the distribution side in the planning process so that 
the consumer connection rate takes into account the level of the power deficit 
 

Individually  each  policy  revision  has  been  shown  to  contribute  to  a  certain  extent  to  the  solution  of 
unmet  power  demand,  oscillations  in  unmet  demand  and  high  power  service  costs  but  it’s  the 
combination  of  all  the  suggested  policy  revisions  that  yields  the  most  impact.  It  results  in  the  lowest 

Page | 61  
 
  
 
level  of  unmet  power  demand  compared  to  the  individual  policy  revisions  and  it  also  manages  to 
achieve the lowest power service costs. What all the designed policy revisions fail to do is to alter the 
capacity planning process enough to allow for a much faster response to changes in power demand – all 
policies still leave a residual level of unmet demand and also have instances of unusually long periods of 
surplus  capacity.  This  problem  has  been  attributed  to  the  absence  of  perfect  market  and  competition 
conditions in Uganda’s power sector. As the market evolves and matures enough to reduce the need for 
government incentives and interventions, it is expected that a gradual evolution to competition within 
the sector is bound to solve this problem 

6.1.1 Lessons/Insights on System Dynamics Methodology 
Over the course of this study the following insights have been obtained in the application of system 
dynamics methodology: 

• It  is  a  fine  balancing  act  that  emphasizes  the  need  to  keep  the  model  small  so  that  it  is 
manageable  and understandable  to the target audience but also with  the needed detail  to be 
able to properly capture the dynamics of the system at the level of detail required by the model 
function. 
• In  the  application  of  system  dynamics  to  develop  a  theory,  the  mathematical  underpinning 
needed  for  computer  simulation  requires  that  the  theory  be  precise  ("System  Dynamics 
Methodology,"  2009).  Reality  though  is  not  that  precise.  There  are  significant  limits  to  the 
certainty that can be applied to certain soft variables, effects e.g. ‘Effect of power expenses on 
power demand’ and to some important causal relationships e.g. to what extent GDP per capita 
influences electricity consumption per capita.  
• System dynamics methodology requires extensive factual data (historical) on the system under 
investigation and in the absence of such data as was the case for this study the modeler and/or 
the client has to exercise their personal judgment in estimating what the missing values might 
be.  This  leaves  the  outcomes  susceptible  to  the  modeler’s  bias.  Two  different  modelers  are 
quite likely to come up with completely different model outcomes of the same system. 
 

The insights above ought to be kept in mind in the interpretation and use of the results from this study. 

6.2 Reflection beyond the Model 
The  reality  that  is  Uganda’s  power  sector  is  very  complex.  The  system  dynamics  model  developed 
presents a highly reduced and simplified reality; just enough to provide a working theory on the most 
crucial mechanisms driving the power sector. Exogenous variables in the study are assumed either to be 
constant  and  not  impacting  the  system’s  dynamic  behavior  or  not  significantly  affecting  a  particular 
policy being investigated. In this section a reflection of some of the complex realities simplified in this 
study:  

The scope of the study excludes a detailed analysis of the evolution and development of Uganda’s GDP 
over time. Rather GDP is treated as an exogenous variable impacting the power system (influencing the 

Page | 62  
 
  
 
development  of  power  demand)  but  itself  developing  independent  of  the  power  system.  There  is  a 
reality  not  explicitly  addressed  on  the  influence  of  the  power  sector  on  development  of  GDP.  Power 
availability fuels a country’s productivity and consequently its development and that of its citizens. This 
poses  an  open  question  therefore  about  how  much  GDP  per  capita  is  expected  to  grow  and  the 
consequent growth in power demand given Uganda’s high power deficits as demonstrated in the study. 
In a way a question of chicken and egg – with such high levels of projected power deficits the chances 
that  Uganda’s  economy  continues  to  grow  are  slim;  on  the  other  hand,  the  increasing  power  deficit 
could  as  well  be  the  bi‐product  of  accelerated  economic  growth  with  a  non  energy  intensive  based 
economy as  Uganda’s is (agricultural based). The base case is based on the latter assumption and the 
former  is  explored  in  the  ‘Low  economic  growth’  scenario  of  section  4.3.2  which  explores  the 
development of the power sector in the event of a stagnant and even falling level of GDP. 

For  this  study  the  power  losses  are  modeled  as  exogenous  to  the  power  system  influencing  but  not 
influenced  by  other  variables  in  the  system.  An  average  value  of  power  loss  is  applied  for  the  sole 
purpose  of  determining  its  impact  on  the  performance  of  the  system.  The  complex  reality  is  that 
Uganda’s commercial power losses are influenced by variables within the power system. Electricity price 
increments  tend  to  be  followed  by  a  drop  in  the  power  demand  especially  for  the  domestic  and 
commercial consumers whose demand is more price elastic and an approximate proportional increase in 
commercial  power  losses.  One  could  also  argue  to  some  extent  that  the  more  grid  connections  made 
the less will be the illegal connections; although the fact that most of those illegal connections are made 
to  temporary  structures  which  would  never  have  qualified  for  a  legal  connection  anyway  may  negate 
this argument. These endogenous relationships should alter the projected development of power losses 
and  their  impact  on  the  system  although  the  extent  of  the  change  is  uncertain.  For  the  purpose  of 
clarifying  and  providing  understanding  of  the  basic  mechanisms  driving  Uganda’s  power  sector,  this 
study  assumes  these  changes  are  not  significant  enough  to  substantially  alter  the  resulting  power 
system trajectory.   

The study assumes a basic minimum electricity consumption per capita for all grid connected consumers 
that  is  price  inelastic  so  connected  consumers  are  always  demanding  some  level  of  power  however 
expensive  power  gets.  The  assumption  is  an  abstraction  of  a  complex  reality  of  income  inequality 
whereby even though power may be too expensive for some to afford completely, there is always a part 
of the population that can afford it albeit at lower levels of consumption. Because the study relies on a 
uniform average GDP per capita for the whole population this is expressed as a minimum level of power 
demand for all the connected population.  

The factors discussed highlight discrepancies between the complex reality that is Uganda’s power sector 
and  a  reduced  simplified  representation  of  it  that  is  the  developed  system  dynamics  model.  The 
abstraction  was  made  with  the  purpose  of  this  overall  study  in  mind.  Another  study  purpose  may 
require a different level of abstraction and simplification 

Page | 63  
 
  
 
6.3 Limitations of this study 
A comprehensive study of Uganda’s entire power sector requires broader scope than has been explored 
here.  Due  to  time  constraints,  this  study  has  been  limited  in  scope  focusing  on  power  supply  versus 
demand dynamics for only that part of Uganda covered by the transmission grid 

• The study does not deal explicitly with the link between technical system performance in terms 
of level of power output and the economic performance in terms of single buyer and investor 
profits/losses  and  its  resulting  impact  on  future  investment  decisions.  It  relies  rather  on  the 
guaranteed return on investment to signal a level of profitability high enough for the investors 
to re‐invest. 
 
The study has similarly not explored or taken into account the impact of external capital sources 
e.g.  World  Bank  funding  and  financial  guarantees,  development  partnerships  with  developed 
countries, etc on the development of the power sector. These might have the potential effect of 
lowering the return on investment demanded by foreign investors, extending coverage through 
low interest rate government grants, etc. 
 
• The model assumes a uniform market structure for the 80 years under study – a highly regulated 
market  where  the  regulators  approves  electricity  prices,  contracts  for  new  capacity  from 
investors, determines an appropriate connection rate, etc. This is the current setup owing to the 
yet  undeveloped  power  market  in  Uganda;  the  market  cannot  realistically  exist  without 
government  incentives  and  interventions.  But  over  time  this  should  change  as  the  economy 
grows,  power  demand  increases,  and  the  market  matures.  Then  there  is  potential  for  other 
kinds of  markets e.g. perfect competition and  the benefits  that come with  these which would 
have a huge influence on the overall dynamics of the power sector. 
 
• The  effect  of  learning  that  would  otherwise  facilitate  power  service  cost  reductions  over  time 
has not been taken into account. In reality this effect should cause reductions in the electricity 
price which are important to the development of power demand. The study also does not take 
into  account  the  emergence  of  cheaper  and  more  efficient  technologies  over  time.  These 
emerging  technologies  have  the  potential  to  significantly  alter  the  projected  trajectories  of 
power service costs, level of power supply and ultimately electricity access 
 
 

6.4 Areas of Further Research  
The system dynamics model developed in this study forms a potential starting point for a more detailed 
generic model of key mechanisms within Uganda’s power sector than has previously been possible. An 
important  advantage  of  system  dynamics  models  is  that  they  can  easily  be  extended  or  revised  to 
address additional questions as they arise ("System Dynamics Methodology," 2009). By addition of more 
detail  to  the  model,  it  can  be  used  to  contribute  to  and  inform  the  planning  process  for  generation, 

Page | 64  
 
  
 
distribution  and  transmission  capacity.    The  steps  to  be  taken  in  further  refinement  and  use  of  the 
system dynamics model include: 

• Extending the model to take into account evolution and development of power service beyond 
the existing grid covered area 
• Extending the model functionality to present a black box model that allows for adjustment of 
policy variables e.g. the level of government subsidy in a form of decision aid tool for Uganda’s 
power sector planners to improve their decision making 

Apart from the system dynamics methodology, further research is needed in the following areas: 

• The determination of the fastest and least cost way to develop the transmission network in 
order to ramp up Uganda’s electricity access; probably employing optimization techniques 
• The feasibility or cost benefit analysis of the proposed solutions given in chapter 5. Detailed 
feasibility and cost benefit analyses are a necessary step to determine the fit of those solutions 
to local conditions in Uganda 

Page | 65  
 
  
 

7. References 

African Development Bank Group, A. (2008, 16/12/2008). Uganda: US$ 78 million ADF Loan for an 
Electricity Transmission Project. News & Events  Retrieved March 12, 2009, from 
http://www.afdb.org/en/news‐events/article/uganda‐us‐78‐million‐adf‐loan‐for‐an‐electricity‐
transmission‐project‐3375/ 
Bundesanstalt fur Geowissenschaften und Rohstoffe, B. (2009). GEOTHERM: UGANDA Retrieved Sat, 
March 7, 2009, from http://www.bgr.de/geotherm/projects/uganda.html 
Case, A. (1998). Income Distribution and Expenditure Patterns in South Africa: Princeton University. 
D’Ujanga, S. (2004). POWER SECTOR REFORM IN UGANDA. from 
http://www.un.org/esa/sustdev/sdissues/energy/op/parliamentarian_forum/uganda_dujanga_
psr.pdf. 
Daalen, C. v., Thissen, W. A. H., Pruyt, E., & Phaff, H. W. G. (2007). System Dynamics SPM2310/EPA1321. 
Policy Analysis Section, Faculty of Technology, Policy and Management, Delft University of 
Technology. 
daSilva, I. P., & Baringanire, P. (2007). Household Electricity Use and Consumption in Uganda Rural 
Households. Makerere University. 
Development Data Group (2008). 2008 World Development Indicators Online. Washington, DC: The 
World Bank. 
ECON Centre for Economic Analysis (2001a). Cost structure and tariff study for Uganda: Electricity 
Regulatory Authority. 
ECON Centre for Economic Analysis (2001b). End ‐ user consequences of generation contracts: Electricity 
Regulatory Authority of Uganda, Norwegian Energy and Water Resources Directorate. 
ECON Centre for Economic Analysis (2001c). Regulatory framework for Uganda: Electricity Regulatory 
Authority of Uganda, The Norwegian Energy and Water Resources Directorate. 
Electricity Regulatory Authority (2007). ELECTRICITY SECTOR PERFORMANCE REPORT: Electricity 
Regulatory Authority, Uganda. 
Electricity Regulatory Authority (2008a). Bulk Supply Tariffs (BST) Retrieved June 18, 2009, 2009, from 
http://www.era.or.ug/TransmissionTariffs.php 
Electricity Regulatory Authority (2008b). CONSTRAINTS TO INVESTMENT IN UGANDA’S ELECTRICITY 
GENERATION INDUSTRY: Electricity Regulatory Authority, Uganda. 
Electricity Regulatory Authority (2008c). ERA Consolidated Report July 2004 ‐ Jun 2008: Electricity 
Regulatory Authority, Uganda. 
Electricity Regulatory Authority (2008d). Transmission Statistics. Bulk Energy Sales  Retrieved May 19, 
2009, from http://www.era.or.ug/TransmissionData.php 
Energy Information Administration (EIA) (2009). Annual Energy Outlook 2009 with Projections to 2030: 
USA Government, Department of Energy. 
Index Mundi (2009). Uganda Population growth rate Retrieved March 30, 2009, from 
http://www.indexmundi.com/uganda/population_growth_rate.html 
International Energy Agency (IEA) Statistics Division (2007). Economic Indicators and Energy Balances of 
Non‐OECD Countries (2007 edition). Paris IEA. 
Jung, M. (2005). Host Country Attractiveness for CDM Non‐Sink Projects, Discussion Paper Series. 
Hamburg Institute of International Economics. 
Kaijuka, E. (2007). GIS and rural electricity planning in Uganda. Journal of Cleaner Production, 15(2), 203‐
217. 

Page | i  
 
  
 
Karekezi, S., & Kimani, J. (2004). Have power sector reforms increased access to electricity among the 
poor in East Africa? Energy for Sustainable Development, 8(4), 10‐25. 
Ministry of Energy and Mineral Development (2001). Rural Electrification Strategy and Plan Covering the 
Period 2001 to 2010. from 
www.energyinstug.org/component/option,com_vfm/Itemid,71/do,download/file,Others%7CRu
ral+E+Plan.pdf/. 
Ministry of Energy and Mineral Development (2002). THE ENERGY POLICY FOR UGANDA. from 
http://www.energyandminerals.go.ug/EnergyPolicy.pdf. 
Ministry of Energy and Mineral Development (2003). Investing in Uganda’s Energy Sector. Kampala, 
Uganda: Ministry of Energy and Mineral Development. 
Ministry of Energy and Mineral Development (2004/5‐2007/8). Poverty Eradication Action Plan from 
http://www.finance.go.ug/docs/PEAP%202005%20Apr.pdf. 
Ministry of Energy and Mineral Development (2007). THE RENEWABLE ENERGY POLICY FOR UGANDA. 
from 
http://www.energyandminerals.go.ug/EnergyDocuments/RENEWABLE%20ENERGY%20POLIC9‐
11‐07.pdf. 
Ocampo, M. T. (2009). Sample Levelized Cost of Energy ‐ the cheapest and most expensive technology. 
Global Energy News and Economics Retrieved June 18, 2009, from 
http://www.energyblogs.com/GlobalEnergyNewsandEconomics2009/index.cfm/2009/5/8/Samp
le‐Levelized‐Cost‐of‐Energy‐‐the‐cheapest‐and‐most‐expensive‐technology 
Otieno, H. O., & Awange, J. L. (2006). Energy resources in East Africa: Opportunities and Challenges 
(illustrated ed.): Springer, 2006. 
Perez, E. H., Nkanka, B. N., Ngulumingi, C. V., Gimeno, A., & Kazadi, A. (2005). The energy potential of the 
Democratic Republic of Congo: a contributing element to the resurgence of electrical industry in 
Africa and to the fight against global warming. Paper presented at the Power Engineering 
Society Inaugural Conference and Exposition in Africa, 2005 IEEE. 
Population Division of the Department of Economic and Social Affairs of the United Nations Secretariat 
(2008). World Population Prospects: The 2008 Revision Retrieved June 22, 2009, 2009, from 
http://esa.un.org/unpp 
Renewable Energy and Energy Efficiency Partnership, R. (2009). Policy DB Details: Uganda Retrieved Sat, 
March 7, 2009, from http://www.reeep.org/index.php?id=9353&text=policy‐
database&special=viewitem&cid=56 
Sebitosi, A. B., & Pillay, P. (2005). The Kyoto protocol: a sub‐Sahara African perspective. Paper presented 
at the Power Engineering Society Inaugural Conference and Exposition in Africa, 2005 IEEE. 
Sterman, J. D. (2000). LinkBusiness dynamics : systems thinking and modeling for a complex world: 
LinkLondon : Irwin Professional, 2000. 
System Dynamics Methodology (2009). System Dynamics Modeling Retrieved July 2009, from 
http://www.isdps.org/System%20Dynamics.htm 
U.S. Department of Energy (2008). Concentrating Solar Power. Solar Energy Technologies Program  
Retrieved June 2009, from http://www1.eere.energy.gov/solar/csp.html 
Uganda Bureau of Statistics (2002). 2002 Uganda Population and Housing Census: Uganda Bureau of 
Statistics. 
Uganda Investment Authority, U. (2005). Energy Sector Profile, Uganda. from 
http://www.ugandainvest.com/uia2.php?uhpl=mining_and_energy&&uhpl1=Mining. 
UNCTAD, & ICC (2001). An Investment Guide to Uganda Opportunities and Conditions. New York and 
Geneva: United Nations. 

Page | ii  
 
  
 
View, C. (2009). Fuel, power shortage to cost Uganda economy 400 mln dollars. Business  Retrieved 
Sunday , Feb.22 , 2009 from http://news.xinhuanet.com/english/2009‐
01/07/content_10620000.htm 
World Bank Energy Transport and Water Department (2005). Power Pools: A Road Map. Washington, 
DC: The World Bank Group. 
World Bank, T. (2006). Uganda: Quick Facts Retrieved Sat, March 7, 2009, from 
http://web.worldbank.org/WBSITE/EXTERNAL/COUNTRIES/AFRICAEXT/UGANDAEXTN/0,,menuP
K:374963~pagePK:141132~piPK:141109~theSitePK:374864,00.html 
 

Page | iii  
 
  
 

Appendix A.1: Model Structure 

This section describes the formulation of the most critical aspects of the model structure.   

Power demand
a. Consuming population 
 
Figure 74 shows the model structure contributing to the consuming population.  
Unconnected grid
popn growth rate
Consuming popn

Unconnected popn
with grid access
Connections growth
rate

Natural growth rate Nominal conn

of consuming popn growth const

Overall Popn
growth rate  
Figure 74: Model structure ‐ Consuming population 

 
As  described  in  section  3.3.1  the  consuming  population  is  increased  by  the  grid  connections 
growth rate as well as its own natural population growth rate.  
 
Natural growth rate of consuming popn = 'Consuming popn'*'Overall Popn growth rate' 
 
The connections growth rate is dependent on the number of unconnected population within the 
grid  covered  area  as  well  as  a  constant  target  connection  rate  ‘Nominal  conn  growth  const’. 
Note  that  a  minimum  function  is  used  to  ensure  no  more  people  are  connected  beyond  zero 
unconnected population with grid access. 
 
IF  ('Unconnected  popn  with  grid  access'  >  0,  MIN  (('Consuming  popn'*'Nominal  conn 
growth const'), ('Unconnected popn with grid access'/1<<yr>>)), 0<<yr^‐1>>) 
 
The  unconnected  population  within  the  grid  covered  area  increases  due  its  own  natural 
population growth rate 
 
Unconnected  grid  popn  growth  rate  =  'Overall  Popn  growth  rate'*'Unconnected  popn 
with grid access' 
 
b. Consumption per capita 
Page | A  
 
  
 
 
Figure  75  shows  the  model  structure  contributing  to  the  total  actual  power  consumption  per 
capita.  

GDP per Capita

Eff of expenses on
demand
Delayed power
expenses info

Actual opt consn

per capita
Optional income
spent on power Tot actual consn per
capita
Pot opt consn per
Subsidised capita
consumer tariff
Basic consumption
Nominal Consn per per capita
capita

GDP per capita

growth rate
GDP per Capita

GDP growth rate  

Figure 75: Model structure ‐ Consumption per capita 

The  potential  optional  consumption  per  capita  is  the  difference  between  the  nominal 
consumption per capita and the basic consumption per capita 

Pot opt consn per capita = 'Nominal Consn per capita' ‐ 'Basic consumption per capita' 

Optional income that would ideally be spent on power is dependent on the current power tariff 
and  the  potential  optional  consumption  per  capita.  After  a  delay  of  1  year,  the  optional 
consumption per capita is adjusted according to how much can be afforded depending on the 
ratio of power expenses to GDP per capita 

Optional  income  spent  on  power  =  'Pot  opt  consn  per  capita'*'Subsidised  consumer 
tariff' 

Eff  of  expenses  on  demand  =  GRAPH('Delayed  power  expenses  info'/('GDP  per 
Capita'*1800<<Sh/$>>),0,0.05,{1,1,0.594,0,0,0,0,0,0,0,0//Min:0;Max:1//}) 

Actual opt consn per capita = 'Eff of expenses on demand'*'Pot opt consn per capita' 

Page | B  
 
  
 
Power Supply
a. Determination of future required capacity 

Future required capacity is determined from a forecast of the power deficit in 20 years. Figure 
76 shows the relevant model structure 

Change in deficit
Avg deficit

Past time

Pow er supply deficit Trend in deficit

20yr deficit

Capacity adj time  

Figure 76: Model structure ‐ Forecast of power deficit 

The deficit forecast is obtained from a calculation of its trend over the more recent past i.e. ‘Past 
time’ of 5 years and extrapolating this trend 20 years (Capacity adjustment time) into the future. 

'Change in deficit' = ('Power supply deficit' ‐ 'Avg deficit')/'Past time' 

Ideally the trend in input would be obtained as follows: 'Trend in Input' = 'Change in deficit' / 
'Avg deficit' but the power deficit goes to zero sometimes which would make this function go to 
infinity. The function is corrected for this as below: 

IF ('Avg deficit' = 0<<kWh>>,'Change in deficit'/1000<<kWh>>,'Change in deficit'/'Avg 
deficit') 

'20yr deficit' = 'Power supply deficit' + 'Power supply deficit'*'Trend in deficit'*'Capacity 
adj time' 

The ’20yr deficit’ is the capacity that will be required within the next 20 years. The forecast uses 
a linear extrapolation of the deficit. 

b. Contracting for required capacity 

Figure 77 shows the model structure determining how much capacity the single buyer contracts 
for. 

Page | C  
 
  
 

Used up hydro
Contracted hydro cap Maximum hydro
capacity
potential

Planned hydro
capacity Exp thermal cap inv
rate

hydro installed Avail hydro cap 20yr deficit

capacity

Tot obligated cap

Exp hydro cap inv inv
rate  
Figure 77: Model structure ‐ Contracting for capacity 

The required capacity encapsulated in the ’20yr deficit’ is used to determine how much total 
capacity to contract for from the generators. This is how much they will be obligated to invest in 
over the period of their concession. 

Tot obligated cap inv = 1.34*MAX (0<<MW/yr>>, ('20yr 
deficit'/(24*365*1000<<kWh/MW>>*1<<yr>>))/0.7) 

1<<yr>>  means  the  required  capacity  is  contracted  for  over  the  present  year;  1.34  is  the 
allowance  for  34%  power  loss  and  0.7  is  the  allowance  for  a  generation  efficiency  of  70%  for 
both  technologies.    Preference  is  given  for  the  cheaper  hydro  capacity  as  long  as  there  is 
available hydro potential 

Exp hydro capacity inv rate = IF ('Tot obligated cap inv' < 'Avail hydro cap', 'Tot obligated 
cap inv', 'Avail hydro cap') 

Where available hydro capacity, Avail hydro cap = ('Maximum hydro potential' ‐ 'Used up hydro 
capacity')/1<<yr>> and Used up hydro capacity = 'hydro installed capacity' + 'Planned hydro 
capacity' + ‘Contracted hydro cap’ 

Thermal capacity is contracted for after the hydro obligation has been allocated 

Exp thermal cap inv rate = 'Tot obligated cap inv' ‐ 'Exp hydro cap inv rate' 

c. Generation capacity lifecycle 

Figure  78  shows  the  capacity  lifecycle  through  the  contracted,  planned,  installed  and  retired 
stages.  The  investment  obligation  determined  in  b)  above  is  the  input  rate  to  the  contracted 
capacity. Actual investments are allocated to the contracted capacity over the concession period 
of  20  years  (‘Contracted  inv  time’)  transforming  contracted  into  planned  capacity.  Planned 
capacity  goes  into  construction  over  a  period  equal  to  each  respective  generation  technology 
online  lead  time  creating  installed  capacity.  This  is  the  capacity  capable  of  power  generation. 

Page | D  
 
  
 
Installed  capacity  ages  and  is  retired  over  a  period  equal  to  the  respective  generation  plant 
lifetimes 

Hydro plant lifetime

Exp hydro cap inv Hydro online lead

rate time
Contracted inv time hydro retirement
rate

Hydro contr rate hydro initiation rate hydro online rate

Planned hydro hydro installed
Contracted hydro cap capacity capacity

Contracted thermal Planned Thermal Thermal installed

Thermal contr rate cap Thermal initiation capacity capacity
Thermal online rate
rate
Thermal retirement
Thermal online lead rate
Exp thermal cap inv time
rate

Contracted inv time

Thermal lifetime  
Figure 78: Model structure ‐ Capacity life cycle 

Hydro contr rate = 'Exp hydro cap inv rate' 

Thermal contr rate = 'Exp thermal cap inv rate' 

hydro initiation rate = 'Contracted hydro cap'/'Contracted inv time' 

Thermal initiation rate = 'Contracted thermal cap'/'Contracted inv time' 

hydro online rate = 'Planned hydro capacity'/'Hydro online lead time' 

Thermal online rate = 'Planned Thermal capacity'/'Thermal online lead time' 

hydro retirement rate = 'hydro installed capacity'/'Hydro plant lifetime' 

Thermal retirement rate = 'Thermal installed capacity'/'Thermal lifetime' 

Power Service Pricing

a. Generator capacity pricing 

The pricing derives from the generator costs. Costs comprise of fixed costs and variable costs 
consisting of operation & maintenance costs and fuel costs. Fixed costs are derived from the 
capacity capital investment and the guaranteed return on investment. See Figure 79 below  

Page | E  
 
  
 
 

Avg gen var costs

risk free rate

Current generator
price

Market risk premium Average fixed gen

Gen ROI
cap costs

Generation mix
thermal cap fixed
costs

O&M fraction of
hydro unit capacity total costs
cost  
Figure 79: Model structure ‐ Generator pricing 

The return on investment is a combination of a risk free interest rate (5%) and a market risk 
premium (15%) reflective of the level of investment risk in Uganda. 

Gen ROI = 'risk free rate' + 'Market risk premium' 

Average fixed and variable costs are a function of the technology generation mix since the 
different technologies come at different costs 

Average fixed gen cap costs = ('Generation mix'[1]*((1‐'O&M fraction of total 
costs')*'hydro unit capacity cost') + 'Generation mix'[2]*'thermal cap fixed 
costs')*(1+'Gen ROI') 

Avg gen var costs = 'Generation mix'[1]*'Hydro variable costs' + 'Generation 
mix'[2]*'Thermal variable costs' 

The generator price is the sum of the variable and fixed costs  

Current generator price = 'Average fixed gen cap costs' + 'Avg gen var costs' 

b. Consumer Electricity pricing 

Consumer  electricity  price  is  a  combination  of  the  revenues  owed  to  the  generators, 
transmission and distribution companies respectively. These companies estimate the costs that 
they expect to incur in the next year and their estimates are used to adjust the electricity price 
for the coming year. 

Generator estimate 

Page | F  
 
  
 
Generator determines how much capacity they will have available in the coming year charged at 
the  set  generator  price  and  this  is  their  cost  estimate  input  into  the  electricity  price  for  next 
year.  

Expected gen cap nxt yr = ('Exp hydro cap nxt yr '+ 'Exp thermal cap nxt yr')*'Operational 
fraction of inst cap' 

Exp gen payments = 'Expected gen price'*'Expected gen cap nxt yr'*24*365 

24*365  accounts  for  the  total  number  of  hours  in  a  year  assuming  100%  availability  for  the 
generator.  The  expected  generator  payments  is  what  will  be  owed  to  the  generator  in  the 
coming year as long as they meet their capacity availability obligations 

Transmission operator estimate 

The  transmission  operator  estimates  how  much  power  will  be  handled  in  the  coming  year 
charged at the current transmission price and this is their operation cost estimate input into the 
electricity  price  for  next  year.  For  this  estimate  the  operator  takes  into  account  the  expected 
domestic power supply, expected power exports and expected power losses. There are also the 
fixed costs of the system including cost of capital, asset depreciation, etc. 

Exp Transn payments = 'Transn annual fixed asset costs' + 'Domestic Transn price'*('Exp 
domestic supply cap' + 'Exp loss cap')*24*365 + 'Export transn price'*'Exp export 
cap'*24*365 

  Distribution operator estimate 

The  distribution  operator  estimates  their  costs  for  the  coming  year  from  the  number  of  new 
connections they expect to make in the coming year as well as the existing connections charged 
at  an  annual  cost  per  connection  that  is  a  combination  of  fixed  costs  and  operation  & 
maintenance costs spread over the life time of the concession.  

Exp Distrn payments = 'Annual cost per connection'*'1yr forecast of connected 
popn'/'Number per household'*(1+'Distrn ROR') 

The lifetime cost per connection is assumed at $700 spread over the 20 years of the concession 
and it yields an annual cost per connection of $35 

Export cost estimates 

The  cost  estimates  enumerated  above  also  include  the  costs  for  the  power  exported.  These 
costs are removed from the costs passed to the domestic consumers. Export costs include the 
generation costs as well as the transmission costs for the power exported. 

Page | G  
 
  
 
Exp export payments = 'Fraction exported'*'Exp gen payments' + ('Export transn 
price'*'Exp export cap'*24*365)+('Exp export cap'/('Exp export cap' + 'Exp loss cap' + 
'Exp domestic supply cap'))*'Transn annual fixed asset costs' 
 
The export transmission costs include the operation costs calculated from the actual power 
capacity exported times the export transmission price but also costs include the share of fixed 
network costs allotted to exports. Note that, the share of fixed network costs allotted to power 
losses and domestic power supply are all passed to the domestic consumers. 

Consumer electricity price 

The expected full electricity price to be passed through to the consumer in the coming year is 
given below: 

Exp  consumer  tariff  =  'Tot  single  buyer  domestic  payments'/('Exp  domestic  supply 
cap'*24*365*1000<<kWh/MW>>) 

  Where, 

'Tot single buyer domestic payments' = 'Tot power service payments'‐'Exp export 
payments' 

'Tot power service payments' = 'Exp gen payments' + 'Exp Transn payments' + 'Exp Distrn 
payments' 

The current electricity price paid by the consumer is the ‘Exp consumer tariff’ delayed by 1 year 
and subsidized by the government 

Subsidized consumer tariff = DELAYINF ('Exp consumer tariff', 1<<yr>>, 1, 
380<<Sh/kWh>>) * (1 ‐ 'Govt tariff subsidy') 

Page | H  
 
  
 

Appendix A.2: The Structure as Constructed 

Generation Capacity Commissioning and Power Generation Ratio actual to

potential consn per
Domestic power capita
Power Loss
demand Power supply deficit
constant

Hydro plant lifetime

Exp hydro cap inv Power Loss rate

Hydro online lead Hydro Gen efficiency Nominal Consn per
rate Actual consumption capita
Contracted inv time time
hydro retirement per capita
rate
Eff domestic power
Hydro contr rate hydro initiation rate supply
hydro online rate
Planned hydro hydro installed
Contracted hydro cap capacity capacity
hydro generation
rate Actual on-grid
pow er generated Popn
Max possible ongrid Popn grow th rate
gen output
Contracted thermal Planned Thermal Thermal installed Consuming popn
Thermal contr rate cap capacity capacity
Thermal initiation Thermal online rate
rate Thermal generation
rate Power exported
Overall electricity Overall Popn
Thermal retirement access growth rate
Thermal online lead rate
Exp thermal cap inv time
rate

Contracted inv time Thermal Gen Fraction exported

efficiency

Thermal lifetime

Change in deficit
Domestic Power Service Costs Transn annual fixed
Ratio Pow er Power Demand Sub-model Avg deficit
asset costs
Exp thermal cap nxt expenses to Income
yr Expected gen price
Past time
Operational fraction GDP per Capita
Export transn price Exp domestic supply Govt tariff subsidy
of inst cap
cap
Delayed power
expenses info
Exp hydro cap nxt Trend in deficit
Pow er supply deficit
yr
Eff of expenses on
Subsidised demand
Exp loss cap
Expected gen cap Exp gen payments Exp export consumer tariff
nxt yr payments 20yr deficit
Unmet demand
Capacity adj time
Exp export cap Tot single buyer Exp consumer tariff 1yr deficit forecast
domestic payments
Optional income
Fraction exported
spent on power
Actual opt consn
1 yr demand
Tot pow er service per capita
Power Loss Exp domestic supply payments forecast
constant cap Domestic power
On-grid popn
demand On-grid Electricity
Exp domestic supply Pot opt consn per Access
Exp Distrn cap capita
Exp loss cap
Annual cost per payments
1 yr demand connection
forecast Nominal Consn per
Exp Transn capita
payments Unconnected grid
Basic consumption
per capita popn growth rate
Distrn ROR
Consuming popn
GDP per capita
Transn annual fixed Number per Unconnected popn
growth rate
asset costs household
Export transn price GDP per Capita Connections grow th with grid access
rate
1yr forecast of 1yr forecast of
Domestic Transn connected popn connected popn
price

Natural growth rate Nominal conn

of consuming popn growth const
Single buyer Decisions - Investment Decisions, RoR, Current generator prices Number per
household
Reference GDP
Used up hydro growth rate Overall Popn
Contracted hydro cap Maximum hydro
capacity growth rate
potential

Planned hydro
capacity Exp thermal cap inv
Generation Costs I yr capacity Calculation
rate
20yr deficit thermal cap fixed
hydro installed Avail hydro cap
costs Thermal installed
capacity
capacity

Tot obligated cap Thermal lifetime

Exp hydro cap inv inv thermal unit cap Hydro online lead
Avg gen var costs Expected gen price
rate cost time
Ref thermal fuel costs
Hydro fraction Planned Thermal Exp thermal cap nxt hydro installed
capacity yr capacity
risk free rate Exp hydro cap nxt
Current generator
Thermal O&M costs yr
price
Thermal online lead
Total installed time
capacity O&M fraction of
Thermal variable total costs
costs 1 yr delay Hydro plant lifetime
Market risk premium Average fixed gen
Gen ROR Planned hydro
cap costs
Generation mix capacity

thermal fraction Hydro variable costs

Generation mix Avg gen var costs hydro unit capacity
thermal cap fixed hydro installed
capacity cost
costs
Thermal installed
O&M fraction of capacity
hydro unit capacity total costs
cost

Page | I  
 
 P a g e  | J 
 

Appendix B:  Sensitivity Analysis 

The effect of variations in the uncertain and influential parameters identified in section 4.2 on the two 
variables – domestic power demand and unmet power demand are shown below: 

Parameter (Range)  Effect on Domestic Power Demand  Effect on Unmet Power Demand 

Market  risk  premium  Domestic Power Demand Unmet Power Demand

(10%‐30%)  kWh
0.30
40,000,000,000
0.25
Distribution  Return  30,000,000,000 0.20
0.15
on  Investment  (10%‐ 20,000,000,000
0.10
30%)  10,000,000,000 0.05
0.00
Jan 01, 2003 Jan 01, 2043 Jan 01, 2083 Jan 01, 2003 Ja n 01, 2043 Ja n 01, 2083
Non-commercial use only!   Non-commercial use only!  

Hydro  generation  Domestic Power Demand Unmet Power Demand

kWh
efficiency (50%‐90%)  0.3
40,000,000,000

Thermal  generation  30,000,000,000 0.2

efficiency (50%‐90%)  20,000,000,000
0.1
10,000,000,000

0.0
Ja n 01, 2003 Ja n 01, 2043 Ja n 01, 2083 Ja n 01, 2003 Ja n 01, 2043 Jan 01, 2083
Non-commercial use only!   Non-commercial use only!  

Hydro  online  lead  Unmet Power Demand

Domestic power Demand
time (3‐10yrs)  kWh 0.3
40,000,000,000
Thermal  online  lead  30,000,000,000 0.2

time (1‐6yrs)  20,000,000,000
0.1
10,000,000,000

0.0
Jan 01, 2003 Jan 01, 2043 Jan 01, 2083 Jan 01, 2003 Jan 01, 2043 Jan 01, 2083
Non-commercial use only!   Non-commercial use only!  

Basic  consumption  Domestic Power Demand Unmet Power Demand

per  capita  (50kWh‐ kWh 0.30
50,000,000,000
500kWh)  0.25
40,000,000,000 0.20
30,000,000,000 0.15
20,000,000,000 0.10

10,000,000,000 0.05

0.00
Ja n 01, 2003 Jan 01, 2043 Ja n 01, 2083 Jan 01, 2003 Jan 01, 2043 Jan 01, 2083
Non-commercial use only!   Non-commercial use only!  

Page | J  
 
 P a g e  | K 
 
Power  loss  constant  Domestic Power Demand Unmet Demand
kWh
(30% ‐ 40%)  50,000,000,000 0.3
40,000,000,000
0.2
30,000,000,000

20,000,000,000
0.1
10,000,000,000

0.0
Ja n 01, 2003 Ja n 01, 2043 Jan 01, 2083 Jan 01, 2003 Jan 01, 2023 Jan 01, 2043 Jan 01, 2063 Jan 01, 2083
Non-commercial use only!   Non-commercial use only!  

    

Page | K  
 
 P a g e  | L 
 

Appendix C:  GDP per Capita Versus Electricity Consumption per Capita 

The table below shows GDP per capita versus electricity consumption per capita for select African and 
Asian  countries  whose  development  path  Uganda  is  likely  to  emulate.  The  figures  are  used  to  plot  a 
plausible path for the development of Uganda’s electricity consumption per capita 

Table 6: GDP per Capita versus Electricity Consumption per Capita 

Country  GDP per capita, constant US dollars  Consumption per capita (kWh) 

Algeria  2121 898.6
Angola  928 142.3
Benin  321 69.8
Botswana  4382 1462.3
Cameroon  678 213.8
Côte d'Ivoire  560 174.3
China  1451 1780.5
Congo  1101 144
Egypt  1643 1225.5
Gabon  4279 932.1
Georgia  974 1671.7
Ghana  282 270.8
India  588 480.5
Indonesia  942 509.3
Kenya  426 143.9
Morocco  1562 643
Mozambique  312 467
Namibia  2133 1420
Nigeria  428 136.1
Senegal  501 152.4
South Africa  3429 4847.6
Tunisia  2412 1193.9
Zambia  356 709.5
Zimbabwe  428 961.1
Libya  6828 3336.2
 

   

Page | L  
 
 P a g e  | M 
 

Appendix  D: Model Structural Validation 
The results of ‘Extreme condition tests’ for a small sub‐set of the model are presented in this section. 
The model rate equations listed in the table below were the subject of extreme value tests. 

Equation  Name  Definition

1  Thermal online rate  ('Planned Thermal capacity')/'Thermal online lead time' 

2  hydro online rate  ('Planned hydro capacity')/'Hydro online lead time' 

3  Thermal retirement rate  'Thermal installed capacity'/'Thermal lifetime' 

4  hydro retirement rate  'hydro installed capacity'/'Hydro plant lifetime' 

Table 2 shows a combination of direct extreme tests and the corresponding structural oriented behavior 
tests 

Page | M  
 
 P a g e  | N 
 
 
Eqn  Parameter  Reference  Test  Expected Response  Expected Response  Results  Corresponding model behavior graphs 
value  Value  (Empirical Validation)  (Theoretical Validation) 

1  Planned  Initial  1.00E+60  Thermal online rate  Thermal installed  Passed  MW

Thermal installed
Thermal  value ‐  equals infinity and  capacity grows to 
6e 66
capacity  0MW  Thermal installed  infinity and then 
capacity grows to  gradually reduces due  4e 66 Curre nt

capacity
R e fe re nce
infinity  to retiring capacity unti 
2e 66
such a time when new 
additional capacity will  0
Ja n 01, 2003 Ja n 01, 2103
be put in plan  Non-commercial use only!  

   Thermal  3 yr  1.00E+60  Thermal installed  Thermal installed  Passed   Reference run 

online lead  capacity should  capacity should reduce 
MW
time  reduce gradually to 0  gradually to 0 since no  400,000,000

*Thermal installed
additional capacity will 
300,000,000
be added 
200,000,000

capacity
100,000,000

0
Ja n 01, 2003 Ja n 01, 2103
Non-commercial use only!

Current run 

MW
2.0

Thermal installed
1.5

1.0

i
0.5

0.0
Ja n 01, 2003 Ja n 01, 2053 Ja n 01, 2103
Non-commercial use only!  

                       

Page | N  
 
 P a g e  | O 
 
2  Planned  Initial  1.00E+60  Hydro online rate  Hydro installed capacity  Passed  Same as Eqn 1 above 
hydro  value ‐  equals infinity and  grows to infinity and 
capacity  0MW  Hydro installed  then gradually reduces 
capacity grows to  due to retiring capacity 
infinity  until such a time when 
new additional capacity 
will be put in plan 

   Hydro online  6 yr  1.00E+60  Hydro installed  Hydro installed capacity  Passed  Same as Eqn 1 above 

lead time  capacity should  should reduce gradually 
reduce gradually to 0  to 0 since no additional 
capacity will be added 

                       

3  Thermal  2MW  1.00E+75  Thermal retirement  Thermal retirement  Passed   

installed  rate equals infinity  rate equals infinity 
capacity 

   Thermal  30 yr  1.00E+75  Thermal retirement  Thermal retirement  Passed    

lifetime  rate equals 0  rate equals 0 

                      

4  hydro  303MW  1.00E+75  Hydro retirement  Hydro retirement rate  Passed   

installed  rate equals infinity  equals infinity 
capacity 

   Hydro plant  40 yr  1.00E+75  Hydro retirement  Hydro retirement rate  Passed   

lifetime  rate equals 0  equals 0 

                      

Page | O