2009  

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

   

 

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 

Scaling up Uganda’s Electricity Access 

 

  

Page | i   

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 | ii   

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 | iii   

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 | i   

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 | ii   

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 | iii   

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 | iv   

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 | 1   

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 | 2   

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 | 3   

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 | 4   

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 | 5   

                   

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 

Electricity access 

Exponentialgrowth phase 

Start‐up phase 

Time 

  

Page | 6   

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 | 7   

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 | 8   

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 | 9   

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 | 10   

 

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 | 11   

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 | 12   

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 | 13   

 

0.00

0.05

0.10

0.15

0.20

2002 2003 2004 2005 2006

Tariff ra

tes ($)

Tariff Rates (2002 ‐ 2006)

Domestic

Commercial

Medium Industrial

Large Industrial

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 | 14   

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 | 15   

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 | 16   

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  loops1 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 explaine .  d

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 | 17   

Domestic  power  demand  grows  due  to growth  in  two  variables:  consuming population  and  power  consumption  per capita.  In  Figure  8,  GDP  per  capita influences power consumption per capita both  directly  and  indirectly. Directly  –  in that the purchasing power determines the approximate  amount  of  power  one  can afford  –  the  nominal  consumption  per capita.  Purchasing power however  keeps changing  relative  to  how  costly  power actually is so that the more expensive, the more  share  of  income  gets  spent  on power  (this  is  the  indirect  influence). Uganda  is a developing  country with  low per  capita  inc me  levels.  Electricity  is more of a luxury than a basic good and as 

such  the  dynamics  of  increasing  power 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

   

 o

 after getting a hefty bill and not before.  

 

Figure  9  shows  different ways  power demand may grow over time based on 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 value –  level equivalent to the desired universal  coverage.  Undesirable  is Case  B  where  growth  in  demand stabilizes at  levels below  its maximum potential  maybe  due  to  too  high 

power prices. 

Figure 9: Power demand ‐ reference mode

Figure 8: On‐grid power demand ‐ Driving relationships

Time

Power Demand 

Case C (Peak at 100%)

Case A (Peak at 100%)

Case B (Peak at <100%)

Total systemcosts

Consumerelectricity price

+

Domestic powerdemand

Actual powerconsumption per

capita

<GDP percapita>

+

Govt subsidy-

Income sharespent on power

+

+ -

-

rate of newconnections

Power Demand Sub-model

Nominal powerconsumption per

capita

Income -ExpenseLoop (-)

++

Consumingpopulation

++

Populationgrowth rate

+

  

Page | 18   

 

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 | 19   

Planned capacity

Installedcapacity

Retired capacity

-

Domesticpower supply

Total on-gridpower generated

Loss rate

Power exportrate

<DomesticPower demand>

++-

-+

+

Max generationpotential

Power Generation Sub-model

Contracted capinvestment

+

+

+

Power supplydeficit

-

+

Required capinvestment

Generator ROI

+

+

+

<Projectedpower deficit>

+

+ Deficit -Investment

Loop (-)

+

 

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 supply  grows  quickly  due  to  availability  of cheap  hydro  resources  until  over‐exploitation – over drafting of water sources causes  environmental  degradation  so  that capacity levels are permanently and severely reduced  (Case  A).  In  the  presence  of sufficient capital investment, this case would be  offset  by  the  application  of  more expensive generation resources.  

• ‘Balancing  process  with  delay’  archetype whereby power sector players over  react  to 

Figure 11: Total power supply ‐ reference modes

Case B

Case A 

Power Supply 

Time

  

Page | 20   

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. 

 

Guaranteed ROIProjected

power deficit

Averagegenerator costs

Generatorcapacity price

+

<Market riskpremium>

<Risk free rate>

+ +

Capacity Investment & Pricing Logic

Economic Sub-model

<Contracted capinvestment

+

Tot installed cap

Generator costpayments

+

+

<Transmissioncosts>

+

<Distributioncosts>

Tot powerservice costs

+

+ +

Consumer tariff

<Domesticpower supply>

+ -

Subsidisedconsumer tariff

+

+

+

<Govt subsidy>

-

Consumer Tariff setting Logic

+

Figure 12: Economic status of power sector ‐ Driving relationships 

 

  

Page | 21   

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 | 22   

 

020406080

100120140

Popu

lation

 (Millions)

Population Scenarios

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 | 23   

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  

 

0100020003000400050006000

GDP pe

r Ca

pita ($

)

GDP per Capita Scenarios

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 countries2. 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 | 24   

 

 

y = 796.27ln(x) ‐ 4553.2R² = 0.4514

‐2000

0

2000

4000

6000

0 2000 4000 6000 8000

Consum

ption pe

r Ca

pita 

(kWh)

GDP per Capita ($)

Consumption per capita ‐ Comparable Countries

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 | 25   

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 | 26   

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

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

100,000

200,000

300,000

400,000

500,000

600,000

700,000Sh/MW

Ref thermal fuel costs

Osc thermal fuel costs

High thermal fuel costs

Low thermal fuel costs

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/kWh3 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 | 27   

  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 | 28   

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 | 29   

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 | 30   

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 | 31   

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

Jan 01, 2003 Jan 01, 2043 Jan 01, 20830

5,000

10,000

15,000

MW

Total installed capacity

Total contracted capacity

Tot planned capacity

Non-commercial use only!

Figure 18: Evolution of generation capacity ‐ Base case 

  

Page | 32   

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

Jan 01, 2003 Jan 01, 2023 Jan 01, 2043 Jan 01, 2063 Jan 01, 2083

10,000,000,000

20,000,000,000

30,000,000,000

40,000,000,000

kWhD

om

esti

c p

ow

er

de

ma

nd

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

Jan 01, 2003 Jan 01, 2043 Jan 01, 20830

10,000,000,000

20,000,000,000

30,000,000,000

40,000,000,000

kWh

Domestic power demand

Eff domestic power supply

Power supply deficit

Non-commercial use only!

Unmet Demand

Jan 01, 2003 Jan 01, 2023 Jan 01, 2043 Jan 01, 2063 Jan 01, 20830.00

0.05

0.10

0.15

0.20

0.25

0.30

Un

me

t d

em

an

d

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 | 33   

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.  

 

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

Domestic Power Demand

Jan 01, 2003 Jan 01, 2023 Jan 01, 2043 Jan 01, 2063 Jan 01, 2083

10,000,000,000

20,000,000,000

30,000,000,000

40,000,000,000

kWh

Do

me

sti

c p

ow

er

de

ma

nd

Non-commercial use only!

Consuming Population

Jan 01, 2003 Jan 01, 2023 Jan 01, 2043 Jan 01, 2063 Jan 01, 2083

10,000,000

20,000,000

30,000,000

40,000,000

Consum

ing p

opn

Non-commercial use only!

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

Jan 01, 2003 Jan 01, 2043 Jan 01, 20830

10,000,000

20,000,000

30,000,000

40,000,000

Unconnected popn with grid access

Consuming popn

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 | 34   

 

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

Consumer Electricity Price

Jan 01, 2003 Jan 01, 2023 Jan 01, 2043 Jan 01, 2063 Jan 01, 2083

300

400

500

600

700

800

Sh/kWh

Su

bsid

ise

d c

on

su

me

r ta

riff

Hydro Vs Thermal fraction of Gen Mix

0.0

0.2

0.4

0.6

0.8

1.0

Hydro fraction

thermal fraction

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

Non-commercial use only!Non-commercial use only!

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).  

Figure 27: Thermal fuel costs ‐ Base Case vs oscillating costs 

 

Figure 28: Electricity price ‐ Base Case vs oscillating costs 

Thermal Fuel Costs

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

100,000

200,000

300,000

400,000

500,000

Sh/MW

Ref thermal fuel costs

Osc thermal fuel 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.  

Non-commercial use only!

Consumer Electricity Price

Jan 01, 2003 Jan 01, 2023 Jan 01, 2043 Jan 01, 2063 Jan 01, 2083

300

400

500

600

700

800

Sh/kWh

Su

bsid

ise

d c

on

su

me

r ta

riff

Non-commercial use only!

  

Page | 35   

Consumer Electricity Price

Jan 01, 2003 Jan 01, 2023 Jan 01, 2043 Jan 01, 2063 Jan 01, 2083

300

400

500

600

700

800

Sh/kWh

Subsid

ised c

onsum

er ta

riff

Non-commercial use only!

Multiplicative Effect of Power Expenses on Demand

0.5

0.6

0.7

0.8

0.9

1.0

Eff

of

ex

pe

nse

s o

n d

em

an

d

Jan 01, 2003 Jan 01, 2023 Jan 01, 2043 Jan 01, 2063 Jan 01, 2083

Non-commercial use only!

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

4.1.2 Power access 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  

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  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.  

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

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

    

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

0.2

0.4

0.6

0.8

1.0

On-grid Electricity Access

Overall electricity access

Jan 01, 2003 Jan 01, 20630

2,000,000

4,000,000

6,000,000

8,000,000

Connections growth rate (yr^-1)

Unconnected popn with grid access

Non-commercial use only!Non-commercial use only!

  

Page | 36   

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 | 37   

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 | 38   

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 | 39   

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

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

10,000,000,000

20,000,000,000

30,000,000,000

40,000,000,000kWh

Non-commercial use only!

Unmet Power Demand

Jan 01, 2003 Jan 01, 2043 Jan 01, 20830.0

0.1

0.2

0.3

0.4

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 | 40   

 

Electricity Price

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

500

1,000

1,500

Sh/kWh

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

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

10,000,000,000

20,000,000,000

30,000,000,000

40,000,000,000

50,000,000,000

kWh

Domestic power demand (High)

Domestic power demand (75 Percentile)

Domestic power demand (25 Percentile)

Domestic power demand (Low)

Domestic power demand (Average)

Non-commercial use only!  

Figure 35: Domestic power demand ‐ Uncertainty bounds 

  

Page | 41   

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

Jan 01, 2003 Jan 01, 2023 Jan 01, 2043 Jan 01, 2063 Jan 01, 20830.0

0.1

0.2

0.3

0.4

Unmet demand (High)

Unmet demand (75 Percentile)

Unmet demand (25 Percentile)

Unmet demand (Low)

Unmet demand (Average)

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 | 42   

Table 4: Contextual scenarios 

  Context 

Scenario  Population  GDP per Capita  Fuel price 

High  economic development  – Uganda experiences higher  than expected economic development.  

Low population growth

 

High GDP per capita

 

Low fuel prices 

Low  economic development  –Uganda experiences  lower than  expected economic development.  

High population growth

 

Low GDP per capita

 

High fuel prices

Population

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

30,000,000

60,000,000

90,000,000

Current

ReferencePo

pn

Non-commercial use only!

GDP per Capita

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

2,000

3,000

4,000

5,000

$

Current

Reference

GD

P p

er

Ca

pit

a

Non-commercial use only!

Fuel Costs

Jan 01, 2003 Jan 01, 2063

100,000

200,000

300,000

400,000

500,000

Sh/MW

Low thermal fuel costs

Ref thermal fuel costs

Non-commercial use only!

Population

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

50,000,000

100,000,000

Current

ReferencePo

pn

Non-commercial use only!

GDP per Capita

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

1,500

2,000

2,500

3,000

$

Current

Reference

GD

P p

er

Ca

pit

a

Non-commercial use only!

Fuel Costs Scenarios

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

100,000

200,000

300,000

400,000

500,000

600,000

700,000Sh/MW

Ref thermal fuel costs

High thermal fuel costs

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 | 43   

Nominal Consumption per Capita

Jan 01, 2003 Jan 01, 2043 Jan 01, 20831,000

1,500

2,000

kWh

Current

Reference

Nom

inal Consn p

er

capit

a

Non-commercial use only!

Domestic Power Demand

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

10,000,000,000

20,000,000,000

30,000,000,000

40,000,000,000

50,000,000,000

60,000,000,000

kWh

Current

Reference

Do

me

sti

c p

ow

er

de

ma

nd

Non-commercial use only!

Figure 37: Nominal consumption per capita ‐ Base case vs High economic scenario 

Figure 38: Domestic power demand ‐ Base case vs High 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)  

 

Figure 39: Effect of power expenses on demand – Base case vs High economic growth scenario 

Figure 40: Ratio power expenses to income ‐ Base case vs High economic scenario 

Multiplicative Effect of Power Expenses on Demand

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

0.5

0.6

0.7

0.8

0.9

1.0

Current

Reference

Eff

of

ex

pe

nse

s o

n d

em

an

d

Non-commercial use only!

Ratio Power Expenses to Income per Capita

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

0.10

0.15

0.20

Current

Reference

Ra

tio

Po

we

r e

xp

en

se

s t

oIn

co

me

Non-commercial use only!

 

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 | 44   

 

Consumer Electricity Price

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

300

400

500

600

700

800

Sh/kWh

Current

Reference

Su

bsid

ise

d c

on

su

me

r ta

riff

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

Jan 01, 2003 Jan 01, 2043 Jan 01, 20830.00

0.05

0.10

0.15

0.20

0.25

0.30

Current

Reference

Un

me

t d

em

an

d

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   

 

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

Consumer Electricity Price

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

300

600

900

Sh/kWh

Current

Reference

Su

bsid

ise

d c

on

su

me

r ta

riff

Non-commercial use only!

Domestic Power Demand

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

10,000,000,000

20,000,000,000

30,000,000,000

40,000,000,000kWh

Current

Reference

Do

me

sti

c p

ow

er

de

ma

nd

Non-commercial use only!

 

  

Page | 45   

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

Jan 01, 2003 Jan 01, 2023 Jan 01, 2043 Jan 01, 2063 Jan 01, 20830.00

0.05

0.10

0.15

0.20

0.25

0.30

Current

Reference

Un

me

t d

em

an

d

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.  

 

 

Figure 46: Unmet demand ‐ Unfulfilled contracted capacity and longer lead times scenario 

Figure 47: Unmet power demand – Base case vs Low economic growth scenario 

Unmet Demand

Jan 01, 2003 Jan 01, 2023 Jan 01, 2043 Jan 01, 2063 Jan 01, 20830.0

0.1

0.2

0.3

Un

me

t d

em

an

d

Non-commercial use only!

Total System Power Output

Jan 01, 2003 Jan 01, 2063

20,000,000,000

40,000,000,000

60,000,000,000

kWh

Current

Reference

Ca

pa

cit

y p

ow

er

ou

tpu

t

Non-commercial use only!

 

  

Page | 46   

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 | 47   

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). 

 

 

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

Phased Targeted Loss Constant

Jan 01, 2003 Jan 01, 2023 Jan 01, 2043 Jan 01, 2063 Jan 01, 2083

0.05

0.10

0.15

0.20

0.25

0.30

Va

r p

ow

er

loss c

on

st

Non-commercial use only!

Unmet Demand

Jan 01, 2003 Jan 01, 2023 Jan 01, 2043 Jan 01, 2063 Jan 01, 20830.00

0.05

0.10

0.15

0.20

0.25

0.30

Un

me

t d

em

an

d

Non-commercial use only!

 

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 | 48   

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

 

Domestic Power Demand

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

10,000,000,000

20,000,000,000

30,000,000,000

40,000,000,000

50,000,000,000

60,000,000,000

kWh

Current

Reference

Do

me

sti

c p

ow

er

de

ma

nd

Consumer Electricity Price

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

300

400

500

600

700

800

Sh/kWh

Current

Reference

Su

bsid

ised

co

nsu

me

r ta

riff

Non-commercial use only!Non-commercial use only!

Figure 50: Electricity price – Base case vs lower power losses 

Figure 51: Effect of loss reduction on power demand 

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

Jan 01, 2003 Jan 01, 2043 Jan 01, 20830.0

0.2

0.4

0.6

0.8

1.0

Hydro fraction

thermal fraction

*Hydro fraction

*thermal fraction

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 | 49   

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. 

 

 

Figure 53: Effect of loss policy in base case scenario 

 

Figure 54: Effect of loss policy in high economic development scenario 

 

Figure 55: Effect of loss policy in low economic development scenario 

 

Figure 56: Effect of loss policy in unfulfilled capacity and longer lead times scenario 

Unmet Demand

Jan 01, 2003 Jan 01, 2023 Jan 01, 2043 Jan 01, 2063 Jan 01, 20830.00

0.05

0.10

0.15

0.20

0.25

0.30

Un

me

t d

em

an

d

Non-commercial use only!

Unmet Demand

Jan 01, 2003 Jan 01, 2023 Jan 01, 2043 Jan 01, 2063 Jan 01, 20830.00

0.05

0.10

0.15

0.20

0.25

0.30

Un

me

t d

em

an

d

Non-commercial use only!

Unmet Demand

Jan 01, 2003 Jan 01, 2023 Jan 01, 2043 Jan 01, 2063 Jan 01, 20830.00

0.05

0.10

0.15

0.20

0.25

0.30

Un

me

t de

man

d

Non-commercial use only!

Unmet Demand

Jan 01, 2003 Jan 01, 2023 Jan 01, 2043 Jan 01, 2063 Jan 01, 20830.0

0.1

0.2

0.3

Un

met

de

ma

nd

Non-commercial use only!

 

  

Page | 50   

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

Jan 01, 2003 Jan 01, 2023 Jan 01, 2043 Jan 01, 2063 Jan 01, 20830.00

0.05

0.10

0.15

0.20

0.25

0.30

Un

me

t d

em

an

d

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 | 51   

 

Figure 58: Effect of upfront capacity investment on electricity price 

 

Figure 59: Effect of upfront capacity investment on installed capacity 

Consumer Electricity Price

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

300

400

500

600

700

800

Sh/kWh

Current

Reference

Subsid

ised

consum

er

tari

ff

Non-commercial use only!

Installed Capacity

Jan 01, 2003 Jan 01, 2043 Jan 01, 20830

5,000

10,000

MW

Current

Reference

Tota

l in

sta

lled c

apacit

y

Non-commercial use only!

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

Jan 01, 2003 Jan 01, 2043 Jan 01, 20830.0

0.2

0.4

0.6

0.8

1.0

Hydro fraction

thermal fraction

*Hydro fraction

*thermal fraction

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 | 52   

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. 

 

Figure 61: Unmet demand – Base case vs flexible connection rate 

 

Figure 62: Electricity access – Base case vs flexible connection rate 

Unmet Demand

Jan 01, 2003 Jan 01, 2023 Jan 01, 2043 Jan 01, 2063 Jan 01, 20830.00

0.05

0.10

0.15

0.20

0.25

0.30

Un

me

t d

em

an

d

Non-commercial use only!

On-grid Electricity Access

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

0.3

0.6

0.9

Current

Reference

On

-gri

d E

lectr

icit

y A

cce

ss

Non-commercial use only!

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 | 53   

 

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. 

 

Figure 63: Effect of grid connection policy on electricity price 

Figure 64: Effect of grid connection policy on consuming population 

Consumer Electricity Price

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

300

400

500

600

700

800

Sh/kWh

Current

Reference

Su

bsid

ise

d c

on

su

me

r ta

riff

Non-commercial use only!

Consuming Population

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

10,000,000

20,000,000

30,000,000

40,000,000

Current

Reference

Co

nsu

min

g p

op

nNon-commercial use only!

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

Jan 01, 2003 Jan 01, 2043 Jan 01, 20830.00

0.05

0.10

0.15

0.20

0.25

0.30

Current

Reference

Un

me

t d

em

an

d

Non-commercial use only!

Figure 65: Unmet demand – Base case vs combination of corrective policies 

  

Page | 54   

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 

 

Figure 66: Effect of policies combination on electricity price 

 

Figure 67: Effect of policies combination on thermal capacity 

Consumer Electricity Price

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

200

300

400

500

600

700

800Sh/kWh

Current

Reference

Su

bsid

ise

d c

onsu

me

r ta

riff

Non-commercial use only!

Thermal fraction of Gen Mix

Jan 01, 2003 Jan 01, 2043 Jan 01, 20830.0

0.2

0.4

0.6

0.8

Current

Reference

the

rma

l fr

acti

on

Non-commercial use only!

 

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 

Figure 68: Unmet demand – Base case vs upfront investment (2003‐2083) 

 

Figure 69: Unmet demand – Base case vs upfront investment (2010‐2083) 

Unmet Demand

Jan 01, 2003 Jan 01, 2043 Jan 01, 20830.00

0.05

0.10

0.15

0.20

0.25

0.30

Current

Reference

Un

me

t d

em

an

d

Non-commercial use only!

Unmet Demand

Jan 01, 2003 Jan 01, 2043 Jan 01, 20830.00

0.05

0.10

0.15

0.20

0.25

0.30

Current

Reference

Un

me

t d

em

an

d

Non-commercial use only!

 

  

Page | 55   

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)   

Figure 70: Effect of policy combination on generation mix 

 

Figure 71: Effect of policy combination on electricity price 

Hydro Vs Thermal fraction of Gen Mix

Jan 01, 2003 Jan 01, 2043 Jan 01, 20830.0

0.2

0.4

0.6

0.8

1.0

Hydro fraction

thermal fraction

*Hydro fraction

*thermal fraction

Non-commercial use only!

Consumer Electricity Price

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

300

400

500

600

700

800

Sh/kWh

Current

Reference

Subsid

ised c

onsum

er

tari

ff

Non-commercial use only!

 

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

Jan 01, 2003 Jan 01, 2043 Jan 01, 20830.00

0.05

0.10

0.15

0.20

0.25

0.30

Current

Reference

Unm

et

dem

and

Non-commercial use only!

Figure 72: Effect of policy mix design on power system 

  

Page | 56   

 

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

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

200

300

400

500

600

700

800Sh/kWh

Current

Reference

Subsid

ised c

onsum

er

tari

ff

Non-commercial use only!

Thermal fraction of Gen Mix

Jan 01, 2003 Jan 01, 2043 Jan 01, 20830.0

0.2

0.4

0.6

0.8

Current

Reference

the

rma

l fr

acti

on

Non-commercial use only!

Domestic Power Supply

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

10,000,000,000

20,000,000,000

30,000,000,000

40,000,000,000

50,000,000,000

60,000,000,000

kWh

Current

Reference

Eff

do

me

sti

c p

ow

er

su

pp

ly

Non-commercial use only!

Domestic Power Demand

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

10,000,000,000

20,000,000,000

30,000,000,000

40,000,000,000

50,000,000,000

60,000,000,000

kWh

Current

Reference

Do

me

sti

c p

ow

er

de

ma

nd

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 | 57   

• 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 | 58   

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 | 59   

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 | 60   

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 | 61   

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 | 62   

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 | 63   

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 | 64   

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 | 65   

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 | i   

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 | ii   

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%7CRural+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/Sample‐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 | iii   

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,,menuPK:374963~pagePK:141132~piPK:141109~theSitePK:374864,00.html 

 

  

Page | A   

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.  

 

Consuming popn

Connections growthrate

Unconnected popnwith grid access

Unconnected gridpopn growth rate

Natural growth rateof consuming popn

Overall Popngrowth rate

Nominal conngrowth const

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 | B   

 Figure 75  shows  the model  structure  contributing  to  the  total actual power  consumption per capita.  

Nominal Consn percapita

Optional incomespent on power

Eff of expenses ondemand

Basic consumptionper capita

Delayed powerexpenses info

Pot opt consn percapitaSubsidised

consumer tariff

GDP per Capita

GDP per Capita

GDP per capitagrowth rate

Actual opt consnper capita

GDP growth rate

Tot actual consn percapita

 

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 | C   

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 

 

Power supply deficit

20yr deficit

Avg deficit

Change in deficit

Trend in deficit

Capacity adj time

Past 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 | D   

Exp hydro cap invrate

hydro installedcapacity

Maximum hydropotential

Avail hydro cap

Planned hydrocapacity

Used up hydrocapacity

Exp thermal cap invrate

Tot obligated capinv

20yr deficit

Contracted hydro cap

 

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 | E   

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

Thermal installedcapacityThermal initiation

rate

hydro installedcapacity

hydro initiation rate

hydro retirementrate

Thermal retirementrate

Planned Thermalcapacity

Thermal online rate

Planned hydrocapacity

hydro online rate

Thermal online leadtime

Hydro online leadtime

Thermal lifetime

Hydro plant lifetime

Contracted thermalcap

Contracted hydro cap

Hydro contr rate

Thermal contr rate

Exp hydro cap invrate

Exp thermal cap invrate

Contracted inv time

Contracted inv time

 

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 | F   

 

Generation mix

Market risk premium

risk free rate

Gen ROI

Current generatorprice

Average fixed gencap costs

hydro unit capacitycost

O&M fraction oftotal costs

thermal cap fixedcosts

Avg gen var costs

 

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 | G   

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 | H   

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 | I   

Appendix A.2: The Structure as Constructed 

Power Demand Sub-model

Single buyer Decisions - Investment Decisions, RoR, Current generator prices

Generation Capacity Commissioning and Power Generation

Domestic Power Service Costs

Generation Costs I yr capacity Calculation

Thermal installedcapacityThermal initiation

rate

hydro installedcapacity

hydro initiation rate

hydro retirementrate

Thermal retirementrate

Planned Thermalcapacity

Thermal online rate

Planned hydrocapacity

hydro online rate

Eff domestic powersupply

Power Loss rate

Thermal online leadtime

Power Lossconstant

Hydro online leadtime

Actual on-gridpower generated

Thermal Genefficiency

Thermal generationrate

hydro generationrate

Hydro Gen efficiency

Power supply deficit

Domestic powerdemand

Nominal Consn percapita

Govt tariff subsidy

Optional incomespent on power

Total installedcapacity

Thermal installedcapacity

hydro installedcapacity

Thermal lifetime

Hydro plant lifetime

Generation mix

thermal fraction

Power exported

Fraction exported

Unmet demand

Basic consumptionper capita

hydro unit capacitycost

Market risk premium

thermal unit capcost

Domestic powerdemand

Power supply deficit

risk free rate

Gen ROR

Exp hydro cap invrate

hydro installedcapacity

Maximum hydropotential

Avail hydro cap

Delayed powerexpenses info

Pot opt consn percapita

Actual consumptionper capita

Tot single buyerdomestic payments

Planned hydrocapacity

Used up hydrocapacity

Exp thermal cap invrate

Current generatorprice

Average fixed gencap costs

Max possible ongridgen output

Exp consumer tariff

Consuming popn

Connections growthrate

Unconnected popnwith grid access

Unconnected gridpopn growth rate

Number perhousehold

On-grid ElectricityAccess

Exp Distrnpayments

Number perhousehold

Annual cost perconnection

Exp Transnpayments

Popn

Popn growth rate

Overall electricityaccess

Consuming popn

Fraction exported

Exp exportpayments

Exp gen payments

thermal cap fixedcosts

Subsidisedconsumer tariff

Distrn ROR

Transn annual fixedasset costs

Hydro variable costs

O&M fraction oftotal costsThermal variable

costs

Thermal O&M costs

Avg gen var costs

Generation mix

hydro unit capacitycost

Power Lossconstant

Exp loss cap

Exp export cap

Exp domestic supplycap

Expected gen capnxt yr

Operational fractionof inst cap

Hydro online leadtime

Thermal lifetime

Thermal online leadtime

Hydro plant lifetime

Planned hydrocapacity

Planned Thermalcapacity

Thermal installedcapacity

Exp hydro cap nxtyr

Exp thermal cap nxtyr

hydro installedcapacity

1 yr delay

Exp thermal cap nxtyr

Exp hydro cap nxtyr

1 yr demandforecast

1 yr demandforecast

Exp domestic supplycap

Tot obligated capinv

1yr forecast ofconnected popn

1yr forecast ofconnected popn

O&M fraction oftotal costs

thermal cap fixedcosts

Avg gen var costs

Domestic Transnprice

Export transn price

Export transn price

Transn annual fixedasset costs

Exp loss cap

Exp domestic supplycap

Expected gen price

Expected gen price

Ratio actual topotential consn per

capita

Nominal Consn percapita

Contracted thermalcap

Contracted hydro cap

Hydro contr rate

Thermal contr rate

Exp hydro cap invrate

Exp thermal cap invrate

Contracted inv time

Contracted inv time

Natural growth rateof consuming popn

Overall Popngrowth rate

Overall Popngrowth rate

On-grid popn

Hydro fraction

GDP per Capita

GDP per Capita

GDP per capitagrowth rate

Ratio Powerexpenses to Income

Tot power servicepayments

Nominal conngrowth const

Ref thermal fuel costs

20yr deficit

20yr deficit

Actual opt consnper capita

Avg deficit

Change in deficit

Trend in deficit

Capacity adj time

Past time

Reference GDPgrowth rate

Eff of expenses ondemand

Contracted hydro cap

1yr deficit forecast

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 (10%‐30%) 

Distribution  Return on  Investment  (10%‐30%) 

   

Hydro  generation efficiency (50%‐90%) 

Thermal  generation efficiency (50%‐90%) 

   

Hydro  online  lead time (3‐10yrs) 

Thermal  online  lead time (1‐6yrs) 

   

Basic  consumption per  capita  (50kWh‐500kWh) 

   

Domestic Power Demand

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

10,000,000,000

20,000,000,000

30,000,000,000

40,000,000,000kWh

Non-commercial use only!

Unmet Power Demand

Jan 01, 2003 Jan 01, 2043 Jan 01, 20830.000.050.100.150.200.250.30

Non-commercial use only!

Domestic Power Demand

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

10,000,000,000

20,000,000,000

30,000,000,000

40,000,000,000

kWh

Non-commercial use only!

Unmet Power Demand

Jan 01, 2003 Jan 01, 2043 Jan 01, 20830.0

0.1

0.2

0.3

Non-commercial use only!

Domestic power Demand

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

10,000,000,000

20,000,000,000

30,000,000,000

40,000,000,000kWh

Non-commercial use only!

Unmet Power Demand

Jan 01, 2003 Jan 01, 2043 Jan 01, 20830.0

0.1

0.2

0.3

Non-commercial use only!

Domestic Power Demand

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

10,000,000,000

20,000,000,000

30,000,000,000

40,000,000,000

50,000,000,000

kWh

Non-commercial use only!

Unmet Power Demand

Jan 01, 2003 Jan 01, 2043 Jan 01, 20830.00

0.05

0.10

0.15

0.20

0.25

0.30

Non-commercial use only!

Page | J   

P a g e  | K  

Power  loss  constant (30% ‐ 40%) 

   

Domestic Power Demand

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

10,000,000,000

20,000,000,000

30,000,000,000

40,000,000,000

50,000,000,000kWh

Non-commercial use only!

Unmet Demand

Jan 01, 2003 Jan 01, 2023 Jan 01, 2043 Jan 01, 2063 Jan 01, 20830.0

0.1

0.2

0.3

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  

Page | 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 

 

P a g e  | N  

Page | N   

 Eqn  Parameter  Reference 

value Test Value 

Expected Response (Empirical Validation) 

Expected Response (Theoretical Validation) 

Results  Corresponding model behavior graphs 

1  Planned Thermal capacity 

Initial value ‐ 0MW 

1.00E+60  Thermal online rate equals infinity and Thermal installed capacity grows to infinity 

Thermal installed capacity grows to infinity and then gradually reduces due to retiring capacity unti such a time when new additional capacity will be put in plan 

Passed 

 

   Thermal online lead time 

3 yr  1.00E+60  Thermal installed capacity should reduce gradually to 0 

Thermal installed capacity should reduce gradually to 0 since no additional capacity will be added 

Passed   Reference run 

Current run 

 

                       

Jan 01, 2003 Jan 01, 21030

2e66

4e66

6e66

MW

Current

Reference

Th

erm

al in

sta

lle

dca

pa

cit

y

Non-commercial use only!

Jan 01, 2003 Jan 01, 21030

100,000,000

200,000,000

300,000,000

400,000,000MW

*Therm

al in

sta

lled

capacity

Non-commercial use only!

Jan 01, 2003 Jan 01, 2053 Jan 01, 21030.0

0.5

1.0

1.5

2.0MW

Therm

al in

sta

lled

i

Non-commercial use only!

P a g e  | O  

Page | O   

2  Planned hydro capacity 

Initial value ‐ 0MW 

1.00E+60  Hydro online rate equals infinity and Hydro installed capacity grows to infinity 

Hydro installed capacity grows to infinity and then gradually reduces due to retiring capacity until such a time when new additional capacity will be put in plan 

Passed  Same as Eqn 1 above 

   Hydro online lead time 

6 yr  1.00E+60  Hydro installed capacity should reduce gradually to 0 

Hydro installed capacity should reduce gradually to 0 since no additional capacity will be added 

Passed  Same as Eqn 1 above 

                       

3  Thermal installed capacity 

2MW  1.00E+75  Thermal retirement rate equals infinity 

Thermal retirement rate equals infinity 

Passed   

   Thermal lifetime 

30 yr  1.00E+75  Thermal retirement rate equals 0 

Thermal retirement rate equals 0 

Passed    

                      

4  hydro installed capacity 

303MW  1.00E+75  Hydro retirement rate equals infinity 

Hydro retirement rate equals infinity 

Passed   

   Hydro plant lifetime 

40 yr  1.00E+75  Hydro retirement rate equals 0 

Hydro retirement rate equals 0 

Passed