from src.Functions_Energy_Model import *
from src.Functions_General import *
import subprocess
import signal
import time

location_ita = 'Biella' # location in Italian
capacity = 100 # kWp
tilt_angle = 30 # gradi
azimuth = 0 # gradi
num_years = 1 # anni di simulazione
derating_factor_percent = 1 # derating factor that reduce the efficiency of the modules in percentage [%]

config = yaml.safe_load(open("config.yml", 'r'))
path_export = str(config['filename_output_csv_gen_pv']) # percorso del file di output

# IGNORE THIS
isJoe = config['joe_fight']
joePlaying = False
if(isJoe == True):
    if shutil.which('ffplay') is not None:
        joePlaying = True
        joe = subprocess.Popen(['ffplay', '-fs', 'assets/joefight.mp4'])
        time.sleep(25) # deve arrivare il drop
    else:
        print("ffplay non installato, no joe fight.")

# INIZIALIZZAZIONE PARAMETRI PER SIMULAZIONE
location_eng = location_italian_to_english(location_ita)
path = "config.yml"
filename = ""
key  = "project_lifetime_yrs"
value = num_years
add_to_file_yml(path, filename, key, value)
suppress_printing(generate_calendar) # generazione del calendario
coordinates_dataset = suppress_printing(create_coordinates_dataset, [location_eng]) # crea un dataset con le coordinate di tutte le posizioni
derating_factor = derating_factor_percent / 100

# CALCOLO PRODUTTIVITA'
result_ac_energies_resampled = suppress_printing(simulate_1_kWp_generators, coordinates_dataset, tilt_angle, azimuth)

# SCALING PRODUTTIVITA'
result_ac_energies_gens = {} # initialization of the output dictionary
result_ac_energies_gens['gen_pv_' + str(capacity) + '_kWp'] = result_ac_energies_resampled[location_eng] * capacity

# DERATING PRODUTTIVITA'
result_ac_energies_gens_derated = suppress_printing(simulate_gens_derated_productivity, derating_factor, result_ac_energies_gens)

# GENERAZIONE DATAFRAME
result_ac_energies_to_csv_df = suppress_printing(simulate_unstacked_productivity, result_ac_energies_gens_derated) # create two unstacked dataframe (the other functions work with dictionaries)

# ESPORTAZIONE RISULTATI IN CSV
print("Valore massimo:",max(result_ac_energies_to_csv_df.gen_pv_100_kWp)) # print the maximum value of the generated energy
print("Somma totale:",sum(result_ac_energies_to_csv_df.gen_pv_100_kWp)) # print the total sum of the generated energy
result_ac_energies_to_csv_df.to_csv(path_export, encoding='utf-8')

# GENERAZIONE GRAFICO
import plotly.express as px
# Supponendo che la colonna di interesse sia 'gen_pv_100_kWp'
fig = px.line(
    result_ac_energies_to_csv_df,
    x=result_ac_energies_to_csv_df.index,
    y='gen_pv_100_kWp',
    title='Produttività Fotovoltaica nel Tempo',
    labels={'gen_pv_100_kWp': 'Energia [kWh]', 'index': 'Data/Ora'}
)
fig.show()

def export_hourly_pv_productivity(result_ac_energies_to_csv_df, path_export_hourly):
    """
    Esporta la produttività fotovoltaica aggregata su base oraria.
    """
    # Raggruppa per ora e somma la produzione dei 4 quarti d'ora
    df_hourly = result_ac_energies_to_csv_df.resample('H').sum()
    df_hourly.to_csv(path_export_hourly, encoding='utf-8')
    print(f"File CSV orario salvato in: {path_export_hourly}")

    fig = px.line(
        df_hourly,
        x=df_hourly.index,
        y='gen_pv_100_kWp',
        title='Produttività Fotovoltaica su Base Oraria',
        labels={'gen_pv_100_kWp': 'Energia [kWh]', 'index': 'Data/Ora'}
    )
    fig.show()

# --- USO DELLA FUNZIONE DOPO L'EXPORT ORIGINALE ---

# Scegli il percorso per il nuovo file orario
path_export_hourly = path_export.replace('.csv', '_hourly.csv')

# Esporta il file orario
export_hourly_pv_productivity(result_ac_energies_to_csv_df, path_export_hourly)

import pandas as pd
import plotly.express as px

# Carica il file CSV orario
df = pd.read_csv('files/gen_pv/output_gen_pv_hourly.csv', index_col=0, parse_dates=True)

# Raggruppa per giorno e somma la produzione
df_daily = df.resample('D').sum()

# Crea il grafico giornaliero
fig = px.line(
    df_daily,
    x=df_daily.index,
    y='gen_pv_100_kWp',
    title='Produttività Fotovoltaica Giornaliera',
    labels={'gen_pv_100_kWp': 'Energia [kWh]', 'index': 'Data'}
)
fig.show()



# Raggruppa per mese e somma la produzione
df_monthly = df.resample('M').sum()
df_monthly['Mese'] = df_monthly.index.strftime('%B %Y')  # Nome mese e anno

# Crea il grafico a colonne mensili con colori diversi
fig = px.bar(
    df_monthly,
    x='Mese',
    y='gen_pv_100_kWp',
    color='Mese',
    title='Produttività Fotovoltaica Mensile',
    labels={'gen_pv_100_kWp': 'Energia [kWh]', 'Mese': 'Mese'},
    color_discrete_sequence=px.colors.qualitative.Pastel
)
fig.show()

import plotly.graph_objects as go

# Estrai tutte le date disponibili (solo la parte di data, senza ora)
date_options = df.index.normalize().unique()

# Crea una lista di grafici, uno per ogni giorno
fig = go.Figure()

for date in date_options:
    daily_data = df[df.index.normalize() == date]
    fig.add_trace(
        go.Scatter(
            x=daily_data.index,
            y=daily_data['gen_pv_100_kWp'],
            name=str(date.date()),
            visible=False
        )
    )

# Rendi visibile solo il primo giorno all'avvio
fig.data[0].visible = True

# Crea i pulsanti per il menu a tendina
buttons = []
for i, date in enumerate(date_options):
    visible = [False] * len(date_options)
    visible[i] = True
    buttons.append(
        dict(
            label=str(date.date()),
            method="update",
            args=[{"visible": visible},
                  {"title": f"Produttività Fotovoltaica Oraria - {date.date()}"}]
        )
    )

fig.update_layout(
    updatemenus=[
        dict(
            active=0,
            buttons=buttons,
            x=0.5,
            xanchor="center",
            y=1.15,
            yanchor="top"
        )
    ],
    title=f"Produttività Fotovoltaica Oraria - {date_options[0].date()}",
    xaxis_title="Ora",
    yaxis_title="Energia [kWh]"
)

fig.show()

if joePlaying:
    joe.terminate()
    joe.kill()