# 3 Möglichkeiten für Ertragsberechnung: Clear Sky Modell, TMY oder POA-Data
# Clear Sky: Strahlungsmodell, welches theoretische Strahlungsdaten an bestimmten Standpunkt enthält welche eine flache Oberfläche treffen  - vewerndet g(i)-Strahlungsdaten
# TMY = Typical Meteorolical Year - reale Strahlungsdaten welche eine flache Oberfläche treffen  - vewerndet g(i)-Strahlungsdaten
# POA = Plane of Array - was das PV-Modul (und dessen Ausrichtung) wirklich trifft - verwendet POA-Strahlungsdaten

# G(i), poa_global = Global irradiance on inclined plane (W/m^2)
# Gb(i), poa_direct = Beam (direct) irradiance on inclined plane (W/m^2)
# Gd(i), poa_sky_diffuse = Diffuse irradiance on inclined plane (W/m^2)
# Gr(i), poa_ground_diffuse = Reflected irradiance on inclined plane (W/m^2)

import pvlib
import pandas as pd
import matplotlib.pyplot as plt
from pvlib.modelchain import ModelChain
from pvlib.location import Location
from pvlib.pvsystem import PVSystem
from pvlib.temperature import TEMPERATURE_MODEL_PARAMETERS

# Daten Standort
latitude = 47.2675
longitude = 11.3910
tz = 'Europe/Vienna'
year = 2019

# Daten für Datenbank -> Module + WR
database_module = pvlib.pvsystem.retrieve_sam('SandiaMod')
database_inverter = pvlib.pvsystem.retrieve_sam('CECInverter')
module = database_module['Canadian_Solar_CS5P_220M___2009_']
inverter = database_inverter['ABB__PVI_4_2_OUTD_US__208V_']

# PV-Anlage definieren
modules_per_string = 10
strings_per_inverter = 2
surface_tilt = 20
surface_azimuth = 150

# Temperaturparameter definieren
temperature_parameters = TEMPERATURE_MODEL_PARAMETERS['sapm']['open_rack_glass_glass']

def create_production_profile(): 
    # Location + PVSystem-Objekte anlegen und Modelchain damit füttern
    location = Location(latitude, longitude, tz)
    system = PVSystem(surface_tilt=surface_tilt, surface_azimuth=surface_azimuth, module_parameters=module, 
                    inverter_parameters=inverter, temperature_model_parameters=temperature_parameters, 
                    modules_per_string=modules_per_string, strings_per_inverter=strings_per_inverter)

    modelchain = ModelChain(system, location)

    # Ertragssimulation mit Clear-Sky Modell

    # Index-Spalte mit Zeiten für clear-sky Dataset anlegen
    # times = pd.date_range(start='2020-01-01', end ='2020-12-31', freq='1h', tz=location.tz)

    # clear_sky = location.get_clearsky(times)
    # #clear_sky.plot(figsize=(16,9))

    # modelchain.run_model(clear_sky)

    # Ertragssimulation mit realen Strahlungsdaten aus Wetterjahr

    # Hier ist Süden Azimuth = 0°, bei PVLib ist es 180°
    poa_data, meta, inputs = pvlib.iotools.get_pvgis_hourly(latitude=latitude, longitude=longitude, start=year, end=year, raddatabase='PVGIS-SARAH3', components=True, surface_tilt=surface_tilt, 
                                surface_azimuth=surface_azimuth-150, outputformat='json', usehorizon=True, userhorizon=None, pvcalculation=False, peakpower=None, 
                                pvtechchoice='crystSi', mountingplace='free', loss=0, trackingtype=0, optimal_surface_tilt=False, optimalangles=False, 
                                url='https://re.jrc.ec.europa.eu/api/', map_variables=True, timeout=30)

    # Notwendige Spalten ausrechnen und hinzufügen, sodass Modelchain sie verwenden kann
    poa_data['poa_diffuse'] = poa_data['poa_sky_diffuse'] + poa_data['poa_ground_diffuse']
    poa_data['poa_global'] = poa_data['poa_diffuse'] + poa_data['poa_direct']

    # Daten in csv exportieren
    #poa_data.to_csv('poa_data.csv') 

    # Index des Dataframe mit datetime-Index von Pandas überschreiben
    poa_data.index = pd.to_datetime((poa_data.index))
    # Diese Funktion benötigt POA-Daten anstatt g(i)-Daten -> DOKU
    modelchain.run_model_from_poa(poa_data)

    # Ergebnis plotten
    #modelchain.results.ac.plot(figsize=(16,9))    
    #plt.show()

    # Rückgabewert
    return modelchain.results.ac