# -*- coding: utf-8 -*-
"""
Created on Thu Mar 26 12:01:11 2026

@author: J. Grabow (Feinmechaniker)
"""
import numpy as np
import matplotlib.pyplot as plt

# --- 1. Konfiguration ---
STUNDEN_PRO_WOCHE = 168
ZEITPUNKTE = 8000
t = np.linspace(0, STUNDEN_PRO_WOCHE, ZEITPUNKTE)
basis_preis = 1.70

def simuliere_marktszenarien_final():
    p1, p2 = [], []
    current_p2 = basis_preis
    for h in t:
        uhrzeit = h % 24
        ist_geschlossen = (uhrzeit < 6) or (uhrzeit > 22)
        
        if ist_geschlossen:
            p1.append(np.nan); p2.append(np.nan)
            continue
        
        # --- Szenario 1: Dynamisch (Pendler-Peaks treiben Preis HOCH) ---
        # Peaks um 08:00 und 17:00
        pendler_hoch = 0.11 * np.exp(-((uhrzeit - 8)**2)/1.2) + 0.10 * np.exp(-((uhrzeit - 17)**2)/1.8)
        wettbewerb_s1 = -0.06 * (uhrzeit - 6) / 16 
        p1.append(basis_preis + pendler_hoch + wettbewerb_s1)
        
        # --- Szenario 2: Reguliert (Plateaus zu Stoßzeiten) ---
        if 11.95 < uhrzeit < 12.05:
            current_p2 = basis_preis + 0.18 # Der tägliche Mittagssprung
        elif (7.0 <= uhrzeit <= 9.0) or (16.0 <= uhrzeit <= 19.0):
            # PLATEAU: Keine Preisänderung während der Stoßzeiten
            pass 
        else:
            # Senkung nur in den "Nebenzeiten"
            current_p2 -= 0.015 / 24 
            
        p2.append(current_p2)
        
    return np.array(p1), np.array(p2)

preise_s1, preise_s2 = simuliere_marktszenarien_final()

# --- 2. Daten für Tagesanalyse (24h) ---
tag_mask = (t >= 0) & (t <= 24)
t_tag = t[tag_mask]; p1_tag = preise_s1[tag_mask]; p2_tag = preise_s2[tag_mask]

# Minima für die grünen Punkte
idx_min1 = np.nanargmin(p1_tag); idx_min2 = np.nanargmin(p2_tag)

# --- 3. Visualisierung ---
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(14, 12))

# Grafik 1: Wochenübersicht
ax1.plot(t, preise_s1, label='Szenario 1: Dynamisch (Peaks)', color='#1f77b4', alpha=0.5)
ax1.plot(t, preise_s2, label='Szenario 2: Reguliert (Doppel-Plateau)', color='#ff7f0e', linewidth=2)
ax1.set_title('Wochenübersicht: Marktdynamik vs. Reguliertes Doppel-Plateau', fontsize=14)
ax1.grid(True, linestyle=':', alpha=0.6); ax1.legend()

# Grafik 2: Tagesvergleich mit Stoßzeit-Markierung
ax2.plot(t_tag, p1_tag, color='#1f77b4', linewidth=2, label='Szenario 1 (Preis-Spitzen)')
ax2.plot(t_tag, p2_tag, color='#ff7f0e', linewidth=2.5, label='Szenario 2 (Preis-Stagnation)')

# Stoßzeiten schattieren
ax2.axvspan(7, 9, color='red', alpha=0.07, label='Stoßzeit (Morgen/Abend)')
ax2.axvspan(16, 19, color='red', alpha=0.07)

# Grüne Punkte für die Bestpreise
ax2.scatter(t_tag[idx_min1], np.nanmin(p1_tag), color='limegreen', s=130, edgecolors='black', zorder=5, label=f'Bestpreis S1 ({t_tag[idx_min1]:.1f}h)')
ax2.scatter(t_tag[idx_min2], np.nanmin(p2_tag), color='forestgreen', s=130, edgecolors='black', zorder=5, label=f'Bestpreis S2 ({t_tag[idx_min2]:.1f}h)')

ax2.set_title('Tagesvergleich: Preis-Plateaus vs. Nachfrage-Peaks', fontsize=14)
ax2.set_xlabel('Uhrzeit (0-24h)'); ax2.set_ylabel('Preis (€)'); ax2.set_xticks(range(0, 25))
ax2.grid(True, linestyle='--', alpha=0.4); ax2.legend(loc='upper right')

plt.tight_layout(); plt.show()

# --- 4. Statistische Auswertung ---
s1_v = preise_s1[~np.isnan(preise_s1)]; s2_v = preise_s2[~np.isnan(preise_s2)]
print(f"{'Szenario':<18} | {'Max':<8} | {'Min':<8} | {'Schnitt':<8}")
print("-" * 55)
print(f"{'S1 (Dynamisch)':<18} | {np.nanmax(s1_v):.3f}€ | {np.nanmin(s1_v):.3f}€ | {np.nanmean(s1_v):.3f}€")
print(f"{'S2 (Reguliert)':<18} | {np.nanmax(s2_v):.3f}€ | {np.nanmin(s2_v):.3f}€ | {np.nanmean(s2_v):.3f}€")