這個問題，想起來容易做起來難。每個細緻的環節，都需要進行仔細推敲，特別是做分析評估的時候，需要和很多的技術變數、經濟變數還有場景方面進行細緻的核算。一算麼，整個事情很容易得不出來細緻得結果。

在單體=>模組過程中，我們會記錄相應的資訊，獲取初始不一致性。而在車輛往私人市場使用過程中，由於系統性的分類，這裡面產生了大量的差異的地方，也會對電池本身造成很大的差異。

不管是透過內部的BMS記錄的SOH和電池在過程中使用的濫用資料組還是採取實時資料檢測，我們獲取的還是一個相對寬泛的結果。

關於SOH特別是容量估計的演算法，每家企業都在不斷的更新，不斷的資料積累是可以獲取更準確的估計算法，來評估實際的容量衰減和可使用的特性情況，特別是DCR的衰變

但這個事情，還是有個大問題，我們電池包拆還是不拆呢？如果拆，基於BMS和雲端的資料進行分類之後，到模組層面進行分選，這裡面也存在大量的工作，特別是分散的工作。現在看到乘用車方面的內容，以BMW和Daimler等幾家之前投入的一批BEV的電池都是按照整包的情況進行一些演示性的

寶馬將i3替換下來的約700組汽車動力電池集合到該儲能廠，形成一套電池系統，用於儲存電網低峰時段的電量，用電高峰或發電量低時再進行電量輸出

短期內，從較少量的數百和數千的來看，是不拆包合算。

這裡如果存在不一致，或者空間的原因，也可以進行模組重組

這個模組是三個成組，兩個比一下這個架子的利用率還有從液冷切換到風冷的使用模式，還是值得嘗試的

這個電池系統先要取出，然後進行重組配對，放電均衡調平

這裡面實際的問題也比較多，主要是用原來的BMS打理諸多模組並聯還是存在困難，這個BMS也從CAN切換到新的基於類似乙太網的集中式運算

基於這些舊電池怎麼管控，把大量的資料收集上來統一進行管控，再弄個強大的計算平臺統一管控甚至上面跑電池管理的AI是個好主意不？