随着科学技术的日益发展和人类社会的不断进步,人们在日常生活中的方方面面都积累着大量的数据,一个大数据的时代已然来临。不同于静态数据集,现实数据集往往是以数据流形式存在的,通常具有以下几种典型特性:高维、无限、变化、概念漂移等。电池工况数据作为一种典型的高维数据流形式的存在,如何从高维数据流中检测到包含潜藏信息的异常数据（比如电池工况数据中的故障数据）,是当前迫切需要解决的重要问题。通过分析国内外面向高维数据流的异常点检测算法,针对传统算法面对高维数据流时不适用的问题,为了快速检测高维数据流中的潜在异常点,本文提出一种基于鲁棒预处理和特征提取的角度分布异常点检测算法,以提高传统算法在不规则数据集和高维空间的稳定性。首先基于k最近邻域和相似度对数据集进行聚类分析,然后利用成对余弦方法对高维数据进行特征降维,以提高异常点检测方法在高维空间的运算速度,最后基于角度分布异常点检测方法识别高维数据流异常点。在合成数据集和UCI真实数据集下仿真实验表明,所提方法能够有效提高算法在高维空间的稳定性,并且在能够有效检测出异常数据的同时极大的减少算法的运行时间,为实时快速检测高维数据流模型中的异常点提供理论基础。为了进一步将提出算法应用于电池系统安全评估中,本文针对电池工况数据流的分布特性对提出算法进行改进,将电池在环仿真平台获取的电池工况数据集作为改进算法的实验数据集,最后通过电池工况数据集的仿真实验表明:本文提出的面向电池安全评估的高维数据流异常点检测算法能够快速、有效的识别电池工况数据流中潜在的包含故障信息的异常数据,为电池系统的安全评估提供参考。