In recent years, extensive research efforts have been dedicated to the field of prognostics and age-related degradation, with major focus on higher complexity devices. However, relatively little attention has been given to power devices, such as Insulated Bipolar Gate Transistors (IGBTs), despite their critical role in high power electronic applications. These device find their application in various domains, including power grids, where their capability of operating over a broad spectrum of current and voltage levels is a necessity. Because of their central role, their condition can heavily effect the entire system, and the lack of comprehensive understanding and accurate aging prediction for IGBTs poses a significant challenge in ensuring their optimal performance, the deployment of intelligent equipment maintenance and in minimizing the risk of failure. To overcome this research and knowledge gap, the present study focuses on the development and implementation of a Convolutional-Long Short-Term Memory Neural Network, for predicting the value of the component temperature, as the main precursor for its premature aging. Moreover, an incremental learning approach is employed to address the challenges of online learning in real-world scenarios. To evaluate the proposed methodology, a comparative analysis is conducted against a base Long Short-Term Memory (LSTM) model, using an IGBT data set from the NASA Ames Laboratory. The empirical experiments yield promising results, demonstrating that the proposed model outperforms the base LSTM model in terms of accuracy and predictive capabilities. Moreover, the incremental approach appears to be suitable to extend the Convolutional-LSTM model to online learning settings. The findings of this research provide valuable insight into prognostics of power devices and contribute to broaden the field of predictive maintenance, especially in the context of power devices. / Under de senaste åren har omfattande forskningsinsatser ägnats åt prognostik och åldersrelaterad degradering, med fokus på mer komplexa enheter. Kraftelektronik, t.ex. IGBT-transistorer (Insulated Bipolar Gate Transistors), har dock ägnats relativt lite uppmärksamhet, trots deras kritiska roll i elektroniska applikationer med hög effekt. Dessa enheter används inom olika områden, bland annat kraftnät, där deras förmåga att arbeta över ett brett spektrum av ström- och spänningsnivåer är en nödvändighet. På grund av deras centrala roll kan deras tillstånd kraftigt påverka hela systemet, och bristen på omfattande förståelse och exakta åldringsprognoser för IGBT utgör en betydande utmaning för att säkerställa optimal prestanda, implementering av intelligent underhåll av utrustning och för att minimera risken för fel. För att överbrygga denna forsknings- och kunskapslucka fokuserar den här studien på utveckling och implementering av ett neuralt nätverk med faltning och långt korttidsminne för att förutsäga värdet på komponenttemperaturen, som den viktigaste föregångaren till dess för tidiga åldrande. Dessutom används en inkrementell inlärningsmetod för att hantera utmaningarna med online-inlärning i verkliga scenarier. För att utvärdera den föreslagna metoden genomförs en jämförande analys mot en basmodell för Long Short-Term Memory (LSTM), med hjälp av en IGBT-datauppsättning från NASA Ames Laboratory. De empiriska experimenten ger lovande resultat och visar att den föreslagna modellen överträffar den grundläggande LSTM-modellen när det gäller noggrannhet och prediktiva förmågor. Dessutom verkar det inkrementella tillvägagångssättet vara lämpligt för att utvidga Convolutional-LSTM-modellen till onlineinlärningsinställningar. Resultaten av denna forskning ger värdefull insikt i prognostik av kraftaggregat och bidrar till att bredda området för prediktivt underhåll, särskilt i samband med kraftaggregat.