De nos jours, la réduction d'énergie est devenue un problème critique et urgent pour la communauté des bases de données. De nombreuses initiatives ont été lancées sur l'efficacité énergé-tique pour le traitement des données massives couvrant les composants électroniques, les logiciels et les applications. Ce traitement est principalement assuré par les optimiseurs de requêtes intégrés dans ces systèmes. Dans cet article, nous affirmons que la construction d'un optimiseur de requête vert ou la révision des optimiseurs existants passent par la procédure en 4 étapes: (1) établissement d'un audit approfondi qui permet de comprendre le fonctionnement de l'optimiseur de requête, (2) identification des paramètres pertinents sensibles à l'énergie appartenant aux composants matériels et logiciels, (3) élaboration des modèles de coût mathématiques estimant l'énergie consommée lors de l'exécution d'une requête sur un SGBD et (4) estimation des valeurs des paramètres sensibles à l'énergie à l'aide d'une des techniques de l'apprentissage automatique. Pour montrer l'efficacité de cette procédure, nous l'appliquons sur deux SGBD libres avec des modes de fonctionnement différents: PostgreSQL et MonetDB et nous les comparons à l'aide du jeu de données et des requêtes du benchmark TPC-H.